Probabilidades

Probabilidades
Experimento
Proceso que conduce a que ocurra una y solo una de varias observaciones
posibles
Experimento
Determinístico Probabilístico
Los resultados del experimento Los resultados de un

pueden predecirse con exactitud. Por experimento no pueden
ejemplo: predecirse con exactitud, es
- Soltar una piedra en el aire y decir existe incertidumbre.
ver si cae Ejemplo:
- Soltar una pelota en una ε1:Lanzar una moneda y ver la
pisicina y ver si se hunde
cara superior (sale cara o sello)
ε2:Lanzar un dado y ver el
número que sale
Experimento Aleatorio (ε)
Lic. Alberto F. Napán Vera

Curso: Estadística Inferencial
1
- Puede repetirse indefinidamente sin cambiar esencialente las
condiciones.
- Tiene varios resultados posibles que pueden describirse de antemano
pero cuya salida depende del azar.
Ejemplo:
ε3: Extraer un artículo de un lote de artículos que pueden ser defectuosos o

no defectuoso.
ε4: Contar el número de alumnos que faltaron a clases.
ε5: Observar el número de mensajes recibidos durante la clase.
ε6: Observar el tiempo de vida de la bateria del celular.
Espacio Muestral (Ω)

Se llama espacio muestral (Ω) asociado a un experimento aleatorio, al
conjunto de todos los resultados posibles de dicho experimento.
Al lanzar una moneda, el espacio muestral es Ω 1 = {sale cara, sale sello} ó Ω 1

= {c, s}.
Al lanzar un dado de seis caras, el espacio muestral es

Ω2 = {sale 1, sale 2, sale 3, sale 4, sale 5, sale 6}
ó Ω2 = {1, 2, 3, 4, 5, 6}
Ω3 = {Defectuoso, No defectuoso}
Ω4 = {0, 1, 2,. . . 50}
Ω5 = {0, 1, 2, …}
Ω6 = {t ∈ R / t ≥ 0}
Al lanzar dos monedas, el espacio muestral es

Ω = {(c,c), (c,s), (s,c), (s,s)}.
Al lanzar tres monedas, el espacio muestral es Ω = {(c,c,c), (c,c,s), (c,s,c),

(c,s,s), (s,c,c), (s,c,s), (s,s,c), (s,s,s)}
Clasificación:
a) Discretos finitos

2
b) Discretos infinitos
c) Contínuos
Obs: Un número discreto es por lo general un entero numerable, uno contínuo

es cuaqiuer número de un intervalo.
Suceso
Es el resultado de un experimento aleatorio; es c/u de los elementos del

espacio muestral.
Evento
Se llama evento a todo subconjunto de un espacio muestral. Por ejemplo en el

espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento de un dado, los
siguientes son eventos:
1. Obtener un número primo A = {2, 3, 5}

2. Obtener un número primo y par B = {2}
3. Obtener un número mayor o igual a 5 C = {5, 6}
Eventos mutuamente excluyentes
Dos eventos son mutuamente excluyentes si no pueden ocurrir en forma

simultánea, esto es, si y sólo si su intersección es vacía. Por ejemplo, en el
lanzamiento de un dado los eventos B = {2} y C = {5, 6} son mutuamente
excluyentes por cuanto B∩ C=∅
Eventos complementarios
Si A ∩ B=∅ y A U B = E, se dice que A y B son eventos complementarios:

A c = B y Bc = A
Probabilidades

3
Definición de probabilidad
La probabilidad de un suceso es un número, comprendido entre 0 y 1, que

indica las posibilidades que tiene de verificarse cuando se realiza un
experimento aleatorio.
El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al

aire y la probabilidad de que salga el número 7 es cero.
El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire

y la probabilidad de que salga cualquier número del 1 al 6 es igual a uno
(100%).
El resto de sucesos tendrá probabilidades entre cero y uno: que será tanto
mayor cuanto más probable sea que dicho suceso tenga lugar.
Teoría de probabilidades
La teoría de probabilidades se ocupa de asignar un cierto número a cada

posible resultado que pueda ocurrir en un experimento aleatorio, con el fin de
cuantificar dichos resultados y saber si un suceso es más probable que otro.
Con este fin, introduciremos algunas definiciones:
Probabilidad
Objetiva Subjetiva
Clásica Empírica
Probabilidad Clásica

4
Si en un experimento aleatorio todos los resultados son equiprobables
(iguales probabilidades), es decir, la ocurrencia de uno es igualmente posible
que la ocurrencia de cualquiera de los demás, entonces, la probabilidad de un
evento A es la razón:
n( A) Casos favorables de A
P ( A )= =
n(Ω) Casos posibles
Probabilidad Empírica
Se basa en las frecuencias relativas. La probabilidad de que un evento ocurra

se determina observando en que fracción de tiempo sucedieron eventos
semejantes en el pasado.
Numero de veces que ocurrió un eventoen el pasado

P ( A )=
Número total de observaciones
Ejemplo:
De 300 ingresantes a la facultad, se observó que en el segundo ciclo solo 130

se mantuvieron en su aula original. ¿Cuál es la probabilidad de que un
estudiante elegido al azar se mantenga en su aula original?
Probabilidad Subjetiva
Si existe poca o ninguna experiencia en la cual basar una probabilidad, puede

determinarse una probabilidad en forma subjetiva. Se evaluan las opiniones
disponibles para estimar o asignar la probabilidad. Ejemplo:
- Estimar la probabilidad de que el Banco de Crédito mantenga su
liderazgo en la colocación de préstamos a largo plazo durante los
proximos dos años.
- Estimar la probabilidad de que Universitario campeone en el torneo
Clausura
- Estimar la probabilidad de que Ud obtenga 20 en este curso
Axiomas
Se deduce de la definición lo siguiente:

1) 0 ≤ P (A )≤ 1
2) P ( ∅ )=0
3) P ( Ω )=1
4) Si A y B son dos eventos mutuamente excluyentes entonces

5
P ( A ∪ B ) =P ( A )+ P( B)
Si el experimento se repite un número grande de veces, el valor de FR se

aproximará a la medición probabilística P del evento A. Por ejemplo, si lanzo
100 veces una moneda, el número de veces que obtengo cara es cercano a 50,
o sea FR es cercano a 50%.
Ejemplo
Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres
bolas. Calcular:
1. El espacio muestral.
Ω = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n, n,n)}
2. El suceso A = {extraer tres bolas del mismo color}.
A = {(b,b,b); (n, n,n)}
3. El suceso B = {extraer al menos una bola blanca}.
B= {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b)}
4. El suceso C = {extraer una sola bola negra}.
C = {(b,b,n); (b,n,b); (n,b,b)}
Ejemplo
Probabilidad de que al lanzar un dado salga el número 2: el caso favorable (f)
es tan sólo uno (que salga el dos), mientras que los casos posibles (n) son seis
(puede salir cualquier número del uno al seis).
Por lo tanto:
(o lo que es lo mismo, 16,6%)
Ejemplo

6
Probabilidad de que al lanzar un dado salga un número par: en este caso los
casos favorables (f) son tres (que salga el dos, el cuatro o el seis), mientras
que los casos posibles (n) siguen siendo seis.
Por lo tanto:
(o lo que es lo mismo, 50%)

Ejemplo
Probabilidad de que al lanzar un dado salga un número menor que 5: en este
caso tenemos cuatro casos favorables (f) (que salga el uno, el dos, el tres o el
cuatro), frente a los seis casos posibles.
Por lo tanto:

Ejemplo
Probabilidad de ganarse el premio mayor de una lotería en la que juegan
100.000 númerosnos: tan sólo un caso favorable (f), el número que jugamos,
frente a los 100.000 casos posibles (n).
Por lo tanto:

Ejemplo
Probabilidad al lanzar una moneda, con un águila en una cara y un sol en la
otra. Hay dos casos posibles (n) de ocurrencia (o cae águila o cae sol) y sólo
un caso favorable (f) de que pueda caer águila (pues sólo hay un águila en la
moneda).
Por lo tanto:
(o, lo que es lo mismo, 50 %)
Existe una probabilidad del 50% de obtener un águila al tirar una moneda.
Ejemplo
Probabilidad de elegir tal o cual fruta. Si en una canasta hay 20 peras y 10
manzanas. ¿Qué fruta es más probable que saque al azar de la canasta?
Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir

los casos posibles (n). Para calcular la probabilidad de sacar una manzana los
casos favorables (f) son 10 puesto que existen sólo 10 manzanas.

7
Por lo tanto:
(o, lo que es lo mismo, 33,3 %)
(o, lo que es lo mismo, 66,7 %)

Observar que 33,3% + 66,7% es igual al 100% porque siempre que saquemos
algo de la canasta es seguro que será una fruta.
Condiciones importantes
a) El número de resultados posibles (sucesos o eventos) tiene que ser finito.
Si hubiera infinitos resultados, al aplicar la regla "casos favorables dividido
por casos posibles" el cociente siempre sería cero.
b) Todos los sucesos o eventos tienen que tener la misma probabilidad. Si al
lanzar un dado, algunas caras tuvieran mayor probabilidad de salir que otras,
no podríamos aplicar esta regla.
Cuando se realiza un experimento aleatorio un número muy elevado de veces,
las probabilidades de los diversos posibles sucesos empiezan a converger
hacia valores determinados, que son sus respectivas probabilidades.
Ejemplo:
si lanzo una vez una moneda al aire y sale "cara", quiere decir que el suceso
"cara" ha aparecido el 100% de las veces y el suceso "cruz" el 0%.
Si lanzo diez veces la moneda al aire, es posible que el suceso "cara" salga 7
veces y el suceso "cruz" las 3 restantes. En este caso, la probabilidad del
suceso "cara" ya no sería del 100%, sino que se habría reducido al 70%.
Si repito este experimento un número elevado de veces, lo normal es que las
probabilidades de los sucesos "cara" y "cruz" se vayan aproximando al 50%
cada una. Este 50% será la probabilidad de estos sucesos según el modelo
frecuentista.

8
Probabilidad condicional
Consideremos una urna que contiene 4 bolillas rojas y 5 blancas. De las 4
bolillas rojas, 2 son lisas y 2 rayadas y de las 5 bolillas blancas, 4 son lisas y
una sola es rayada.
Supongamos que se extrae una bolilla y, sin que la hayamos mirado, alguien
nos dice que la bolilla es roja, ¿cuál es la probabilidad de que la bolilla sea
rayada?
Sean los sucesos A: “la bolilla es rayada” y B: “la bolilla es roja”.

Obviamente, sin ninguna información previa, P(A) = 3/9 = 1/3 y P(B) = 4/9.
Sin embargo, como sabemos que la bolilla es roja, la probabilidad de que sea
rayada es ½, ya que, de las rojas la mitad es lisa y la mitad rayada.
Observemos, que al ocurrir B, el espacio muestral se reduce.
En general, dado un experimento y su espacio muestral asociado, queremos

determinar cómo afecta a la probabilidad de A el hecho de saber que ha
ocurrido otro evento B.
Definición de Sean A y B eventos tales que P(B) > 0, la probabilidad del evento A
Probabilidad condicional a la ocurrencia del evento B es:
Condicional
p ( A ∩B)
P ( A /B )=
P (B)
Ejemplo
En el ejemplo anterior, P(B)=4/9 y
p ( A ∩B) 2 /9 2 1
P ( A /B )= = = =
P (B) 4 /9 4 2
Ejemplo
Consideremos una población en la que cada individuo es clasificado según
dos criterios: es o no portador de HIV y pertenece o no a cierto grupo de
riesgo que denominaremos R. La correspondiente tabla de probabilidades es:
Portador (A) No portador (Ac)
Pertenece a R (B) 0.003 0.017 0.020

No pertenece a R (Bc) 0.003 0.977 0.980
0.006 0.994 1.000

9
En esta población, la probabilidad de que un individuo sea portador es
P(A)=0.006 y la probabilidad de que sea portador y pertenezca al grupo de
riesgo R es P(A ∩ B)=0.003.
Dado que una persona seleccionada al azar pertenece al grupo de riesgo R,
¿cuál es la probabilidad de que sea portador?
p ( A ∩B) 0.003
P ( A /B )= = =0.00306
P (B) 0.980
es decir que sólo 3 de cada 1000 individuos no pertenecientes al grupo de

riesgo R, son “posibles” portadores de HIV.
Propiedades de la Probabilidad condicional:

Dado un suceso B fijo tal que P(B) > 0, P(•|B)
es una probabilidad, en el sentido que satisface los axiomas de probabilidad y
por lo tanto todas las propiedades que se deducen a partir de ellos. Por
ejemplo:
A1. P(A|B) ≥ 0 para todo suceso A.

A2. P(S|B) = 1.
Regla del producto

Dados dos sucesos A y B, tales que P(B) > 0,
P(A ∩ B) = P(A|B) P(B)

Si además, P(A) > 0,
P(A ∩ B) = P(B | A) P(A)
Ejemplo
En el ejemplo presentado al comienzo, supongamos ahora que se extraen dos
bolillas sin reposición. ¿Cuál es la probabilidad de extraer una bolilla roja y
una blanca, en ese orden?
Sean C: “la primera bolilla es roja” y D: “la segunda bolilla es blanca”.

debemos calcular P(C ∩ D). Aplicando la regla del producto
P ( C ∩ D )=P ( C ) P ( DE )= 45 58 = 2072 = 185

10
La regla del producto es especialmente útil cuando el experimento consta de
varias etapas ya que se puede generalizar. Así, por ejemplo, si P(A) > 0 y
P(A1 ∩ A2) >0, se tiene:
P ( A 1 ∩ A 2 ∩ A 3 )=P ( A1 ) P( A2 / A1 ) P( A 3 /( A1 ∩ A 2))
y se extiende a n sucesos.
Ejemplo
En el mismo ejemplo, ¿cómo podemos obtener la probabilidad de que la
segunda bolilla extraída sea blanca (suceso D)?. Sabemos calcular, usando la
regla del producto la probabilidad de que la segunda sea blanca y la primera
sea roja. Hemos visto que esta probabilidad es P(C ∩ D) = 5/18. Del mismo
modo podemos obtener la probabilidad de que ambas bolillas sean blancas
(suceso (D ∩ C c)). Esta probabilidad es:
P ( c c ∩ D ) =P ( CC ) P
( CD )= 59 48 = 2072 = 185
C
Si ahora observamos que el suceso D puede escribirse como
D=( D ∩C) ∪(D ∩CC )
se obtiene
5 5 10 5
P ( D )=P ( D∩C ) + P ( D∩C C ) = + = = (1)
18 18 18 9
¿Cómo podemos obtener ahora la probabilidad de que la primera bolilla

haya sido roja (suceso C) sabiendo que la segunda fue blanca (suceso D)?
La probabilidad requerida es:
p(C ∩ D) 5/18
P ( C/ D )= = =0.5(2)
P( D) 5/9
Los resultados (1) y (2) son ejemplos de aplicación de los dos Teoremas que
veremos a continuación: el Teorema de la Probabilidad Total y el Teorema de
Bayes respectivamente.

11
Definición:
Una colección de eventos A1, A2,… Ai constituye una partición del
espacio muestral S si:
1. A1 ∩ A 2=∅ ∀ i≠ j
2. P ( A 1 ) >0
3. ¿ i=1 ¿ k A i=S
Teorema de la probabilidad total

Sea A1, A2,… Ai una partición del espacio muestral S y sea B un suceso
cualquiera,
k
P ( B )=∑ P(B/ Ai )P( A i)
i=1
Teorema de Bayes
Sea A1, A2,… Ai una partición del espacio muestral S y sea B un suceso
cualquiera tal que P(B) > 0,
P(B/ A j) P( A j)
P( A j /B)= k
∑ P(B/ Ai )P( A i)
i=1
El Teorema de Bayes describe cómo es posible “revisar” la probabilidad

inicial de un evento o probabilidad a priori (P(Ai)) para reflejar la
información adicional que nos provee la ocurrencia de un evento relacionado.
La probabilidad revisada se denomina probabilidad a posteriori.
Ejemplo
Supongamos que cierta prueba para detectar la presencia de una enfermedad
en un individuo, da resultado positivo (detecta la presencia de la enfermedad)
en un individuo enfermo con probabilidad 0.99 y en un individuo sano con
probabilidad 0.02 (falso positivo). Por lo tanto, dicha prueba no detecta la
enfermedad en un individuo sano con probabilidad 0.98 y no la detecta en un
individuo enfermo con probabilidad 0.01 (falso negativo). Es decir que si
denotamos A: “la persona padece esa enfermedad” y B: “la prueba es
positiva”,
P(B/A) = 0.99
P(B/AC) = 0.02
P(BC/A) = 0.01
P(BC/AC) = 0.98

12
Se supone, en base a estudios previos, que la incidencia de esa enfermedad en
cierta población es 0.001, es decir que la probabilidad a priori de A es 0.001.
Se selecciona al azar un individuo de esa población, se le aplica la prueba y el
resultado es positivo, ¿cuál es la probabilidad de que en efecto padezca la
enfermedad?
Debemos calcular la probabilidad a posteriori de A, P(A|B):
P ( BA ) P ( A )
P ( BA )= P B P ( A ) + P B P ( A ) = 0.99× 0.001+0.02
0.99 × 0.001
×0.999
( A) (A ) C
C
= 0.0472
Por lo tanto, la probabilidad de que esté enfermo, habiendo sido positivo el

resultado de la prueba es aproximadamente 0.05.
Las probabilidades a posteriori dependen fuertemente de las probabilidades a
priori. Si se aplica la prueba a individuos de una población en la cual la
incidencia de la enfermedad es mucho mayor, también aumentará la
probabilidad a posteriori.
Independencia
Hay casos en los que P(A | B) ≠ P(A), mientras que en otros P(A | B) = P(A),
es decir que la ocurrencia del suceso B no altera la probabilidad de ocurrencia
de A.
Definición: Los eventos A y B son independientes si:

P(A∩ B) = P(A) P(B)
Si la igualdad no se cumple, decimos que A y B son dependientes.
Ejemplo
De una urna que contiene 4 bolillas negras y 6 blancas se extraen dos bolillas
sin reposición , ¿cuál es la probabilidad de que la segunda bolilla sea blanca,
sabiendo que la primera es negra?
Sean los eventos A: “la segunda bolilla es blanca” y B: ”la primera bolilla es
negra”,
6 2
P( A /B)= =
9 3

13
Por otra parte,
P(A) = P(A| B)P(B) + P(A| Bc )P(Bc ) =3/5
y, por lo tanto, P(A| B) ≠ P(A), es decir que la ocurrencia del suceso B
modifica la probabilidad del suceso A.
Observemos que la probabilidad de que la segunda bolilla sea blanca coincide
con la probabilidad de que la primera lo sea.
Diremos que los eventos A y B son independientes si la información acerca de

la ocurrencia o no de uno de ellos no afecta la probabilidad de ocurrencia del
otro,
Definición
Los eventos A y B son independientes si
P(A∩ B) = P(A) P(B)
Si la igualdad no se cumple, decimos que A y B son dependientes.
Proposición:
Supongamos P(B) > 0, A y B son independientes si y sólo si P(A|B)=P(A).
Propiedades:
1) Si los sucesos A y B son excluyentes, es decir si A ∩ B = ∅ y si

P(A)>0, P(B) > 0, entonces A y B no son independientes.
2) Si P(B) = 0, entonces B es independiente de cualquier suceso A tal

que P(A) > 0.
3) Si A⊆ B, P(A) > 0 y P(B) <1, A y B no son independientes.
4) Si A y B son sucesos independientes, A y BC también lo son.
Independencia de más de dos eventos:

La definición de independencia de dos eventos puede extenderse a más de
dos.
Definición: Los eventos A1 , A2,,..., An son independientes si para todo k =

2,..., n y para todo conjunto de índices {i1, i2,… ik } tales que 1<i1<i2 <…< ik <
n se verifica
P¿

14
Observación: Si los sucesos A1 , A2 ,..., An son independientes, entonces son
independientes de a pares, pero la recíproca no es cierta.
Ejercicios
1. En una sala de clases hay 20 mujeres y 12 hombres. Si se escoge uno

de ellos al azar. ¿Cuál es la probabilidad de que la persona escogida
sea hombre?
2. En una comida hay 28 hombres y 32 mujeres. Han comido carne 16

hombres y 20 mujeres, comiendo pescado el resto. Si se elige una de
las personas al azar. ¿Cuál es la probabilidad de que la persona
escogida sea hombre?
3. En un curso de 30 alumnos 18 son mujeres. ¿Cuál es la probabilidad

de que al escoger una persona está no sea mujer?
4. ¿Cuál es la probabilidad de ganar en una rifa de 1000 números en

total, si se compran los 3 centésimos de tal cantidad?
5. Al lanzar al aire tres veces una moneda, ¿Cuál es la probabilidad de

que en el primer lanzamiento se obtenga sello?
6. Se lanzó un dado no cargado dos veces, obteniéndose 4 en ambas

oportunidades. ¿Cuál es la probabilidad de que en un tercer
lanzamiento se obtenga nuevamente 4?
7. Una persona tira tres veces una moneda y las tres veces obtiene cara.
¿Cuál es la probabilidad de que la cuarta vez obtenga sello?
8. Se lanzan al aire consecutivamente dos monedas, ¿Cuál es la

probabilidad de que la segunda sea cara?
9. Se lanzan al aire uno tras otro tres dados de seis caras numeradas del 1
al 6. ¿Cuál es la probabilidad de que el número de tres cifras que se
forme, empiece con 4?
10. Si se lanzan 3 dados no cargados. ¿Cuál es la probabilidad de obtener

5 en los tres lanzamientos?
11. Se lanza 2 veces un dado común y se considera la suma de los puntos

obtenidos en ambos lanzamientos. La primera vez sale un número par.
¿Cuál es la probabilidad que la suma sea mayor que 7?

15
12. Si lanzamos dos dados honestos –no cargados, ¿cuál es la
probabilidad de que la diferencia de los puntos sea igual a cero?
13. Un animador de concurso lanza un par de dados y registra la suma de

sus caras en una pantalla. Si el concursante obtiene una suma mayor,
gana, de lo contrario, pierde. Si en cierta ocasión, el animador obtuvo
una suma de 5, ¿Cuál es la probabilidad de que el concursante pierda?
14. En una caja hay 6 bolitas: 3 rojas, 2 azules y 1 verde. ¿Cuál es la

probabilidad de que al sacar una de estas bolitas, ella no sea verde o
azul?
15. Si en una caja hay 5 lápices negros, 3 lápices verdes, y 4 amarillos,

entonces ¿cuál es la probabilidad de que al sacar un lápiz de la caja,
éste no sea negro ni verde?
16. ¿Cuál es la probabilidad de sacar un guante derecho y rojo de un total

de 5 pares de guantes rojos y 5 pares de guantes negros?
17. En la bolsa hay 50 bolitas, de las cuáles 12 son rojas, 5 son verdes, 3
son azules y el resto son blancas. Si se saca una bolita sin mirar, cuál
es la probabilidad de que ésta sea blanca?
18. Se elige al azar un número entre 30 y 45. ¿Cuál es la probabilidad de

que éste número sea múltiplo de 3?
19. Se elige al azar un número entre 30 y 45. ¿Cuál es la probabilidad de

que éste número sea múltiplo de 3?
20. Una urna contiene bolitas enumeradas del 1 al 25. Si se saca una
bolita al azar. ¿Cuál es la probabilidad de que la bolita extraída tenga
un número que sea múltiplo de 2?
21. Carla y Beatriz practican el siguiente juego: se saca al azar de una

bolsa que contiene 36 bolitas numeradas del 1 al 36. Gana Katty si el
número de las bolitas es divisible por 3 y gana Betty si el número es
divisible por 4. ¿Cuál tiene más posibilidades de ganar?
22. Si se elige al azar un número natural del 1 al 100, ¿cuál es la

probabilidad de que ese número sea múltiplo de 3 y 5 a la vez?
23. En una caja se tienen fichas de 1 al 50 numeradas. Si se saca una al

azar, ¿cuál es la probabilidad de que el número de la ficha extraída no
sea mayor que 20?

16
24. Una moneda se lanza tres veces, ¿cuál es la probabilidad de que las
tres veces salga cara?
25. En una urna hay 3 fichas amarillas y 6 azules, ¿cuál es la probabilidad

de que al sacar 2 fichas, con reposición, éstas sean amarillas?
26. Se lanza un dado dos veces. ¿Cuál es la probabilidad de que en el

primer lanzamiento resulte 3 y en el segundo lanzamiento un número
impar?
27. Una persona muy distraída ha extraviado el número telefónico de su

mejor amigo, pero logra averiguar las 5 cifras intermedias de un total
de 7. Sabiendo además que el primer dígito debe ser par, distinto de 0
y que la última cifra es impar mayor que 4, ¿cuál es la probabilidad de
acertar al número de teléfono de su amigo?
28. Un estudiante responde al azar 5 preguntas de verdadero y falso en

una prueba. ¿Cuál es la probabilidad de que acierte todas aquellas
preguntas?
29. Un test de selección múltiple consta de 30 preguntas. Cada pregunta

tiene 4 posibles respuestas siendo sólo una de ellas la correcta. Si un
alumno responde al azar cada pregunta, ¿cuál es la probabilidad de
que todas sus respuestas sean correctas?
30. Un alumno contesta las 70 preguntas de la P.S.U. de matemáticas al

azar. Si cada pregunta tiene 5 alternativas y sólo una de éstas es
correcta, entonces ¿Cuál es la probabilidad de que tenga el puntaje
máximo?
31. Un alumno en un examen debe contestar verdadero o falso a cada una

de seis preguntas. Si el alumno responde al azar, ¿cuál es la
probabilidad de que conteste correctamente las cinco últimas
preguntas, si acertó en la primera?
32. Un restaurante ofrece un almuerzo en que se pueden elegir 2 entradas,

3 platos de fondo y 5 postres. Si no me gustan 2 de los platos de fondo
y 3 de los postres. ¿Cuál es la probabilidad de que me toque un menú
de mi agrado si la elección es el azar?

17
33. El procesador, la placa madre y la memoria tienen un 5%, 10% y 20%
de probabilidades de fallar antes de un año respectivamente. ¿Cuál es
la probabilidad de comprar un computador que presentará fallas antes
de un año, en los tres componentes señalados?
34. En una empresa trabajan hombres y mujeres, además se sabe que un

15% de los empleados se han perfeccionado en el extranjero. Si el
35% de las personas son mujeres, ¿cuál es la probabilidad de que al
escoger una persona de la empresa, esta sea mujer y se haya
perfeccionado en el extranjero?
35. Se calcula que la probabilidad de que un futbolista convierta un penal

es de 0,89. ¿Cuál es la probabilidad de que no convierta el penal?

18
Variables aleatorias
Dado un experimento aleatorio y asociado al mismo, un espacio muestral, una

variable aleatoria es una aplicación X : E → R, a cada valor de X, del espacio
muestral le hace corresponder un número real. Se dice que X es una variable
aleatoria si para cualquier x perteneciente a R, el conjunto de los sucesos
elementales le hace corresponder un valor que verifica:
∀ X ∈ R X ( S) ≤ X
Ejemplo:
Consideramos un experimento aleatorio de lanzar una moneda al aire tres
veces y anotamos el resultado. Se define la variable aleatoria X como número
de caras aparecidas en los tres lanzamientos.
a) Calcular el espacio muestral y comprobar que es una variable aleatoria.
b) Calcular los subespacios: { x ≤ 2,75 } {0,5 ≤ X ≤1,75 }
TIPOS DE VARIABLES ALEATORIAS

Las variables aleatorias se clasifican en discretas y continuas:
 DISCRETA: La variable aleatoria X se dice que es discreta si los

números asignados a los sucesos elementales de E son puntos
aislados. Sus posibles valores constituyen un conjunto finito o infinito
numerable. Por ejemplo, supongamos el experimento consistente en
lanzar tres veces una moneda no trucada; si consideramos la variable
aleatoria X=”número de caras obtenidas en los tres lanzamientos”, los
valores que puede tomar esta variable aleatoria son finitos (0,1,2,3).

19
 CONTINUA: La variable aleatoria X será continua si los valores
asignados pueden ser cualesquiera, dentro de ciertos intervalos, es
decir, puede tomar cualquier valor de R. Por ejemplo, si consideramos
el experimento aleatoria consistente en medir el nivel de agua en un
embalse y tomamos la variable aleatoria X=”nivel de agua”, esta
puede tomar valores entre 0 y más infinito.
DISTRIBUCIÓN DE PROBABILIDAD
Es un modelo teórico que describe la forma en que varían los resultados de un
experimento aleatorio, es decir, nos da todas las probabilidades de todos los
posibles resultados que podrían obtenerse cuando se realiza un experimento
aleatorio. Se clasifican como discretas o continuas. En la distribución de
probabilidad discreta está permitido tomar sólo un número limitado de valores.
En la continua, llamada función de densidad, la variable que se está considerando
puede tomar cualquier valor dentro de un intervalo dado.
En las distribuciones estadísticas discretas obtenemos los resultados

(frecuencias absolutas fi y relativas hi) de forma experimental o empírica.
Son los resultados obtenidos.
Sis suponemos que realizamos el experimento muchas veces (infinitas)

obtenemos la distribución de probabilidad. La distribución de probabilidad de
una variable aleatoria es teórica. Son los resultados esperados.
Es una idealización de la correspondiente distribución de frecuencias.

También se llama función de probabilidad o ley de probabilidad.
Distribución de probabilidad discreta

Sea un espacio probabilístico y sea X una variable aleatoria discreta que toma
como posibles valores x ,x ,.....x , se define la distribución de probabilidad
1 2 n
de X como el conjunto de pares (x , p ) que a cada valor de la variable le
i i
asocia una probabilidad, donde p = P(X=x ), tal que la suma de todas las
i i
probabilidades es igual a la unidad.
Del ejemplo realizado anteriormente se desprende que la distribución de
probabilidad viene dada por:
(0,1/8); (1,3/8); (2,3/8); (3,1/8).

20
Una variable aleatoria es discreta cuando sólo puede tomar unos ciertos
valores enteros.
Ejemplos de variable aleatoria
• Número de caras obtenidas al lanzar tres monedas: 0, 1, 2, 3.

• Suma de las caras superiores obtenidas al lanzar dos dados: 2, 3, 4, 5, 6, 7,
8, 9, 10, 11, 12.
Distribución de probabilidad continua

Si la variable aleatoria es continua, hay infinitos valores posibles de la
variable y entra cada dos de ellos se podrían definir infinitos valores. En estas
condiciones no es posible deducir la probabilidad de un valor puntual de la
variable como se puede hacer en el caso de las variables discretas. Pero sí es
posible calcular la probabilidad acumulada hasta un cierto valor (función de
distribución) y cómo cambia esa probabilidad acumulada en cada punto
(densidad de probabilidad). Por tanto, cuando la variable aleatoria sea
continua hablaremos de función de densidad.
Sea X una variable aleatoria continua, se llama función de densidad y se
representa como f(x) a una función no negativa definida sobre la recta real, tal
que para cualquier intervalo que estudiemos se verifica:
P ( X ∈ A ) =∫ f ( x ) dx

21
Ejemplo de variable aleatoria
Lanzamos un dado perfecto 240 veces, anotamos el resultado obtenido en

la cara superior obteniendo los siguientes resultados:
Distribución aleatoria discreta

Cara superior 1 2 3 4 5 6
Número de veces 40 39 42 38 42 39
1. Construir la tabla de distribución de frecuencias relativas de los

resultados obtenidos.
2. Construir la tabla de distribución de probabilidad de los resultados
esperados.
1. Tabla de distribución de frecuencias
La tabla de distribución de frecuencias muestra los resultados obtenidos

22
2. Tabla de distribución de probabilidad
La tabla de distribución de probabilidad muestra los resultados esperados

23

Probabilidades

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Probabilidades

Caricato da

Copyright:

Formati disponibili

Probabilidades

Los resultados del experimento Los resultados de un

Experimento Aleatorio (ε)

Lic. Alberto F. Napán Vera

ε3: Extraer un artículo de un lote de artículos que pueden ser defectuosos o

Espacio Muestral (Ω)

Al lanzar una moneda, el espacio muestral es Ω 1 = {sale cara, sale sello} ó Ω 1

Al lanzar un dado de seis caras, el espacio muestral es

Ω4 = {0, 1, 2,. . . 50}

Al lanzar dos monedas, el espacio muestral es

Al lanzar tres monedas, el espacio muestral es Ω = {(c,c,c), (c,c,s), (c,s,c),

Lic. Alberto F. Napán Vera

Obs: Un número discreto es por lo general un entero numerable, uno contínuo

Es el resultado de un experimento aleatorio; es c/u de los elementos del

Se llama evento a todo subconjunto de un espacio muestral. Por ejemplo en el

1. Obtener un número primo A = {2, 3, 5}

Eventos mutuamente excluyentes

Dos eventos son mutuamente excluyentes si no pueden ocurrir en forma

Si A ∩ B=∅ y A U B = E, se dice que A y B son eventos complementarios:

Lic. Alberto F. Napán Vera

La probabilidad de un suceso es un número, comprendido entre 0 y 1, que

El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al

El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire

La teoría de probabilidades se ocupa de asignar un cierto número a cada

Lic. Alberto F. Napán Vera

Se basa en las frecuencias relativas. La probabilidad de que un evento ocurra

Numero de veces que ocurrió un eventoen el pasado

De 300 ingresantes a la facultad, se observó que en el segundo ciclo solo 130

Si existe poca o ninguna experiencia en la cual basar una probabilidad, puede

Se deduce de la definición lo siguiente:

Lic. Alberto F. Napán Vera

Si el experimento se repite un número grande de veces, el valor de FR se

2. El suceso A = {extraer tres bolas del mismo color}.

A = {(b,b,b); (n, n,n)}

3. El suceso B = {extraer al menos una bola blanca}.

B= {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b)}

4. El suceso C = {extraer una sola bola negra}.

C = {(b,b,n); (b,n,b); (n,b,b)}

(o lo que es lo mismo, 16,6%)

Lic. Alberto F. Napán Vera

(o lo que es lo mismo, 50%)

(o lo que es lo mismo, 66,6%)

(o lo que es lo mismo, 0,001%)

(o, lo que es lo mismo, 50 %)

Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir

Lic. Alberto F. Napán Vera

(o, lo que es lo mismo, 33,3 %)

(o, lo que es lo mismo, 66,7 %)

Lic. Alberto F. Napán Vera

Sean los sucesos A: “la bolilla es rayada” y B: “la bolilla es roja”.

En general, dado un experimento y su espacio muestral asociado, queremos

Portador (A) No portador (Ac)

Pertenece a R (B) 0.003 0.017 0.020

Lic. Alberto F. Napán Vera

es decir que sólo 3 de cada 1000 individuos no pertenecientes al grupo de

Propiedades de la Probabilidad condicional:

A1. P(A|B) ≥ 0 para todo suceso A.

Regla del producto

P(A ∩ B) = P(A|B) P(B)

Sean C: “la primera bolilla es roja” y D: “la segunda bolilla es blanca”.

P ( C ∩ D )=P ( C ) P ( DE )= 45 58 = 2072 = 185

Lic. Alberto F. Napán Vera

Si ahora observamos que el suceso D puede escribirse como