PROBABILIDADES

Experimento

Aleatorio Determinístico

Depende del azar Totalmente exacto

Conceptos previos
Teoría de conjuntos
Experimento Aleatorio

Cualquier proceso que genere un conjunto de observaciones o

datos, destinados a describir, comprobar o demostrar un
determinado fenómeno aleatorio.

Espacio muestral

Es el conjunto de todos los resultados posibles de un

experimento aleatorio y lo denotamos por Ω.

Evento o Suceso

Es un subconjunto del espacio muestral y los denotamos por

letras mayúsculas
 Ejemplo 1

Experimento Aleatorio: Se lanza un dado y se observa el número que

aparece en la cara superior.

Espacio muestral: Ω1= {1, 2, 3, 4, 5, 6}

Suceso o evento A1 = {números impares} = {1, 3, 5}

 Ejemplo 2

Experimento Aleatorio: Se lanza una moneda tres veces y se observa la

sucesión de caras y sellos obtenidas.

Espacio muestral: Ω2= {ccc, ccs, csc, scc, css, scs, ssc, sss}

Suceso o evento A2 = {solo caras o sellos} = {ccc, sss}

 Ejemplo 3

Experimento Aleatorio: Se prueba la duración de una ampolleta,

teniéndola encendida hasta que se quema y se anota el tiempo
transcurrido

Espacio muestral: Ω3= {t / t  0}

Suceso o evento A3 = {t / t < 150 hrs.}

  ESPACIO MUESTRAL

Según sean los elementos del espacio muestral, éste

se clasifica en:

DISCRETO CONTINUO

Conjunto de
Número finito o resultados que
infinito numerable pertenecen a algún
de resultados, los intervalo de la recta
podemos enumerar real.
 Observaciones

1-. Para que un suceso ocurra, basta que uno de sus resultados ocurra.

2-. Denotamos por  al suceso imposible.

3-. En particular Ω es un evento y se llama evento seguro ( tiene todos

los resultados posibles)

4-. Llamaremos evento elemental ( Ei) a un conjunto que tiene sólo un

elemento. En caso contrario hablamos de evento compuesto.
Definición 1

El complemento de un evento A con respecto a un espacio muestral

Ω, es el conjunto de todos los elementos de Ω que no están en A y se
denota por Ac o A’

Definición 2

Sean A y B eventos asociados con un mismo experimento; es

decir, A y B son subconjuntos de un mismo espacio muestral,
entonces podemos definir nuevos eventos a partir de ellos:
a-. La intersección de dos eventos: A ∩ B, es el evento que
contiene a todos los resultados que son comunes a A y B.
b-. La unión de dos eventos: AUB, es el evento que contiene todos
los elementos de A y de B
Definición 3

Dos eventos son mutuamente excluyentes, si la ocurrencia de uno de

ellos, excluye la ocurrencia del otro; es decir no pueden ocurrir
simultáneamente. Se cumple: A  B = .

Definición 4

ABc = A – B = { x ∊ Ω/ x ∊ A y x  B}
 Ejemplo

Una familia tiene tres hijos. Si los identificamos por su género el

espacio muestral para el orden de los nacimientos es:

 = {hhh, hhm, hmh, mhh, hmm, mhm, mmh, mmm}

Definimos los siguientes eventos:

A = {el primer hijo es hombre} = {hhh, hhm, hmh, hmm }

B = {exactamente dos de los tres hijos son hombres}= {hhm, hmh, mhh}
C = {los tres hijos son hombres} = { hhh }
D = { dos hijos son mujeres y dos son hombres} = { }
Métodos para asignar probabilidades

Estimación Estimación
subjetiva clásica

Estimación por
frecuencias
relativas
 Estimación
subjetiva

 Se utiliza para asignar una probabilidad a un suceso que no ha ocurrido.

 Exige que asignemos la probabilidad, basándonos en la mejor

información disponible.

 Ejemplo: La probabilidad de que una mujer sea elegida presidente de

U.S.A
 Estimación por
frecuencias
relativas

Se utilizan datos pasados obtenidos de observaciones empíricas.

Se estima la probabilidad de que el suceso vuelva a ocurrir a

partir de datos históricos.

Nº de veces que ocurre el suceso

P( A) 
Nº de veces que se realiza el exp erimento
 Estimación
clásica

Se basa en que todos los resultados posibles de

un experimento son equiprobables.

La probabilidad de La probabilidad de un
un evento elemental evento compuesto.
Ai es: 1 n
P ( Ai )  P ( A)   P ( Ai ) 
N N

n: Nº de elementos del evento A

N: Nº de elementos del espacio muestral
 Axiomas de Probabilidad
La Probabilidad, es una función P que asigna a cada suceso A, un valor
numérico P(A), llamado probabilidad del evento A y verifica los
siguientes axiomas.

Axioma 1: P()  1 Definición clásica de Probabilidad

n( A)
Axioma 2: P(A)  0;  A   P( A) 
n ( )
 

Axioma 3: P( A i ) 
i 1
 P(A ); 
i 1
i
A i  A j  ; i  j
TEOREMA
Sean A y B dos eventos cualesquiera de una espacio
muestral  entonces se cumple que

a )P   0.
b)P(A c )  1  P(A).
c)A  B,  P(A)  P(B).
d)A  B,  P(B  A)  P(B)  P(A)
e)P(A  B)  P(A)  P(B)  P(A  B); A, B  

COROLARIO: Para todo evento A, 0  P( A )<1

ALGUNAS REGLAS DE CÁLCULO PRÁCTICAS

SEAN A Y B DOS EVENTOS CUALESQUIERA DE UN ESPACIO

MUESTRAL  ENTONCES:

1.  P(A  B)  P(A)  P(B)  P( A  B)

2.  P(A  B)  P(B)  P(A  B)
c

3.  P(A  B )  P(A  B)
c c c

4.  P(A  B)  1  P(A  B)
c

5.  P(A  B)  P(A)  P(A  B)

c
 Ejemplo

Un químico analiza muestras de agua de mar para detectar la presencia

de dos metales pesados; plomo y mercurio. Encuentra que el 38% de las
muestras tomadas en las proximidades de la desembocadura de un
río, en cuyas orillas se localizan numerosas plantas industriales,
tienen niveles tóxicos de plomo o de mercurio, que el 32% tiene
niveles tóxicos de plomo. De estas muestras, el 10% contiene un
nivel alto de ambos metales.
a) ¿Cuál es la probabilidad de que una muestra elegida al azar, contenga
un alto nivel de mercurio?
b) ¿Cuál es la probabilidad de que la muestra elegida contenga sólo
plomo?
 Se define:
 = {w/w es una muestra analizada de agua de mar}
A = {w   / w tiene nivel alto de mercurio}
B = {w  / w tiene nivel alto de plomo}

a) P(AB = 0.38, P(B) = 0.32 y P(A∩B) = 0.10

P(AB) = P(A) + P(B) - P(A∩B)

0.38 = P(A) + 0.32 - 0.10
P(A) = 0.16
La probabilidad de que la muestra contenga alto nivel de
mercurio es 0.16

b) Sabemos que el 32% de las muestras contienen plomo, pero no sólo plomo
P(B∩Ac) = P(B) – P(A∩B) = 0.32 – 0.10 = 0.22

La probabilidad de que la muestra contenga sólo plomo es 0.22

 EVENTOS MUTUAMENTE EXCLUYENTES

DEF: La ocurrencia de un evento imposibilita la ocurrencia de cualquiera de los

otros. Si sucede uno de ellos, los otros no pueden ocurrir.

Ejemplo
Se sabe que de un grupo de 200 estudiantes universitarios , 140 alumnos
trabajan en un proyecto, a tiempo completo (80 mujeres y 60 hombres) y otros
60, a tiempo parcial (40 mujeres y 20 hombres). Se elige un alumno al azar.

TIEMPO TIEMPO TOTAL

COMPLETO PARCIAL
FEMENINO 80 40 120
MASCULINO 60 20 80
TOTAL 140 60 200
Se definen los eventos:
A = {el estudiante seleccionado es de tiempo completo
B = { el estudiante seleccionado es hombre}

Entonces:
Ac = { el estudiante seleccionado es de tiempo parcial }
Bc = { el estudiante seleccionado es mujer}

Se define un tercer evento como:

C = {el estudiante es hombre y es de tiempo parcial

Interpretamos:
Los eventos A y C son mutuamente excluyentes
Los eventos B y C NO son mutuamente excluyentes.
 Diagrama de Venn

A C
80 20
60

40
 PROBABILIDAD CONDICIONAL

Se llama probabilidad de A condicionada a B, o

probabilidad de A dado B:

 P(A  B)
 ; si P(B)  0
P(A/B)   P(B)
0 ; si P(B)  0
Observación. Las probabilidades condicionales satisfacen los
axiomas de probabilidad.
 Ejemplo

Una familia tiene dos hijos, el espacio muestral para el orden de los
nacimientos de los hijos es  = {hh, hm, mh, mm}, donde todos los
elementos tienen la misma posibilidad de ocurrir.

a) ¿Cuál es la probabilidad de que ambos hijos sean hombres?

b) Dado que al menos uno de los hijos es hombre ¿Cuál es la

probabilidad que los dos sean hombres?

c) Dado que el mayor de los hijos es hombre ¿Cuál es la probabilidad

que ambos sean hombres?
a) De la definición de probabilidad en un espacio equiprobable se
tiene que p({hh}) = 1/4

b) Con la información entregada que al menos uno de los hijos es

hombre, el resultado mm ha sido eliminado del espacio muestral.
1= {hh, hm, mh} y P({ hh} / 1} = 1/3

c) El espacio muestral es ahora: 2 = {hh, hm}

y P({ hh} / 2} = 1/2
 REGLA DE LA MULTIPLICACIÓN

Con frecuencia se necesita calcular, que ocurran dos eventos en

forma conjunta: P(A ∩ B)

De la ecuación:

Se obtiene: P(A  B)  P(A) * P(B / A)

Generalizando: P(A  B  C)  P(A) * P(B / A) * P(C / A  B)

EVENTOS INDEPENDIENTES

Dos eventos A y B de un espacio muestral  son mutuamente

independientes, si se prueba que:

P(A / B)  P(A) ó
P(B / A)  P(B).
En consecuencia,

P( A  B)  P( A)  P( B)
 Ejemplo
Un hombre tiene dos autos antiguos Ay B, que tienen problemas para
arrancar en las mañanas frías. La probabilidad que ambos arranquen es
de 0.1; la probabilidad que arranque B y no A es 0.2; la probabilidad
que ninguno de ellos arranque es 0.4.
A : auto A arranca.
B : auto B arranca.
EVENTOS A  B : ambos arrancan. P(A  B)  0.1
A c  B : A no arranca y B si. P(A c  B)  0.2
A c  Bc : ninguno arranca. P(A c  Bc )  0.4

a) ¿Cuál es la prob. P( Ac  B)  P( B)  P( A  B).

que arranque A, 0.2  P( B)  0.1  P( B)  0.3.
dado que B arranca?
P(A  B) 0.1 ¿Cuánto es P( A  B) ?
P(A / B)  P( A / B)   0.3333 P(AB)c= P(Ac∩Bc)
P(B) 0.3
Escenario Conjuntos Probabilidad

A y B son eventos
excluyentes si: |A∩ B |= 0 P(A∩ B)=0

A y B son eventos | A|*| B |

independientes si: | A  B | P(A∩ B) = P(A)⋅ P(B)
||
 Ejemplo (I)
Recuento
MENOPAUSIA
NO SI Total
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• Se ha repetido en 1000 ocasiones el experimento de elegir a una

mujer de una población muy grande. El resultado está en la tabla.
– ¿Cuál es la probabilidad de que una mujer tenga
osteoporosis?
• P(Osteoporosis)=64/1000=0,064=6,4%
( estimación frecuentista de probabilidad)
– ¿Cuál es la probabilidad de que una mujer no tenga
osteoporosis?
• P(No Osteoporosis)=1-P(Osteoporosis)=1-64/1000=0,936=93,6%
 Recuento
MENOPAUSIA
Ejemplo (II) CLASIFICACION NORMAL
NO SI Total
189 280 469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• ¿Probabilidad de tener osteopenia u osteoporosis?

– P(OsteopeniaUOsteoporosis)=P(Osteopenia)+P(Osteoporosis)-
P(Osteopenia∩Osteoporosis)=467/1000+64/1000=0,531
• Son sucesos disjuntos
• Osteopenia ∩ Osteoporosis=Ø

• ¿Probabilidad de tener osteoporosis o menopausia?

– P(OsteoporosisUMenopausia)=P(Osteoporosis)+P(Menopausia)-
P(Osteoporosis ∩ Menopausia)=64/1000+697/1000-58/1000=0,703
• No son sucesos disjuntos
• ¿Probabilidad de una mujer normal?
– P(Normal)=469/1000=0,469
– P(Normal)=1-P(Normal’)=1-P(OsteopeniaUOsteoporosis) =1-0,531=0,469
 Ejemplo (III)
Recuento
MENOPAUSIA
NO SI Total
Ejemplo (III) CLASIFICACION
OMS
NORMAL 189 280 469
OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• Si es menopáusica… ¿probabilidad de osteoporosis?

– P(Osteoporosis|Menopausia)=58/697=0,098

• ¿Probabilidad de menopausia y osteoporosis?

– P(Menop ∩ Osteoporosis) = 58/1000=0,058

• Otra forma:

P( Menop  Osteoporosis )  P( Menop)  P(Osteoporosis | Menop) 

697 58
   58 / 1000  0,058
1000 697
 Ejemplo (III)
Recuento
MENOPAUSIA

Ejemplo (III) CLASIFICACION NORMAL

NO
189
SI
280
Total
469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• Si tiene osteoporosis… ¿probabilidad de menopausia?

– P(Menopausia|Osteoporosis)=58/64=0,906

• ¿Probabilidad de menopausia y no osteoporosis?

– P(Menop ∩ No Osteoporosis) = 639/1000=0,639

• Si no tiene osteoporosis… ¿probabilidad de no menopausia?

– P(No Menopausia|NoOsteoporosis)=297/936=0,317
 RECORDEMOS Independencia de
sucesos
• Dos sucesos son independientes si el que
ocurra uno, no añade información sobre el
otro.

– A es independiente de B  P(A|B) = P(A)

 P(AB) = P(A) P(B)

 Ejemplo (IV)
Recuento
MENOPAUSIA

Ejemplo (IV) CLASIFICACION NORMAL

NO
189
SI
280
Total
469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• ¿Son independientes menopausia y osteoporosis?

– Una forma de hacerlo
• P(Osteoporosis)=64/1000=0,064
• P(Osteoporosis|Menopausia)=58/697=0,098
– La probabilidad de tener osteoporosis es mayor si ha pasado la
menopausia. Añade información extra. ¡No son independientes!

– ¿Otra forma?
• P(Menop ∩ Osteoporosis) = 58/1000 = 0,058
• P(Menop) P(Osteoporosis)= (697/1000) x (64/1000) = 0,045
– La probabilidad de la intersección no es el producto de probabilidades. No
son independientes.
Sistema exhaustivo y excluyente de sucesos
Son una colección de sucesos

A1 A2 A1, A2, A3, A4…

Tales que la unión de todos ellos forman

el espacio muestral, y sus intersecciones
son disjuntas.

¿cómo se formar intervalos en tablas de

frecuencias?
A1

A3 A4
A2
Suceso
seguro
A3

A4
 Divide y vencerás
Todo suceso B, puede ser descompuesto
en componentes de dicho sistema.
A1 A2
B = (B∩A1) U (B∩A2 ) U ( B∩A3 ) U ( B∩A4 )

B
A1 B

A2 B
A3 A4 Suceso
seguro
A3 B

Nos permite descomponer el problema B en A4

subproblemas más simples. B
 Teorema de la probabilidad total
Si conocemos la probabilidad de B en cada uno de los
A1 A2 componentes de un sistema exhaustivo y excluyente de
sucesos, entonces…

… podemos calcular la probabilidad de B.

P(B|A1)
B A1 B
P(A1)
P(B|A2)
A2 B
Suceso P(A2)
A3 A4 seguro P(B|A3)
P(A3)
A3 B
P(A4) P(B|A4)
P(B) = P(B∩A1) + P(B∩A2 ) + P( B∩A3 ) + P( B∩A4 ) A4 B

=P(A1) P(B|A1) + P(A2) P(B|A2)+ …

 TEOREMA DE LA PROBABILIDAD TOTAL

Sea A1, A2,..., Ak una partición de un espacio muestral 

; es decir,

k
 Ai   ; Ai  A j   ,  i  j
i 1

Entonces, para cualquier evento E asociado al

experimento , se tiene que:

k
P(E)   P (A i )  P(E/A i )
i 1
Ejemplo (I): En este aula el 70% de los alumnos son
mujeres. De ellas el 10% son fumadoras. De los
hombres, son fumadores el 20%.
Teorema de Probabilidad Total.
Hombres y mujeres forman un sist. Exh. Excl. de sucesos Fuma
0,1

• ¿Qué porcentaje de fumadores hay?

Mujer
0,9
0,7
No fuma
– P(F) = P(M∩F) + P(H∩F)
Estudiante
= P(M)P(F|M) + P(H)P(F|H)
=0,7 x 0,1 + 0,3 x 0,2 0,3 0,2
Fuma
Hombre
= 0,13 =13%
0,8
•Los caminos a través de nodos representan intersecciones.
No fuma
•Las bifurcaciones representan uniones disjuntas.
 Ejemplo (II): En un centro hay dos quirófanos. El 1º
se usa el 75% de veces para operar. En el 1º la frec.
de infección es del 5% y en el 2º del 10%.

• ¿Qué probabilidad de infección hay? Infec

– P(I) = P(Q1∩I) + P(Q2∩I) 0,05

= P(Q1)P(I|Q1) + P(Q2)P(I|Q2)
Q1
0,95
=0,75 x 0,05 + 0,25 x 0,1 0,75
No infec
= 0,0625 Paciente

0,25 0,1
Infec
Q2

Teorema de Probabilidad Total.

Los dos quirófanos forman un sist. Exh. Excl. de sucesos 0,9
No infec
Ejemplo (III): El 20% del tiempo que se está en una casa
transcurre en la cocina, el 10% en el baño y el resto entre el
salón y el dormitorio. Por otro lado la probabilidad de tener un
accidente doméstico estando en la cocina es de 0,30 de
tenerlo estando en el baño es de 0,20 y de tenerlo fuera de
ambos, es de 0,10. ¿Cuál es la probabilidad de tener un
accidente doméstico?Acc
0,30

Cocina No Acc
0,20 0,70

Acc P(A) = P(A∩C) + P(A∩B) + P(A∩R) =

0,20
Casa
0,10
Baño No Acc P(C)P(A|C) + P(B)P(A|B) + P(R)P(A|R)
0,80 =0,2 x 0,3 + 0,1 x 0,2 + 0,7 x 0,1 = 0,15
0,70 0,10 Acc
Resto
No Acc
0,90
 TEOREMA DE BAYES

Sean A1, A2,..., Ak una partición de un espacio muestral

, entonces, para cualquier evento E asociado al
experimento, se tiene que:

P(A j )  P(E/A j )
P(A j/E)  k ; j  1,2,..., k
 P (A i )  P(E/A i )
i 1
 Ejemplo

Dos jaulas contienen ratas experimentales. Una contiene cinco ratas de

color café y seis blancas. La segunda jaula contiene dos ratas de color
café y cinco blancas. Se selecciona una jaula al azar y se elige una rata
de ella.

a) ¿Cuál es la probabilidad que la rata sea de color café?

b) ¿Si la rata elegida es de color café ¿Cuál es la probabilidad que provenga

de la segunda jaula?
  = {w / w es una rata de una de las jaulas
B1 = {w   / w pertenece a la jaula I}
B2 = { w   / w pertenece a la jaula II}
E = w   / w es de color café}
P (B1) = 0.5, P (B2) = 0.5, P (E/B1) = 5/11, P (E/B2) = 2/7

a) P (E) = P (E∩B1) + P(E∩B2)

P (E) = P (B1)*P(E/B1) + P (B2)*P (E/B2)
= (0.5) * (5/11) + (0.5) * (2/7) = 57/154 = 0.37
La probabilidad que la rata elegida sea de color café es 0.37

b) Aplicamos Teorema de Bayes directamente:

P( B2 ) * P( E / B2 )
P( B2 / E ) 
P(E)
(0.5) * ( 2 / 7) 22
P( B2 / E )    0.39
57 / 154 57
La probabilidad que la rata haya sido de la jaula II es 0.39
Problema 1
En la entrada de una facultad hay tres fotocopiadoras, A, B y C cuyos
porcentajes de fallo son 3%, 4% y 5% respectivamente. Un alumno entra en
la facultad y, como las tres fotocopiadoras están libres, elige una al azar para
realizar las fotocopias. Al llegar a clase observa que la fotocopia es
defectuosa. ¿Cuál es la probabilidad de que fuera hecha en la máquina
B?

Problema 2
En una clase, el 20% de los chicos y el 5% de las chicas juegan al tenis. El
60% de la clase son chicos. Se eligió al azar un estudiante de la clase y
resultó ser de los que jugaban al tenis. ¿Cuál es la probabilidad de que el
estudiante elegido fuera chico?