La probabilidad es una medicin numrica que va de 0 a 1 de la posibilidad de que un

evento ocurra. Si da cerca de 0 es improbable que ocurra el evento y si da cerca de

uno es casi seguro que ocurra.
P (a): n de resultados en que ocurra a
N de resultados posibles
Tipos de sucesos

Exhaustivo: se dice que dos o ms sucesos son exhaustivos si se consideran

todos los posibles resultados.

Simblicamente: p (A o B o...) = 1

No exhaustivos: se dice que dos o ms sucesos son exhaustivos si no cubren

todos los posibles resultados.

Mutuamente excluyentes: sucesos que no pueden ocurrir en forma simultnea:

P(A y B) = 0 y p(A o B) = p(A) + p (B)

Ejemplo: hombres, mujeres

No mutuamente excluyentes: sucesos que pueden ocurrir en forma simultnea:

P (A o B) = p (A) + p (B) ? p (A y B)
Ejemplo: hombres, ojos cafs

Independientes: Sucesos cuya probabilidad no se ve afectada por la ocurrencia

o no ocurrencia del otro :

P ( AI B ) = P ( A ); P ( BIA ) = P (B) Y P (A Y B) = P(A) P(B)

Ejemplo: sexo y color de ojos

Dependientes: sucesos cuya probabilidad cambia dependiendo de la ocurrencia

o no ocurrencia del otro:

P ( AI B ) difiere de p (A); P ( BIA ) difiere de P(B);

Y P (A Y B)= P ( A ) P ( BIA )= P (B) P ( AI B )
Ejemplo: raza y color de ojos

Distribucin maestral
El diagrama de rbol es muy til para visualizar las probabilidades condicional y
conjunta y en particular para el anlisis de decisiones administrativas que involucran
varias etapas.
EJEMPLO: una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2 fichas,
una despus de la otra sin reemplazo. Construya el diagrama de rbol con esta
informacin.

Distribuciones de probabilidad:
Variables aleatorias: es la descripcin numrica del resultado de un experimento.
Puede ser:
1.
2. Variable aleatoria discreta: puede tomar una secuencia de valores finita o
infinita.
3. Variable aleatoria continua: puede tomar cualquier valor en un intervalo o en
una coleccin de intervalos. Ejemplo, peso, tiempo, temperatura.
1. Variables aleatorias discretas:
Indicadores:

Valor esperado , esperanza matemtica o media: es un promedio

ponderado de los valores posibles de la variable aleatoria. Para esto debemos
multiplicar cada uno de los valores de la variable aleatoria por su probabilidad y
luego sumar los resultados.

E (x) : : xf (x)

Varianza: nos da una medida de la dispersin o de la variabilidad de la variable

aleatoria con respecto al media. Se trata de un promedio ponderado de las
desviaciones cuadrticas de la media

2 : ( x - ) 2 f (x)

Desvi estndar: es la raz cuadrada de la varianza

2
Cuando mayor es la desviacin estndar mayor es la dispersin de datos alrededor de
la media.
Ejemplo integrador

Numero de llamadas (x)

Distribucin binomial: se utiliza para calcular la probabilidad de x xitos en n

intentos.
Caractersticas:

ensayos idnticos. (N ensayos de bernoulli idnticos)

En cada ensayo hay dos resultados. Acierto o fracaso.

Las probabilidades de los dos resultados no se modifican de un ensayo a otro. Y

es constante de prueba a prueba

Los ensayos son independientes, es decir que el resultado de un ensayo no

afecta el resultado del siguiente.

En un lenguaje ms formal, el smbolo p representa la probabilidad de un xito y el

smbolo q ( 1- p ) representa la probabilidad de un fracaso. Para representar cierto
nmero de xitos, utilizaremos el smbolo r y para simbolizar el nmero total de
ensayos emplearemos el smbolo n.

n: numero de intentos
p: probabilidad de acierto
X: numero de aciertos en n intentos f x: probabilidad de x aciertos en n intentos.
Varianza:
2 : n * p (1 ? p)
Distribucin hipergeomtrica:
la probabilidad de aciertos difiere de acuerdo a las sacadas de una bolsa. ( dif con la
distribucin anterior)
Distribucin de Poisson: se utiliza para calcular la p de x ocurrencias en un intervalo
especfico de tiempo, espacio o volumen.

La p de ocurrencia de un evento es la misma para cualquiera de 2 intervalos de

igual valor.

La ocurrencia
independiente.

no

ocurrencia

del

evento

en

cualquier

intervalo

es

Funcin de probabilidad de Poisson:

: es el nmero de ocurrencias en un intervalo o valor esperado.

E: 2.71828
X: n de ocurrencias dentro de un intervalo
Fx: probabilidad de x ocurrencia.
Variables aleatorias continuas.
Distribucin normal: tiene forma de campana y esta determinada por la media y la
desviacin estndar.
La distribucin normal estndar tiene una media igual a cero y un desvi estndar
igual a uno
Caractersticas de la distribucin normal de la probabilidad.
1. La curva tiene un solo pico, por consiguiente es un modal. Presenta una forma de
campana.
2. La media de una poblacin distribuida normalmente se encuentra en el centro de su
curva normal.
3. A causa de la simetra de la distribucin normal de probabilidad, la mediana y la
moda de la distribucin tambin se hallan en el centro, por tanto en una curva normal,
la media, la mediana y la moda poseen el mismo valor.
4. Las dos colas (extremos) de una distribucin normal de probabilidad se extienden
de manera indefinida y nunca tocan el eje horizontal.
reas bajo la curva normal.
El rea total bajo la curva normal ser de 1.00 por lo cual podemos considerar que las
reas bajo la curva son probabilidades.
El valor de Z.
Z= Nmero de desviaciones estndar de x respecto a la media de esta distribucin.
Z: x -

X=valor de la variable aleatoria que nos interesa.

= media de la distribucin de esta variable aleatoria.
= desviacin estndar de esta distribucin.
Las variables aleatorias distribuidas en forma normal asumen muchas unidades
diferentes de medicin, por lo que hablaremos de forma estndar y les daremos el
smbolo de Z.
Distribucin exponencial: es til para describir el tiempo para determinar una tarea
o el tiempo entre ocurrencias de un evento.
F(x): 1 e ?x/
Anlisis de decisiones: tiene como objeto identificar la mejor alternativa de decisin
frente a determinados eventos futuros inciertos y riesgosos.
Matriz de resultados o de consecuencias.
En la toma de decisiones sin probabilidades existen diferentes enfoques:
Enfoque optimista: que consiste en elegir la opcin que aporta la utilidad ms
grande. enfoque mximas.
Enfoque conservador: LA Alternativa QUE elige es lo mejor entre lo peor que puede
pasar.
Enfoque pesimista. MINIMAX
arrepentimiento mximo.

se

escoge

la

alternativa

que

minimice

el

Criterio de savage: trabaja con la prdida de oportunidad o arrepentimiento debido a

no tomar la mejor decisin para cada estado de la naturaleza.
Tambin se puede tomar decisiones con probabilidades.
El valor esperado de una alternativa de decisin es la suma de los pagos ponderados
correspondientes a la alternativa de decisin. La alternativa de decisin recomendada
es aquella que proporcione el mejor valor esperado.
Valor esperado de la informacin perfecta (VEIP): es la informacin perfecta que
se le da al que toma decisin sobre lo que va a ocurrir.
pronsticos
Mtodos:

Cualitativos: utilizan el juicio de experto en los pronsticos. Las tcnicas

cualitativas se usan cuando los datos son escasos. Estas tcnicas usan el
criterio de la persona y ciertas relaciones para transformar informacin
cualitativa en estimados cuantitativos. Son tiles cuando no se espera que el
patrn histrico de la serie de tiempo continu hacia el futuro.

Cuantitativos: hay informacin de la variable que se esta estudiando, se puede

cuantificar, se presupone que se respetara los comportamientos pasados de las
variables.

El procedimiento de pronstico se conoce como mtodo de serie de tiempo. Con ellos

se busca en los datos histricos un patrn y luego extrapolarlo hacia el futuro.
Mtodos de series de tiempo:
Suavizacin (promedios mviles, promedios ponderados mviles y suavizacin
exponencial), proyeccin de tendencias y proyeccin de tendencias ajustada por
influencia estacional.
Componentes de una serie de tiempo:

Componente de Tendencia:

Componente cclico: son las observaciones por encima o por debajo de la lnea
de tendencia.

Componente estacional: son los cambios de acuerdo a las estaciones del

tiempo. Si no tomamos en cuenta este componente se dice que existe una
desestacionalizacion de la serie de tiempo.

Componente irregular: factores no previstos en la lnea de tiempo.

Mtodo de suavizacin: son apropiados para serie de tiempos estables. Que no

exhiban una tendencia significativa. Ni efectos estacinales

Promedios mviles: de los datos / sobre la cantidad de datos

Promedios mviles ponderados: se pondera mas a los datos recientes que a los
antiguos. La suma de las ponderaciones debe ser igual a 1.

Suavizacin exponencial:

Siempre es conveniente hacer un ajuste estacional al pronstico que realizamos.

Anlisis de regresin: se utiliza una ecuacin matemtica para mostrar como se
relacionan las variables. Se utiliza cuando no hay datos de una serie de tiempo.
Teora de probabilidades
La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible
resultado que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar
dichos resultados y saber si un suceso es ms probable que otro. Con este fin,
introduciremos algunas definiciones:
Suceso
Es cada uno de los resultados posibles de una experiencia aleatoria.
Ejemplos:
Al lanzar una moneda salga cara.
Al lanzar un dado se obtenga 4.
Espacio muestral
Es el conjunto de todos los posibles resultados de una experiencia aleatoria, lo
representaremos por E (o bien por la letra griega ).
Ejemplos:
Espacio muestral de una moneda:
E = {C, X}.
Espacio muestral de un dado:
E = {1, 2, 3, 4, 5, 6}.
Suceso aleatorio
Suceso aleatorio es cualquier subconjunto del espacio muestral.

Ejemplos:
Tirar un dado un suceso sera que saliera par, otro, obtener mltiplo de 3, y otro, sacar
5.
Un ejemplo completo
Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres bolas.
Calcular:
1. El espacio muestral.
E = {(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)}

Propiedades de la probabilidad
Axiomas de la probabilidad
1.La probabilidad es positiva y menor o igual que 1.
0 p(A) 1
2. La probabilidad del suceso seguro es 1.
p(E) = 1
3.Si A y B son incompatibles, es decir A
p(A

B=

entonces:

B) = p(A) + p(B)

Propiedades de la probabilidad
1. La suma de las probabilidades de un suceso y su contrario vale 1, por tanto la
probabilidad del suceso contrario es:

2. Probabilidad del suceso imposible es cero.

3. La probabilidad de la unin de dos sucesos es la suma de sus probabilidades

restndole la probabilidad de su interseccin.

4. Si un suceso est incluido en otro, su probabilidad es menor o igual a la de ste.

5. Si A1, A2, ..., Ak son incompatibles dos a dos entonces:

6 Si el espacio muestral E es finito y un suceso es S = {x1, x2, ..., xn} entonces:

Ejemplo:
La probabilidad de sacar par, al tirar un dado, es:
P(par) = P(2) + P(4) + P(6)

PROBABILIDAD A PRIORI
Probabilidad de la que se parte antes de efectuar un experimento que pueda arrojar
nueva informacin sobre dicha probabilidad, para obtener luego la probabilidad
revisada o a posteriori. La distincin entre probabilidad a priori y probabilidad a
posteriori es relativa. Una probabilidad a posteriori vuelve a ser a priori con relacin
al experimento siguiente. Tampoco se puede identificar la probabilidad a priori con la
probabilidad subjetiva y la probabilidad a posteriori con la experimental u objetiva.
Una probabilidad a priori puede ser especificada a partir de una informacin de
naturaleza subjetiva, objetiva o de una mezcla de ambas.
DEFINICIN CLSICA DE LAPLACE O "A PRIORI"

Esta definicin es de uso limitado puesto que descansa sobre la base de las siguientes
dos condiciones:
1. El espacio muestra de todos los resultados posibles S es finito.
2. Los resultados del espacio muestra deben ser igualmente probables.
Bajo estas condiciones y si A es el evento formado por n(A) resultados del espacio
muestra y, el nmero total de resultados posibles es n(S), entonces

Ejemplo 24: Si se extrae una carta de un paquete de 52 cartas de las cuales 26 son
negras (13 espadas A, 2, 3, , 10, J, Q, K; 13 son trboles); y 26 son rojas (13
corazones y 13 diamantes), la probabilidad de que la carta sea un as es
porque el evento de "extraer un as" consta de 4 de los 52 resultados igualmente
probables. La probabilidad de que la carta sea negra es
que sea un diamante es

y la probabilidad de

Ejemplo 25: Al lanzar un dado, cul es la probabilidad de obtener un nmero par?

Solucin: S ={1, 2, 3, 4, 5, 6}, y hay tres pares, luego,

Ejemplo 26: Cul es la probabilidad de que una familia que tiene tres hijos, hayan
dos nias y un nio, si se considera igualmente probable el nacimiento de un nio o
nia?
Solucin: Usando "a" para nia y "o" para nio, el espacio muestra es:
S = {aaa, aao, aoa, aoo, oaa, oao, ooa, ooo} n(S) = 8
El evento A en que hayan dos nias y un nio es
A = {aao, aoa, oaa, } n(A) = 3

Obsrvese que siempre 0 < P(A) < 1, puesto que 0 < n(A) < n(S).

DEFINICIN EMPRICA "A POSTERIORI" 0 FRECUENCIAL

La definicin clsica se ve limitada a situaciones en las que hay un nmero finito de
resultados igualmente probables. Por desgracia, hay situaciones prcticas que no son
de este tipo y la definicin de Laplace no se puede aplicar. Por ejemplo, si se pregunta
por la probabilidad de que un paciente se cure mediante cierto tratamiento mdico, o
la probabilidad de que una determinada mquina produzca artculos defectuosos,
entonces no hay forma de introducir resultados igualmente probables. Por ello se
necesita un concepto ms general de probabilidad. Una forma de dar respuesta a estas
preguntas es obtener algunos datos empricos en un intento por estimar las
probabilidades.
Supongamos que efectuamos un experimento n veces y que en esta serie de n ensayos
el evento A ocurre exactamente r veces, entonces la frecuencia relativa del evento es
,o sea,
Si continuamos calculando esta frecuencia relativa cada cierto nmero de ensayos, a
medida que aumentamos n, las frecuencias relativas correspondientes sern ms
estables; es decir; tienden a ser casi las mismas; en este caso decimos que el
experimento muestra regularidad estadstica o estabilidad de las frecuencias relativas.
Esto se ilustra en la siguiente tabla, de una moneda lanzada al aire 1000 veces.

#
de # de
lanzamientos
caras

Frecuenci
a relativa

Frecuencia Frecuencia
acumulad
acumulada
a
relativa

1 - 100

52

0.52

52

0.520

100 - 200

53

0.53

105

0.525

200 - 300

52

0.52

157

0.523

300 - 400

47

0.47

204

0.510

400 - 500

51

0.51

255

0.510

500 - 600

53

0.53

308

0.513

600 - 700

48

0.48

356

0.509

700 - 800

46

0.46

402

0.503

800 - 900

52

0.52

454

0.504

900 -1000

54

0.54

508

0.508

Total: 1000

508

0.508

En un total de 1000 lanzamientos ocurrieron 508 caras, es decir la frecuencia relativa

es aproximadamente 0.50.
Tres investigadores realizaron experimentos y obtuvieron los siguientes resultados

Investigador

Nmero
de
lanzamiento
s

Nmero
de caras

Frecuencia
relativa

Buffon

4040

2048

0.5069

K. Pearson

12000

6019

0.5016

K. Pearson

24000

12012

0.5005

La mayora de experimentos aleatorios de importancia prctica tienen estabilidad, por

esto podemos sospechar que prcticamente ser cierto que la frecuencia relativa de un
evento E en un gran nmero de ensayos es aproximadamente igual a un determinado
nmero P(E), o sea, la probabilidad del evento E es

Obsrvese que este nmero es una propiedad que no depende solamente de E, sino
que se refiere a un cierto espacio muestra S y a un experimento aleatorio. Entonces,
decir que el evento E tiene probabilidad P(E) significa que si efectuamos el
experimento muchas veces, es prcticamente cierto que la frecuencia relativa de E,
fr(E) es aproximadamente igual a P(E).
Cuando se usa la definicin frecuencial, es importante tomar en cuenta los siguientes
aspectos:
i.

La probabilidad obtenida de esta manera es nicamente una estimacin del

valor real.

ii.

Cuanto mayor sea el nmero de ensayos, tanto mejor ser la estimacin de la

probabilidad; es decir, a mayor nmero de ensayos mejor ser la estimacin.

iii.

La probabilidad es propia de slo un conjunto de condiciones idnticas a

aqullas en las que se obtuvieron los datos, o sea, la validez de emplear esta
definicin depende de que las condiciones en que se realiz el experimento sean
repetidas idnticamente.

Tipos
Probabilidad clsica, emprica y subjetiva.
Concepto clsico de Probabilidad
Una de las caractersticas de un experimento aleatorio es que no se sabe qu resultado
particular se obtendr al realizarlo. Es decir, si A es un suceso asociado con un

experimento aleatorio, no podemos indicar con certeza si A ocurrir o no en una

prueba en particular. Por lo tanto, puede ser importante tratar de asociar un nmero al
suceso A que mida la probabilidad de que el suceso ocurra. Este nmero es el que
llamaremos P(A).
Probabilidad Clsica o a Priori
Si un suceso puede ocurrir de N maneras mutuamente excluyentes e igualmente
probables, y m de ellas poseen una caracterstica A

Ejemplo 1: P(de que salgan dos caras al tirar 2 monedas)

P(de que salga una cara al tirar 2 monedas )

Ejemplo 2: P(de que salga un varn al tomar 2 bebs y observar su sexo)

Probabilidad emprica o frecuencial

Una teora de mayor aplicacin y muy sostenida es la basada en la frecuencia
relativa. Puede atribuirse a este punto de vista el adelanto registrado en la aplicacin
de la probabilidad en la Fsica, la Astronoma, la Biologa, las Ciencias Sociales y los
negocios.
Esta teora est estrechamente relacionada con el punto de vista expresado por
Aristteles: lo probable es aquello que ocurre diariamente.
Notamos a travs de gran cantidad de observaciones acumuladas con los diversos
juegos de azar una forma general de regularidad que permiti establecer una teora.
Supongamos que efectuamos una serie de n repeticiones del experimento E,
intentando mantener constantes las condiciones pertinentes. Sea f el nmero de
repeticiones en las que se presenta el suceso A, de forma que en las restantes n f no
se presentar. Obtendremos as una serie de frecuencias relativas para n1, n2 .

Estas frecuencias relativas diferirn poco entre s cuando las n i sean grandes y
tendern a acumularse en la proximidad de un valor fijo.
Debemos sealar que la estabilidad, a la larga, de las frecuencias relativas se aplica a
una amplia clase de experimentos aleatorios, de los que el juego de azar constituye un
caso en particular, casi insignificante.
Para establecer una descripcin matemtica sencilla de la conducta de las frecuencias
relativas para grandes valores de n, vamos a postular la existencia de un nro. p que es
el nro. al cul tiende fr, es decir, la frecuencia relativa del suceso en estudio.
Este nmero se llamar probabilidad del suceso A en relacin con el experimento
aleatorio E.
La frecuencia relativa fr se considerar entonces como una medida experimental de la
probabilidad y diremos:

De acuerdo con el concepto emprico de la estabilidad de las razones frecuenciales

cabe esperar que, para grandes valores de n, la razn frecuencial

observada sea

aproximadamente igual a p que se llamar probabilidad del suceso en estudio.

Estaremos entonces estimando el valor de una probabilidad desconocida por medio
de un estudio de la conducta de las frecuencias relativas del hecho o suceso
correspondiente.
La aplicacin de esta definicin est relacionada con un experimento aleatorio que
puede ser repetido varias veces en condiciones uniformes. Naturalmente, la repeticin
real ser en ocasiones difcil o incluso imposible de realizar, por ejemplo, debido a los
costos prohibitivos de experimentacin, pero bastar con que sea concebible una
repeticin en condiciones uniformes.
Pensaste cuando tirs muchas, muchas veces una moneda cal es la
probabilidad de que salga cara?
Aplicaste esta definicin? Por qu?. Discutilo en grupos y analiz la
explicacin con tu profesora.
Probabilidad subjetiva
Se refiere a la probabilidad de ocurrencia de un suceso basado en la experiencia
previa, la opinin personal o la intuicin del individuo. En este caso despus de
estudiar la informacin disponible, se asigna un valor de probabilidad a los sucesos
basado en el grado de creencia de que el suceso pueda ocurrir.
Cul es la probabilidad de que haya vida en Marte?
Analiza esta probabilidad!
Estos ejemplos a qu definicin de probabilidad corresponden?

Ejemplo 1

E: Tirar un dado
A = que salga el n 3
S = {1, 2, 3, 4, 5, 6}
P(A) = 1/6

Ejemplo 2
E: Retirar una carta de un mazo
A= que salga oro
P(A) = 10/40

Sumatoria
La sumatoria o sumatorio se emplea para representar la suma de muchos o infinitos
sumandos.

La expresin se lee: "sumatoria de Xi, donde i toma los valores de 1 a n".

La operacin sumatoria se expresa con la letra griegra sigma mayscula .
i es el valor inical llamado lmite inferior.
n es el valor final llamado limite superior.
Si la sumatoria abarca la totalidad de los valores, su expresin se puede simplificar:

Es frecuente el uso del operador sumatoria en Estadstica.

La suma de las frecuencias absolutas se puede expresar como:
1.

2.
Y la media como:

1.

2.
Ejemplo

En un test realizado a un grupo de 42 personas se han obtenido las puntuaciones que

muestra la tabla. Calcula la media.
xi

fi

xi fi

[10, 20)

15

15

[20, 30)

25

200

[30,40)

35

10

350

[40, 50)

45

405

[50, 60

55

440

[60,70)

65

260

[70, 80)

75

150

xi = 42

xi fi = 1 820

Propiedades de las sumatorias

La suma del producto de una constante por una variable, es igual a k veces la sumatoria de
la variable.

La sumatoria hasta N de una constante, es igual a N veces la constante.

La sumatoria de una suma es igual a la suma de las sumatorias de cada trmino.

La sumatoria de un producto no es igual al producto de las sumatorias de cada trmino.

La sumatoria de los cuadrados de los valores de una variable no es igual a la sumatoria de

la variable elevado al cuadrado.

propiedades de la multiplicacin, que son las siguientes:

Propiedad conmutativa: El orden de los factores no vara el producto.

Vamos a ver un ejemplo de la propiedad conmutativa.

El resultado de multiplicar 10 x 3 ser igual que al multiplicar 3 x 10. Aunque cambiemos

el orden de los factores el resultado seguir siendo 30.

Propiedad asociativa: El modo de agrupar los factores no vara el resultado de la

multiplicacin.

Pongamos un ejemplo de la propiedad asociativa de la multiplicacin.

En este caso, como mostramos en la imagen, nos dar el mismo resultado si multiplicamos
3 x 2 y despus lo multiplicamos por 5, que si multiplicamos 2 x 5 y despus lo
multiplicamos por 3.
Practica esta propiedad con los ejercicios online de la propiedad asociativa haciendo clic en
el enlace.

Elemento neutro: El 1 es el elemento neutro de la multiplicacin porque todo

nmero multiplicado por l da el mismo nmero.

En el ejemplo que os mostramos en la imagen, vemos que si multiplicamos 5 o 7 por la

unidad, nos da como resultado 5 o 7. Por lo tanto cualquier nmero que multipliquemos por
1, nos dar como resultado el mismo nmero.
Accede a los ejercicios online haciendo clic en el enlace para practicar el elemento neutro.

Propiedad distributiva: La multiplicacin de un nmero por una suma es igual a la

suma de las multiplicaciones de dicho nmero por cada uno de los sumandos.

Pongamos un ejemplo: 2 x (3 + 5)

Segn la propiedad distributiva 2 x (3 + 5) ser igual a 2 x 3 + 2 x 5

Comprobemos si esto es cierto.
2 x (3 + 5) = 2 x 8 = 16

2 x 3 + 2 x 5 = 6 + 10 = 16
Ambas nos dan como resultado 16, por lo que queda demostrada la propiedad distributiva
de la multiplicacin.
Puedes acceder a travs del enlace a los ejercicios online para practicar la propiedad
distributiva.

Sacar factor comn: Es el proceso inverso a la propiedad distributiva. Si varios

sumandos tienen un factor comn, podemos transformar la suma en producto
extrayendo dicho factor.

Pongamos un ejemplo de sacar factor comn. Si tenemos la operacin (2 x 7) + (3 x 7), que

tiene como factor comn el 7, podramos transformar esta operacin en 7 x (2 + 3)

Comprobemos que da el mismo resultado:

(2 x 7) + (3 x 7) = 14 + 21 = 35
7 x (2 + 3) = 7 x 5 = 35
Por lo tanto queda demostrada esta propiedad de la multiplicacin.

Sucesos
Un suceso es cada uno de los resultados posibles de una experiencia aleatoria.
Al lanzar una moneda salga cara.
Al lanzar un dado se obtenga 4.

Suceso elemental

Suceso elemental es cada uno de los elementos que forman parte del espacio muestral.
Por ejemplo al tirar un dado un suceso elemental es sacar 5.
Suceso compuesto

Suceso compuesto es cualquier subconjunto del espacio muestral.

Por ejemplo al tirar un dado un suceso sera que saliera par, otro, obtener mltiplo de 3.
Suceso seguro

Suceso seguro, E, est formado por todos los posibles resultados (es decir, por el espacio
muestral).
Por ejemplo al tirar un dado un dado obtener una puntuacin que sea menor que 7.
Suceso imposible

Suceso imposible,

, es el que no tiene ningn elemento.

Por ejemplo al tirar un dado obtener una puntuacin igual a 7.

Sucesos compatibles

Dos sucesos, A y B, son compatibles cuando tienen algn suceso elemental comn.
Si A es sacar puntuacin par al tirar un dado y B es obtener mltiplo de 3, A y B son
compatibles porque el 6 es un suceso elemental comn.
Sucesos incompatibles

Dos sucesos, A y B, son incompatibles cuando no tienen ningn elemento en comn.

Si A es sacar puntuacin par al tirar un dado y B es obtener mltiplo de 5, A y B son
incompatibles.
Sucesos independientes

Dos sucesos, A y B, son independientes cuando la probabilidad de que suceda A no se ve

afectada porque haya sucedido o no B.
Al lazar dos dados los resultados son independientes.
Sucesos dependientes

Dos sucesos, A y B, son dependientes cuando la probabilidad de que suceda A se ve

afectada porque haya sucedido o no B.
Extraer dos cartas de una baraja, sin reposicin, son sucesos dependientes.
Suceso contrario

El suceso contrario a A es otro suceso que se realiza cuando no se realiza A., Se denota por
.
Son sucesos contrarios sacar par e impar al lanzar un dado.

Espacio de sucesos
Espacio de sucesos, S, es el conjunto de todos los sucesos aleatorios.
Si tiramos una moneda el espacio se sucesos est formado por:
S= {

, {C}, {X}, {C,X}}.

Observamos que el primer elemento es el suceso imposible y el ltimo el suceso seguro.

Si E tiene un nmero finito de elementos, n, de elementos el nmero de sucesos de E es 2n .
Una moneda E= {C, X}.
Nmero de sucesos = 22 =4
Dos monedas E= {(C,C); (C,X); (X,C); (X,X)}.
Nmero de sucesos = 24 =16
Un dado E = {1, 2, 3, 4, 5, 6}.
Nmero de sucesos = 26 = 64

Unin de sucesos
La unin de sucesos, A
Es decir, el suceso A
A

B, es el suceso formado por todos los elementos de A y de B.

B se verifica cuando ocurre uno de los dos, A o B, o ambos.

B se lee como "A o B".

Ejemplo

Consideramos el experimento que consiste en lanzar un dado, si A = "sacar par" y B =

"sacar mltiplo de 3". Calcular A
A = {2, 4, 6}

B.

B = {3, 6}
A

B = {2, 3, 4, 6}

Propiedades de la unin de sucesos

Conmutativa

Asociativa

Idempotente

Simplificacin

Distributiva

Elemento neutro

Absorcin

Interseccin de sucesos
La interseccin de sucesos, A
la vez, de A y B.

B, es el suceso formado por todos los elementos que son, a

Es decir, el suceso A
A

B se verifica cuando ocurren simultneamente A y B.

B se lee como "A y B".

Ejemplo

Consideramos el experimento que consiste en lanzar un dado, si A = "sacar par" y B =

"sacar mltiplo de 3". Calcular A

B.

A = {2, 4, 6}
B = {3, 6}
A

B = {3}

Propiedades de la interseccin de sucesos

Conmutativa

Asociativa

Idempotente

Simplificacin

Distributiva

Elemento neutro

Absorcin

Diferencia de sucesos
La diferencia de sucesos, A B, es el suceso formado por todos los elementos de A que no
son de B.
Es decir, la diferencia de los sucesos A y B se verifica cuando lo hace A y no B.
A B se lee como "A menos B".
Ejemplo

Consideramos el experimento que consiste en lanzar un dado, si A = "sacar par" y B =

"sacar mltiplo de 3". Calcular A B.
A = {2, 4, 6}
B = {3, 6}
A B = {2, 4}

Propiedad

Sucesos contrarios
El suceso

= E - A se llama suceso contrario o complementario de A.

Es decir, se verifica siempre y cuando no se verifique A.

Ejemplo

Consideramos el experimento que consiste en lanzar un dado, si A = "sacar par". Calcular

.
A = {2, 4, 6}
= {1, 3, 5}

Propiedades

Leyes de Morgan

EVENTOS
Un evento es el resultado posible o un grupo de resultados posibles de un experimento y es
la mnima unidad de anlisis para efectos de clculos probabiliasticos

los eventos se clasifican de la siguiente forma:

1. Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo tiempo.
EJEMPLO: cara o escudo.
2. Independientes: Estos no se ven afectados por otros independientes. EJEMPLO:
el color del zapato y la probabilidad que llueva hoy.
3. Dependientes: cuando un evento afecta a la probabilidad de ocurrencia de otro.
EJEMPLO: repaso, calificaciones.
4. No excluyentes entre si: cuando la ocurrencia de uno de ellos no impide que ocurra
el otro. EJEMPLO: que una persona sea doctor que tenga 56 aos, ser estudiante y
ya estar casado.
Cuando el enunciado de un problema de la probabilidad tiene como condicin que se
presente uno o otro evento, la probabilidad total se forma por la suma directa de las
1).P(AoB)=P(A)+P(B)
En el caso de eventos no excluyentes entre si debe considerarse que la probabilidad de que
ocurran ambos eventos esta incluida en ellos esa probabilidad de la suma directa (regla
general de la suma de probabilidades)
P(AoB)=P(A)+P(B)-P(AyB)
cuando el enunciado de un problema de probabilidad tiene como condicin que se presente
uno y otro evento, la probabilidad total se forma por la multiplicacin directa de las
probabilidades individuales si los eventos son independientes.
2).P(AyB)=P(A)*P(B); si son independientes
si los eventos son dependientes deben considerarse que ocurra un segundo evento si ya
ocurri un primer evento esto se conoce como: regla general de la multiplicacin de
probabilidades.
3).P(PyB)=P(A)*P(B\A)
Eventos dependientes
Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de
uno de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando
tenemos este caso, empleamos entonces, el concepto de probabilidad condicional
para denominar la probabilidad del evento relacionado. La expresin P(A|B) indica
la probabilidad de ocurrencia del evento A s el evento B ya ocurri.
Eventos Independientes

Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de

un evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o
eventos). Un caso tpico de eventos independiente es el muestreo con reposicin,
es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se
obtuvo.
Ejemplo:
lanzar al aire dos veces una moneda son eventos independientes por que el
resultado del primer evento no afecta sobre las probabilidades efectivas de que
ocurra cara o sello, en el segundo lanzamiento.
EJERCICIOS RESUELTOS

EVENTOS DEPENDIENTES
1. Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una
canica es eliminada de la caja y no es reemplazada. Otra canica se saca de la
caja. Cul es la probabilidad de que la primera canica sea azul y la segunda
canica sea verde?
Ya que la primera canica no es reemplazada, el tamao del espacio muestral para
la primera canica (9) es cambiado para la segunda canica (8) as los eventos son
dependientes.
P(azul luego verde) = P(azul) P(verde)

-----------------------------------2. Un departamento de mantenimiento recibe un promedio de 5 llamadas por hora.

Comenzando en un momento aleatoriamente seleccionado, la probabilidad de que
una llamada llegue dentro de media hora es:
Promedio 5 por hora, como el intervalo es media hora = 2,5/media hora .
tenemos que
P (T < 30 min.) = 1- e -5 = 1 - 0,08208 = 0,91792
--------------------------------------------------3. P(A B) = P(A) + P(B). Se extrae una carta alazar de un mazo ingls normal de
52 cartas. Supongamos que definimos los eventos
A: "sale 3" y B: "sale una figura" y se nos pregunta por la probabilidad de que
ocurra A B. Como estos eventos no pueden ocurrir simultneamente, o sea, son
mutuamente excluyentes

A B = entonces:
P(A B) = P(A B) = P(A) + P(B)
= P(sale 3) + P(sale figura) = 4/52 + 12/52 = 4/13.
----------------------------------------4. P(A) + P(Ac) = 1. En el mismo experimento anterior de sacar una carta, el
evento A: "no sale rey" tiene como complemento al evento "sale rey", entonces
resulta mas simple calcular la probabilidad de A como 1 - P(A c):
P(no sale rey) = 1 - P(sale rey) = 1 - 4/52 = 12/13
P(A

B) = P(A) + P(B) - P(A B). En el lanzamiento de un dado de seis caras,

los eventos A: "sale par" y B: "sale primo" tienen iterseccin no vaca:

A B = {2}, entonces la probabilidad del evento "sale par o primo" = A B es
P(A o B) = P(A
B) = P(A) + P(B) - P(A B)
= 3/6 + 3/6 - 1/6 = 5/6
-----------------------------------------------5.
P(A B) = P(A)P(B). Lanzamos un dado de seis caras dos veces. Los eventos: A:
"sale par en el primer lanzamiento" y B: "sale un 3 en el segundo", son eventos
independientes, entonces la probabilidad de que "salga par en el primero y un 3 en
el segundo" es

P(A y B) = P(A B) = P(A)P(B) = (3/6)(1/6) = 1/12

-----------------------------------------------6.
P (A B) = P(A)P(B/A) P(B/A) = P(A B)/ P(A) [P(B/A)
Es la probabilidad del evento B, sabiendo que ha ocurrido A]. En la extraccin de
una carta de un mazo ingls normal: cul es la probabilidad de que la carta
extrada sea el as de corazones, sabiendo que la carta extrada es de corazones?
Debemos calcular P(as/corazn).
La probabilidad de "as y corazn" es 1/52.
La probabilidad de corazn es 13/52.
Luego, P(as/corazn) = P(as y corazn)/P(corazn) = (1/52)/(13/52) = 1/13.

Probabilidad de eventos independientes

--------------------------------------------------

7 Si se lanza una moneda normal tres veces, la probabilidad de obtener tres

sellos es:
Solucin:
Cada lanzamiento es independiente de los otros.De manera que las
probabilidades de sello
(S) en cada lanzamiento se multiplicarn entre s.
P(tres Sellos) = P(S) P(S) P(S) = (1/2)(1/)(1/2)=8
--------------------------------------8. Una moneda se lanza tres veces, cul es la probabilidad de que las tres
veces salga cara?
Solucin:
La probabilidad de que salga cara en un lanzamiento es 1/2
---------------------------------9. En tres lanzamientos independientes entre s, el resultado de uno no
afecta los otros resultados. En tal caso, las probabilidades de cada evento
-de salir cara en este caso-, se multiplican entre s:
P=(1/2)(1/2)(1/2)=1/8
Se extrae una carta de una baraja de 52 naipes. Se repone y se extrae una
segunda carta. Cul es la probabilidad de que ambas sean reyes?
Solucin:
Sea A Obtener un rey de un mazo de 52 cartas.
Hay 4 reyes en el mazo. Por lo tanto,
P(A) =4/52=1/13
Al reponer la carta, cada extraccin es independiente de la anterior, esto
quiere decir que no se ve afectado el valor de obtener la misma
probabilidad de obtener un rey. Adems, por ser eventos independientes, se
multiplica el valor segn el nmero de extracciones con reposicin que hay,
que son dos.
As
P(extraer dos reyes en dos extracciones y con reposicin) =(1/13) (1/13)
=1/69
--------------------------------------10.- En una urna hay 3 fichas amarillas y 6 azules, cul es la probabilidad
de que al sacar 2 fichas, con reposicin, stas sean amarillas?
Solucin:
Definamos A como el evento:
extraer una bola amarilla.
As, si

P = es la probabilidad de extraer una sola bola amarilla

P=casos favorables nmeros de amarillas/casos totales nmero total de
bolas=3/(3+6)=3/9=1/3
Como una extraccin no afecta a la otra, pues se repone labola sacada, no
afectando al nmero de bolas del color sacado, ni al total de bolas que hubo
inicialmente, para el caso de otra extraccin. Por tanto, estamos frente a
eventos independientes. Y el evento A se repite dos veces para satisfacer lo
pedido. As, extraer dos bolas amarillas es simplemente repetir el evento A,
siguiendo un principio multiplicativo para extracciones con reposicin y de
modo ms general, para eventos independientes.
P=(1/3)(1/3)= 1/9
-----------------------------------11.-El macabro y no recomendado juego de la ruleta rusa, consiste en
introducir una bala en una de las seis recmaras del cilindro del revlver,
dejando las otras cinco vacas. Ahora,... si cada juego consiste en hacer
girar elcilindro, apuntar a la cabeza y apretar el gatillo. Cul es la
probabilidad de estar vivo despus de jugar dos veces?
Solucin:
Cada vez que se hace girar el cilindro, laprobabilidad de que salga el
disparo es
1/6
Por lo tanto, la probabilidad de sobrevivir a cada juego
5/6.
Como los juegos son independientes, la probabilidad de sobrevivir a dos
juegos es:
5/6= primer juego
(5/6)(5/6)=25/6
5/6= segundo juego
-----------------------------------------12.- Se lanza un dado dos veces. Cul es la probabilidad de que en el
primer lanzamiento resulte 3 y en el segundo lanzamiento un nmero
impar?
Solucin:
Sean los eventos:
A Obtener un 3. De seis nmeros posibles, hay un solo 3 P(A) =1/6
B Obtener un nmero impar. De seis nmeros posibles, tenemos tres
impares P(B) =3/6 =1/2
Los eventos A y B son independientes, por lo tanto, P(AB) = P(A) P(B)=
(1/6)(1/2)= 1/12
--------------------------------------

13.- Una persona muy distrada ha extraviado el nmero telefnico de su

mejor amigo, pero logra averiguar las 5 cifras intermedias de un total de 7.
Sabiendo adems que el primer dgito debe ser par, distinto de 0 y que la
ltima cifra es impar mayor que 4, cul es la probabilidad de acertar al
nmero de telfono de su amigo?
Solucin:
Solo debe adivinar dos dgitos, el primero y el ltimo. Las posibilidades
para el primer nmero son par y distinto de cero: 2, 4, 6, 8. Las
posibilidades para el segundo nmero son impar y mayor que cuatro: 5, 7,
Sean los eventos:
A Acertar el primer dgito.
B Acertar el segundo dgito.
AB Acertar los dos dgitos.
Entonces P(A) =1/4
Entonces P(B) =1/3
Como son eventos independientes, la probabilidad de acertar los dos dgitos
en el nmero telefnico de su amigo es el producto de ambas
probabilidades:
P(A B) = P(A) P(B)=(1/4)(1/3)=1/12
-------------------------------------14.- Un estudiante responde al azar 5 preguntas de verdadero y falso en una
prueba. Cul es la probabilidad de que acierte todas aquellas preguntas?
Solucin:
Cada pregunta tiene dos respuestas posibles, las que constituyen los casos
totales. El caso favorable a cada respuesta
correcta es una en cada pregunta. Por lo tanto, la probabilidad de responder
correctamente una pregunta es:
P(1 correcta) = 1/2
Responder cada pregunta constituye un evento independiente a las otras
respuestas. Por lo tanto, se multiplica los resultados probables de
acertar cada una de las 5 preguntas. As, la probabilidad pedida es:
P(5 correctas) = (1/2)(1/2)(1/2)(1/2)(1/2) =(1/2) ^5
----------------------------------------------

15.- Un test de seleccin mltiple consta de 30 preguntas. Cada pregunta

tiene 4 posibles respuestas siendo slo una de ellas la correcta. Si un
alumno responde al azar cada pregunta, cul es la probabilidad de que
todas sus respuestas sean correctas?
Solucin

Hay una alternativa correcta de un total de cuatro en cada pregunta. Por lo

tanto, la probabilidad de acertar una es
Como cada pregunta es independiente de las otras, la probabilidad final es
el producto de las probabilidades de cada una delas 40 preguntas. Es decir,
P(30 aciertos) = (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4)
(1/4) (1/4) (1/4)(1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4)
(1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4) (1/4)
= (1/4) ^30
----------------------------------------16.- Un alumno contesta las 70 preguntas de la P.S.U. de matemticas al
azar. Si cada pregunta tiene 5 alternativas y slo una de stas es corre
cta, entonces Cul es la probabilidad de que tenga el puntaje mximo?
Solucin:
Hay una alternativa correcta de un total de cinco en cada pregunta. Por lo
tanto, la probabilidad de acertar una esuna de cuatro, es decir,
P(x = 1) = 1/5
Para obtener el puntaje mximo se debe acertar las 70 preguntas,
independientes entre s. Por lo tanto, la probabilidad pedida es:
P(x = 70) = (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
(1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5) (1/5)
P(x = 70) = (1/5) ^70
-------------------------------

17.- Un alumno en un examen debe contestar verdadero o falso a cada una

de seis preguntas. Si el alumno responde al azar, cul es la probabilidad de
que conteste correctamente las cinco ltimas preguntas, si acert en la
primera?
Solucin:
Sea x la variable que indica el nmero de veces que se acierta una pregu

nta. Entonces, si la respuesta correcta se halla entre dos alternativas, la

probabilidad de acertar una pregunta es una de dos, es decir:
P(x = 1) = (1/2) (1/2) (1/2) (1/2) (1/2) = (1/2) ^5=1/32
18.- Una persona debe responder verdadero o falso a una afirmacin que se
le har por cada etapa que compone un concurso. Si la persona responde
al azar, la probabilidad que acierte en seis etapas es
Solucin:
La probabilidad de acertar una afirmacin es de

.
Como todas las etapas son independientes, pa
ra 6 etapas, la probabilidad pedida es:
P=(1/2) (1/2) (1/2) (1/2) (1/2) (1/2) =(1/2)^6 =1/64
----------------------------------------19.- 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 f
ondo y 3 de los postres. Cul es la probabilidad de que me toque un men
de mi agrado si la eleccin es el azar?
Solucin:
Todo men tendr finalmente 1 entrada, 1 plato de fondo y 1 postre y la
composicin de cada uno de estos es independiente de los otros. As,
tendremos de seguro, varias probabilidades que multiplicar. Denotemos las
probabilidades de obtener entrada, fondo y postre de mi agrado, con
P(entrada), P(fondo) y P(postre) respectivamente. En la siguiente expresin
consideramos en los numeradores solo los casos favorables que sean del
agrado, mientras que en los denominadores,a la cantidad total de
posibilidades de componerlos. As, la probabilidad de obtener un men de
mi agrado es:
P(entrada) P(fondo) P(postre) =(2/2) (3-2)/3(5-3)/5 = 1(1/3) (2/5)
=2/5
----------------------20.- El procesador, la placa madre y la memoria tienen un 5%, 10% y 20%
de probabilidades de fallar antes de un ao respectivamente. Cul esla
probabilidad de comprar un computador que presentar fallas antes de un
ao,en los tres componentes sealados?
Solucin:
Sean los siguientes eventos de falla antes de un ao:
A falla el procesador. Por el enunciado, P(A) = 5% = 5/100
=1/20.

B falla la tarjeta madre. De el enunciado, P(B) = 10% = 10/ 100

=1/10
C falla la memoria. Entonces, P(C) = 20% = 20/100= 2/10= 1/5.
Como los componentes son independientes uno del otro, la probabilidad de
que los tres fallen antes de un ao, es la probabilidad de eventos
independientes:
P(ABC) = P(A) P(B) P(C) = (1/20)(1/10)(1/5)=1/1000
Un milsimo.
--------------------------------21.-En una empresa trabajan hombres y mujeres, adems se sabe que un 15
% de los empleados se han perfeccionado en el extranjero. Si el 35%
de las personas son mujeres, cul es la probabilidad de que al escoger una
persona dela empresa, esta sea mujer y se haya perfeccionado en el
extranjero?
Solucin:

Sea M =Escoger a una mujer.

E =Haberse perfeccionado en el extranjero.
M y E son eventos independientes. Por lo tanto, la probabilidad
pedida es el producto
de la probabilidad de ambos eventos.
35
P (M E) =P(M) P(E)
P (M E)= (35 ^7)/(100 ^20) (15/100)
=7/(20^4) (15^3)/100
= (21/4)(1/100%)
= 5,25%