Departamento de Ciencias B

asicas

AREA:
Matem
aticas

Coordinaci
on Curricular
ASIGNATURA: Probabilidad y Estadstica

CODIGO:
CB02007

ACTIVIDAD: Gua de Repaso para el Segundo Parcial

Profesor: Ana Rosa Rodrguez Blanco

Grupos: 112 y 139

Franja: 01 y 02

Introducci
on (Descripci
on de la actividad)
Gua de estudio para repasar y aplicar los conceptos de probabilidad vistos en clase.
Objetivos / Competencias
1. Comprende la aplicabilidad de la probabilidad.
2. Resuelve problemas d
onde la incertidumbre desempe
na un papel importante aplicando los conceptos de la probabilidad.
3. Identifica y usa el lenguaje propio de la matematica para comunicar sus ideas en forma clara y coherente.
4. Reconoce fortalezas y debilidades a nivel actitudinal y cognitivo, para potencializar la confianza en s mismo, logrando
avanzar en su formaci
on profesional a traves de la matematica.
5. Identifica objetivos comunes permitiendo la asignacion de responsabilidades que conlleven a la produccion colectiva de
resultados mediante el trabajo en equipo.
6. Habilidad y capacidad de trabajo en equipos interdisciplinarios.
Aspectos a Evaluar (Aspectos formativos de la actividad)
1. Soluciona correctamente problemas de probabilidad.
2. Escribe y resuelve de manera correcta expresiones matematicas.
3. Capacidad de analisis para determinar el metodo adecuado de solucion de un problema de probabilidad.

Introducci
on

La probabilidad es una rama de la matematica que junto con la estadstica ha sido desarrollada para encargarse de la incertidumbre.
La teora clasica de la matematica basa su exito al describir el mundo como una serie de eventos fijos y observables, pero, antes
del siglo XVII estaba perdiendo su credibilidad al ser inadecuada en la descripcion de procesos (o experimentos) que implicaban
incertidumbre o resultados aleatorios. Inicialmente fue auspiciada por el deseo de los dirigentes de vencer a rivales en juegos de azar,
as que comenzaron a contratar matematicos para que los analizaran y plantearan nuevas estrategias que les permitieran ganar, luego
fue usada en analisis cientficos de tablas de mortalidad por los medicos, llegando a ser una herramienta cientfica que analiza las
posibilidades.
Hoy en da, la teora de la probabilidad es reconocida como una de las mas u
tiles areas de la matematica al proveer las bases de la
estadstica inferencial a traves de la experimentacion y el analisis de datos. A traves de sus diferentes aplicaciones a problemas como
la confiabilidad de los sistemas y otros mas, la teora de la probabilidad es de particular relevancia para las ciencias de la Ingeniera
del mundo actual.

Espacio Muestral

Definici
on 1 El espacio muestral S de un experimento ser
a el conjunto de todos los resultados posibles dentro del experimento.
Para ilustrar esto de una mejor manera, miremos los siguientes ejemplos:

Ejemplo 1:
El ingeniero a cargo del mantenimiento de ciertas maquinas nota que los desperfectos que las mismas sufren pueden ser caracterizados
debido a una falla electrica (en adelante F.E.) dentro de cada maquina, una falla mecanica (en adelante F.M.) de alg
un componente
de las maquinas o debido a la mala operaci
on por parte del operario (En adelante F.M.U. por mal uso). Cuando las maquinas est
an
en operaci
on (cuando no hay ning
un desperfecto) el ingeniero no puede saber cual sera la causa de la siguiente falla. Este problema
puede ser modelado como un experimento con el espacio muestral:
S = {Falla Electrica, Falla Mec
anica, Falla por Mal Uso} o S = {F.E., F.M., F.M.U.}

Ejemplo 2:
Una compa
na vende chips de computadora en cajas de 500 unidades. Cada chip dentro de la caja puede clasificarse como en buen
estado o defectuosos. El n
umero de chips defectuosos en una caja en particular es incierto, y su espacio muestral sera:
S = {0 defectuosos, 1 defectuoso, 2 defectuosos, 3 defectuosos, . . . , 499 defectuosos, 500 defectuosos}

Ejemplo 3:
Un gerente supervisa la operaci
on de 3 plantas productoras de electricidad, la planta X, la planta Y y la planta Z. En un instante
cualquiera, cada una de las tres plantas puede ser clasificada como planta en generaci
on (1) o planta no generando (0). Como ejemplo
de esto, la notaci
on (0, 0, 1) se usara para representar un estado en el cual las plantas X y Y no estaran generando mientras que Z
si lo estara haciendo. De aqu que el espacio muestral para el estado de las tres plantas en cualquier instante sea:
S = {(0, 0, 0) (0, 0, 1) (0, 1, 0) (1, 0, 0) (0, 1, 1) (1, 0, 1) (1, 1, 0) (1, 1, 1) }
Otra forma de representar el espacio muestral es en forma de arbol:
Planta X

Planta Y

Planta Z
1

Punto del Espacio Muestral

(1, 1, 1)

(1, 1, 0)

(1, 1, 1)

(1, 0, 0)

(0, 1, 1)

(0, 1, 0)

(0, 0, 1)

(0, 0, 0)

1
1
0
S
1
0
0
Figura 1: Diagrama de arbol para el ejemplo 3.

Ejemplo 4:
Si dos cartas son escogidas de un mazo normal de cartas, escogiendo primero una carta, anotando su resultado para luego devolverla
al mazo y volver a barajar antes de escoger la segunda (es decir, con reemplazo), entonces el espacio muestral consistir
a de eventos
tales como (6, 8), d
onde la primera carta que se escogio fue el seis de corazones, representado por 6 y la segunda el ocho de
treboles representado por 8. En total, el espacio muestral de este evento contendra 52 52 = 2704 elementos, incluyendo eventos
tales como (A, A), en el cual la carta As de Diamantes () fue seleccionada dos veces. El espacio muestral de este evento sera
entonces:

S
(A, A)
(2, A)

(3, A)

(Q, A)

(K, A)

(A, 2)
(2, 2)
(3, 2)

(Q, 2)

(K, 2)

(A, 3)
(2, 3)

...
...

(3, 3)

...

(Q, 3)

...

(K, 3)

(A, Q)

(A, K)

(3, Q)

(3, K)

(2, Q)

...

(Q, Q)

(K, Q)

(2, K)

(Q, K)

(K, K)

Figura 2: Diagrama del espacio muestral del ejemplo 4.

Si en vez de eso optaramos por hacer la escogencia de la segunda carta sin reemplazo (es decir, sin volver a colocar la primera dentro
del mazo y luego barajar), tendramos que en el espacio muestral resultante no podran estar los eventos d
onde se repite la carta
(como ejemplo, no estara el evento (A, A)), es decir, nuestro espacio muestral ahora sera un subespacio del anterior y contendra
todos los resultados posibles menos los cincuenta y dos en los que se repeta la carta, por tanto, tendra 2704 52 = 2652, puesto de
otra manera este espacio tendra 52 51 = 2652 elementos.

Valores de probabilidad

Definici
on 2 Un conjunto de valores de probabilidad para un experimento que tenga un espacio muestral S = {O1 , O2 , . . . , On }
consistir
a de las probabilidades p1 , p2 , . . . , pn que satisfacen las condiciones:
0 p1 1, 0 p2 1, . . . , 0 pn 1
y

p1 + p2 + + pn = 1

La probabilidad de obtener el resultado Oi se dice que es pi , y esto se escribe como:

P(Oi ) = pi
La interpretaci
on intuitiva de esta definicion se basar
a en que a mayor valor (entre 0 y 1) de uno de los resultados, mayor probabilidad
de ocurrencia tendra, si dos de los resultados tienen el mismo valor, se puede decir que tienen la misma oportunidad de ocurrir y si
uno tienen una probabilidad mayor que el otro, entonces se puede decir que el primero tienen mayor oportunidad de ocurrir.

Ejemplo 5:
Volvamos al ejemplo 1 visto con anterioridad y supongamos que los desperfectos de las maquinas ocurren con valores de probabilidad
de P(F.E.) = 0.2, P(F.M.) = 0.5 y P(F.M.U.) = 0.3.
La asignacion de los valores de probabilidad a cada evento es valida ya que los tres valores 0.2, 0.5 y 0.3 est
an todos entre cero y
uno y su suma es igual a uno tambien. El siguiente diagrama presenta cada uno de los eventos con la probabilidad asociada a cada
uno de ellos:

S
Falla Electrica (F.E.)

Falla Mecanica (F.M.)

Falla por Mal Uso (F.M.U.)

0.2

0.5

0.3

Figura 3: Diagrama de probabilidades del Ejemplo 5.

Los valores dados nos indican que lo mas probable es que un desperfecto se presente por falla mecanica, con una falla por mal uso en
segundo lugar y las fallas electricas seran las menos posibles. Es cierto, la probabilidad de una falla mecanica es probable que ocurra
la mitad de las veces (esto porque P(F.M.) = 0.5), pero esto no nos asegura que en los proximas dos desperfectos uno debera serlo
por falla mecanica, o nisiquiera que de los proximos diez, cinco deberan serlo por la misma causa, sin embargo, lo que si podemos
concluir es que a largo plazo, el Ingeniero a cargo de mantenimiento podra (de manera razonable) esperar que alrededor de la mitad
de los desperfectos que se presenten en las maquinas que tiene a cargo, sean por fallas mecanicas. De manera similar, el Ingeniero a
largo plazo podra esperar que un 20% de las fallas sean por causas electricas y que un 30% lo sean por el mal uso por parte de los
operarios.
En el caso de los juegos de azar, los experimentos se conducen de manera que todos los posibles resultados puedan ser considerados
como si tuvieran la misma oportunidad de ser obtenidos, de manera que a cada uno de ellos se asigna un mismo valor de probabilidad,
es decir, si en nuestro espacio muestral hay n posibles resultados que tienen todos la misma probabilidad de ocurrir, entonces la
condicion para que todas las probabilidades sumen 1 sera que cada una de ellas individualmente tenga una probabilidad de n1 .

Ejemplo 6:
Volviendo al ejemplo 4, la probabilidad de obtener cada uno de los resultados sera igual a:
P(i) =

1
1
=
n 2704

Por lo que la probabilidad de que cada uno de los resultados en este evento ocurran sera del 0.00037%, es decir, si apost
aramos
a que podemos obtener el mismo resultado dos veces seguidas, deberamos prepararnos para el fracaso pues las probabilidades
definitivamente estaran en nuestra contra.

Eventos

Definici
on 3 Un evento A es un subconjunto del espacio muestral S. El evento agrupa resultados de particular interes. La probabilidad de un evento A, descrita como P(A) , se obtiene al sumar las probabilidades de los resultados contenidos dentro del evento
A.
Se dice que un evento ocurre si al menos uno de los resultados que contiene el evento ocurren. La figura 1 muestra un espacio
muestral S con ocho posibles resultados cada uno con su respectiva probabilidad y un evento A que contiene a tres de los resultados
posibles de S, la probabilidad del evento A se c
alcula mediante la suma de los tres eventos, de manera que:
P(A) = 0.10 + 0.15 + 0.30 = 0.55
El complemento de un evento sera el resto de resultados contenidos dentro del espacio S que no esten contenidos dentro de el mismo,
para nuestro caso tenemos el evento A que contiene a tres de los resultados del espacio muestral S, por lo que su complemento, el
cual denotaremos como A sera el evento que contendra a los dem
as resultados del espacio muestral S y cuya probabilidad estar
a
dada por:
P(A ) = 0.10 + 0.10 + 0.05 + 0.05 + 0.15 = 0.45
Definici
on 4 El evento A , ser
a el complemento de un evento A y ser
a el evento que contiene a todos los resultados dentro del
espacio muestral S que no esten contenidos dentro del evento A. En todo caso, siempre se cumplir
a que:
P(A) + P(A ) = 1

0.05
b

0.10
b

0.15

A
b

0.30
b

0.15
b

0.10

0.10
b

0.05

Figura 4: P(A) = 0.10 + 0.15 + 0.30 = 0.55

Ejemplo 7:
Volvamos ahora al ejemplo 2, y consideremos que las probabilidades de que haya un chip defectuoso en una de las cajas de 500
chips es:
P(0defectos) = 0.02

P(1defectos) = 0.011

P(4defectos) = 0.13

P(5defectos) = 0.08

P(2defectos) = 0.16

P(3defectos) = 0.21

y supongamos que las probabilidades de los otros elementos dentro del espacio, es decir, las probabilidades entre 6 y 500 defectos
son desconocidas. La compa
na que produce los chips planea alegar que cada una de las cajas que vende no tiene mas de 5 chips
defectuosos y desea calcular la probabilidad de que su alegato es correcto.
El evento correcto consistir
a entonces de los seis resultados que fueron listados, por lo que:
correcto = {0 defectos, 1 defectos, 2 defectos, 3 defectos, 4 defectos, 5 defectos}
que sera un evento contenido en el espacio muestral S y cuya probabilidad de ocurrir sera:
P(correcto)

{P(0 defectos) + P(1 defectos) + P(2 defectos) + P(3 defectos) + P(4 defectos) + P(5 defectos) }
0.02 + 0.11 + 0.16 + 0.21 + 0.13 + 0.08 = 0.71

De acuerdo a esto, alrededor del 71% de las cajas de 500 chips que la compa
na venda cumplir
an con el alegato de la compa
na de
que no habr
an mas de 5 chips defectuosos en una caja. El complemento del evento correcto sera el hecho de que en una caja habr
a
al menos 6 chips defectuosos y por tanto el alegato de la compa
na sera incorrecto, este evento tendra una probabilidad de ocurrir
de:
1 0.71 = 0.29

Ejemplo 8:
Las probabilidades para el espacio muestral S de el ejemplo 3 son:

S
(0, 0, 0)
0.07

(1, 0, 0)

(0, 0, 1)
0.04

(1, 0, 1)

(0, 1, 0)
0.03

(1, 1, 0)

(0, 1, 1)

(1, 1, 1)

0.18

0.16
0.18
0.21
0.13

(0, 0, 0)
0.07

(1, 0, 0)

(0, 0, 1)
0.04

(1, 0, 1)

(0, 1, 0)
0.03

(1, 1, 0)

(0, 1, 1)

(1, 1, 1)

0.18

Figura 5: Valores de Probabilidad para

el Ejemplo 3.

0.16

0.18
0.21

0.07

(1, 0, 0)

(0, 0, 1)
0.04

(1, 0, 1)

(0, 1, 0)
0.03

(1, 1, 0)

(0, 1, 1)

(1, 1, 1)

0.18

0.13

Figura 6: Evento A: La planta X no

genera energa.

(0, 0, 0)

0.16

0.18
0.21
0.13
B

Figura 7: Evento B: Por lo menos dos

plantas est
an generando energa.

El evento de que la planta X no genere energa es el evento A:

A
P(A)

{(0, 0, 0), (0, 0, 1), (0, 1, 0), (0, 1, 1)}

0.07 + 0.04 + 0.03 + 0.18 = 0.32

P((0, 0, 0)) + P((0, 0, 1)) + P((0, 1, 0)) + P((0, 1, 1))

El complemento de este evento sera A y corresponde al evento en que la planta X este generando electricidad, su probabilidad sera:
P(A ) = 1 P(A) = 1 0.32 = 0.68
El evento B supone ahora que se quiere hallar la probabilidad de que dos de las plantas se encuentren generando electricidad, este
evento sera:
B
P(B)

{(0, 1, 1), (1, 0, 1), (1, 1, 0), (1, 1, 1)}

P((0, 1, 1)) + P((1, 0, 1)) + P((1, 1, 0)) + P((1, 1, 1))

0.18 + 0.18 + 0.21 + 0.13 = 0.70

Este evento indica, que en promedio, el 70% del tiempo por lo menos dos de las plantas se encontraran generando energa y su
complemento sera:
P(B ) = 1 P(B) = 1 0.70 = 0.30

Ejercicios de Pr
actica:
1. Cual sera el espacio muestral cuando una moneda es lanzada al aire 3 veces consecutivas?
2. Un valor de probabilidad p frecuentemente se reporta como la oportunidad relativa de que el evento ocurra, esto es: p/(1 p).
Esto se lee como la proporci
on entre que el evento ocurra y la posibilidad de que el mismo no ocurra.
(a) Si la oportunidad relativa tiene un valor de 1, cual sera el valor de p?
(b) Si la oportunidad relativa tiene un valor de 2, cual sera el valor de p?
(c) Si p = 0.25, cual sera la oportunidad relativa?

3. Un experimento consiste en lanzar un dado y despues lanzar al aire una moneda una vez si el resultado del dado es par y dos
veces si el resultado del dado es impar. Usando la notaci
on 2C, por ejemplo, para denotar un resultado de dos en el dado y
cara en la moneda, y de 5CS para denotar un resultado de cinco en el dado, luego cara en el primer lanzamiento de la moneda
y sello en el segundo, construya el diagrama de
arbol que muestre los puntos del espacio muestral S.
4. Un experimento tiene cinco posibles resultados, I, II, III, IV y V. Si P(I) = 0.08, P(II) = 0.20, y P(III) = 0.33, cuales son los
posibles valores para la probabilidad de el resultado V? si la probabilidad de que los resultados IV y V se presenten es la
misma, cuales son sus valores de probabilidad?
5. Considere el espacio muestral de la siguiente figura:
El espacio muestral tiene posibles resultados a, b, c, d, e y f. Si P(A) = 0.27, calcular:

d=?
b

a = 0.09
b

b=?

A
b

c = 0.11
b

e = 0.06
b

f = 0.29

Figura 8: Espacio muestral para el problema 5.

(a) P(b)

(b) P(A )

(c) P(d)

6. Una firma de Ingeniera es contratada para determinar si ciertos cursos de agua en Virginia son seguros para la pezca. Se
toman muestras de los tres rios:
(a) Liste los elementos del espacio muestral S usando las letras S para seguro para la pezca e I para inseguro para la
pezca.
(b) Liste los elementos del subespacio de S que corresponde al evento E de que por lo menos dos de los tres ros sean seguros
para la pezca.
(c) Defina en sus propias palabras un evento que contenga como elementos los puntos:
{SSS, ISS, SSI, ISI}
7. Un agente de bolsa se encuentra monitoreando las acciones de las compa
nas A y B, las cuales pueden subir o bajar de precio
cada da. En un da cualquiera, suponga que hay una probabilidad de 0.38 de que ambas compa
na aumenten el precio de sus
acciones y una probabilidad de 0.11 de que ambas lo disminuyan. Tambien, est
a la posibilidad con valor de 0.16 de que las
acciones de la compa
na A bajen su precio mientras que las de la compa
na B lo incrementen. Cu
al es la probabilidad de que
las acciones de la compa
na A incrementen su precio mientras que las de la compa
na B lo bajen? Cu
al es la probabilidad de
que al menos una de las compa
nas en un da cualquiera tenga una ganancia en el precio de sus acciones?

T
ecnicas de Conteo

Muchas de las situaciones con que podemos llegar a encontrarnos tienen un espacio muestral S que consiste de un gran n
umero de
resultados que nosotros como experimentadores no vamos a desear listar completamente. Sin embargo, si cada uno de los resultados
tienen la misma probabilidad de obtenerse, entonces podemos contentarnos con saber unicamente el n
umero de resultados en el
espacio y el n
umero de resultados contenidos en un evento de nuestro interes. Para esto es que surgieron las t
ecnicas de conteo,
que nos ayudan facilitando los c
alculos. Lo mas importante que necesitamos para su aplicacion es saber que si un espacio S consiste
de N posibles resultados igualmente probables, y de estos n est
an contenidos en el evento de interes A, entonces la probabilidad del
evento A Ser
a:
n
P(A) =
N

5.1

Regla de la Multiplicaci
on

Definici
on 5 Si un experimento tiene k componentes para las cuales la cantidad posible de resultados es n1 , n2 , n3 , . . . , nk , entonces
el n
umero total de resultados del experimento (es decir, el tama
no del espacio muestral S) ser
a igual a:
S = n1 n2 n3 nk1 nk

Ejemplo 9:
una cafetera ofrece un almuerzo light que consiste en un emparedado (usando una de ocho carnes distintas y uno de cuatro tipos
diferentes de pan), una de cuatro clases distintas de papas fritas y una de tres bebidas diferentes. De cuantas maneras distintas
una persona puede seleccionar uno de estos almuerzos light?
Si observamos la figura y dado que hay ocho tipos de carnes, cuatro de pan, cuatro de papas y tres de bebidas, la persona podra
armar su almuerzo de 8 4 4 3 = 384 formas diferentes.

5.2

Permutaciones y Combinaciones

Comencemos este tema por una definicion que sera importante de ahora en adelante y que trabaja con los n
umeros naturales y el
cero, es decir, con los enteros positivos, hablamos de la funci
on factorial.
Definici
on 6 Si n es un entero positivo, la cantidad n! llamada n factorial se define como:
n! = n(n 1)(n 2)(n 3) . . . (3)(2)(1)
Es importante tener en cuenta los resultados para 0! y para 1!, los cuales no vamos a demostrar en esta gua y cuyos valores vamos
a tomar como:
0! = 1! = 1
Frecuentemente es de importancia el ser capaz de calcular en cuantas diferentes formas una serie de k objetos distinguibles puede
ser extrada de un grupo de n objetos. Si las extracciones son realizadas con reemplazo, entonces las k extracciones son eventos
identicos, cada uno con n posibles resultados. Si usamos la regla de la multiplicacion, esta nos muestra que habr
an nk formas
posibles de extraer los k objetos.
Si en vez de eso, las extracciones so hechas sin reemplazo, entonces el resultado sera una permutaci
on de k objetos partiendo de
los n objetos originales. Las posibilidades para la extraccion del primer objeto seran n, para el segundo n 1 y as sucesivamente
hasta la extraccion del k-esimo objeto. Con esto en cuenta, definamos ahora una permutacion:
Definici
on 7 Una permutaci
on de k objetos tomados de un conjunto de n objetos (con n > K) es una secuencia ordenada de
los k objetos seleccionados sin reemplazo del grupo de n objetos. El n
umero posible de permutaciones de k objetos tomados de un
conjunto de n objetos ser
a:
n!
Pkn = n(n 1)(n 2)(n k + 1) =
(n k)!

Opciones

Almuerzo

Tipos de Carne

Tipos de Pan

Tipos de Papa Frita

Tipos de Bebida

Figura 9: Diagrama que muestra las opciones del ejemplo 9.

Es de anotar que en caso de que k = n, el n
umero total de permutaciones sera simplemente n!, que es simplemente la cantidad
diferente de posibilidades que tenemos de ordenar n objetos.

Ejemplo 10:
Una compa
na de alimentos tiene cuatro recetas posibles para un nuevo producto que sacar
a al mercado y desea compararlas entre
ellas mediante las opiniones de sus consumidores al realizar degustaciones de las mismas. En estas pruebas, a cada participante se le
dan a probar las 4 diferentes recetas en orden aleatorio y se le solicita que las organice de mejor (o mas apetecible) a peor (o menos
apetecible) en varios aspectos de su sabor.
Este tipo de prueba simplemente pregunta por una organizaci
on simple de los productos, en la que n = k = 4 por lo que el n
umero
posible de formas en que pueden ser organizadas las comidas es:
P44 =

4!
4 3 2 1 24
=
=
= 24
(4 4)!
0!
1

Lo que confirma el comentario final dado en la definicion.

Ejemplo 11:
En una prueba de degustaciones diferente, a cada participante se le pide que pruebe ocho productos diferentes y que seleccione al
mejor, al segundo mejor y al tercero.

En este caso se pide unicamente elegir a los mejores tres de los ocho productos, lo que claramente nos indica una permutacion, por
tanto:
8 7 6 5!
8!
=
= 336
P38 =
(8 3)!
5!
Por lo que una persona puede escoger los tres mejores productos de una prueba de ocho diferentes de 336 formas distintas.
Es importante notar que para las permutaciones el orden es importante, es decir, tomamos en cuenta la organizaci
on (tambien
podramos hablar de la jerarqua) de los experimentos, como ejemplo de esta afirmaci
on supongamos que los ocho productos se
etiquetan de la A a la H, entonces el resultado ABC (en el cual el producto A fue escogido como el mejor y C como el tercero
mejor) sera diferente del resultado CAB (donde C es el mejor y B el tercero mejor). Si el sujeto de la prueba solo escogiera a estos
tres como los mejores, a
un podra hacerlo de 6 formas diferentes, de aqu que al tener los ocho productos nos de como resultado 336
diferentes formas de escoger los tres mejores.

Ejemplo 12:
De cuantas maneras distintas los 52 integrantes de un sindicato pueden elegir un director, un subdirector, un secretario y un tesorero?
Tengamos en cuenta una vez mas que el orden importa y que el primero sera siempre el director, el segundo el subdirector, el tercero
el secretario y el cuarto el tesorero, por lo que usamos una permutacion:
P452 =

52!
52 51 50 49
48!
=
= 6 497, 400

(52 4)!
48!

Por lo tanto hay casi seis millones y media formas diferentes de escoger la junta de la agrupaci
on sindical.
Algunas veces, cuando los k objetos son escogidos del grupo de n objetos, el orden en que son seleccionados para ser extrados los k
objetos no es de ninguna importancia; puesto de otra manera, el interes se enfoca unicamente en cuales k objetos son seleccionados
y no en el orden en que lo son. Esta forma de seleccionar los objetos se llama una combinaci
on y se define de la siguiente manera:
Definici
on 8 una combinaci
on de k objetos tomados de un grupo de n objetos (con n > k) es una colecci
on desordenada de
los k objetos seleccionados sin reemplazo del grupo de n objetos. El n
umero posible de combinaciones de k objetos tomados de un
grupo de n objetos ser
a:
n
n!
Ckn = ( ) =
(n k)!k!
k
En d
onde la notaci
on (nk) es simplemente otra manera de denotar una combinaci
on.
Esta f
ormula parte del hecho de que cada combinaci
on de k objetos puede ser asociada a las k! permutaciones que tienen esos objetos,
de acuerdo a esto:
Pkn = k! Ckn
y despejando esta ecuaci
on para C tendremos:
Ckn =

Pkn
=
k!

n!
(nk)!

k!

n!
(n k)!k!

Ejemplo 13:
Volvamos al ejemplo de la degustacion de ocho productos y supongamos ahora que a cada participante se le pide que seleccione
simplemente a los tres mejores pero sin ning
un orden en particular, el nuevo n
umero de posibles respuestas de un participante sera:
8 7 6 5! 336
8
8!
=
=
= 56
( )=
(8 5)! 3! 5! 3 2 1
5
3
Por lo que ahora solo habr
an 56 posibilidades de escoger las tres mejores comidas ya que el orden en que son escogidas ni tiene
ninguna importancia.

Ejemplo 14
De cuantas maneras distintas un director de un laboratorio de investigacion puede seleccionas a dos qumicos de entres siete solicitantes
y a tres fsicos de entre nueve solicitantes?
Los dos qumicos pueden ser seleccionados de (72) y los tres fsicos de (92) maneras, aplicando la regla de la multiplicacion tendremos:
7
9
7 6 5!
504 6!
42 504
9 8 7 6!
42 5!
( )( )=

= 21 84 = 1764
2
3
(7 2)! 2! (9 3)! 3! 2 1 5! 3 2 1 6!
2
6

Ejercicios de Pr
actica
1. Una panadera prepara dos tortas de queso todas las ma
nanas. Las tortas de queso que no se venden al cerrar en la noche se
desechan. Elabore un diagrama de
arbol para mostrar el n
umero de maneras en que la tienda puede vender un total de cinco
tortas de queso en cuatro das consecutivos.
2. Si un experimento consiste en lanzar un dado y despues extraer una letra al azar del alfabeto, Cuantos puntos posibles habra
en el espacio muestral?
3. En el consultorio de un dentista hay ocho n
umeros recientes de Semana, seis n
umeros de Soho y cinco de Tv y Novelas. De
cuantas maneras diferentes un paciente que espera para ser atendido por el dentista puede hojear una revista de cada tipo si
el orden en que lo hace no importa?
4. De cuantas maneras distintas se pueden colocar 12 libros en un librero?
5. Un parque de diversiones tiene 28 recorridos distintos. De cuantas maneras diferentes una persona puede tomar cuatro de
estos recorridos, suponiendo que el orden es importante y que esta persona no quiera tomar un recorrido mas de una vez?
6. Cuatro matrimonios compraron ocho localidades en fila para un concierto de rock. De cuantas maneras distintas se pueden
sentar si:
(a) Cada pareja se sienta junta.
(b) Todos los hombres se sientan juntos y todas las mujeres se sientan juntas.
(c) Todos los hombres se sientan juntos.
7. Una prueba de ?verdadero-falso? comprende doce preguntas. Calcule los n
umeros de maneras en que un estudiante puede
marcar cada pregunta ya sea como verdadera o falsa y obtener:
(a) Ocho aciertos y cuatro errores.
(b) Diez aciertos y dos errores.

Combinaciones de Eventos

Puede ocurrir que mas de un evento sea de nuestro interes cuando estemos realizando un experimento en un espacio muestral
cualquiera. Cuando en el espacio muestral hay dos eventos A y B, aparte de tenerse en consideracion la probabilidad de la ocurrencia
del evento A y la probabilidad de la ocurrencia del evento B, es frecuentemente tener en consideracion otras probabilidades tales
como la probabilidad de que los dos eventos ocurran de manera simultanea, o tal vez la probabilidad de que ninguno de ellos ocurra,
o la probabilidad de que por lo menos uno de los dos ocurra o hasta que la de uno ocurra mientras la del otro no. Para esto definimos:

6.1

Intersecci
on de Eventos

Definici
on 9 El evento A B es la intersecci
on de los eventos A y B y consiste de los resultados que se encuentren contenidos
dentro de los eventos A y B. La probabilidad de este evento P(AB) , ser
a la probabilidad de que los dos eventos A y B ocurran
simult
aneamente.

Tomemos un espacio muestral S con nueve resultados. El evento A tendra tres resultados mientras que el evento B tendra 5
resultados. Las probabilidades de los eventos A y B son:
PA = 0.01 + 0.07 + 0.19 = 0.27

PB = 0.07 + 0.19 + 0.04 + 0.14 + 0.12 = 0.56

La interseccion de los eventos A y B se aprecia en la figura 11 y son los dos resultados que a la vez se encuentran en los dos eventos,

S
b

0.18
b

0.22

b
b

0.01

0.04

0.07

0.19

0.12

0.14

0.03

Figura 11: Interseccion de los eventos A y B.

por tanto:

P(AB) = 0.07 + 0.019 = 0.026

Que es la probabilidad de que los eventos A y B sucedan al mismo tiempo.

El evento A sera el complemento de A y es el evento compuesto por todos los eventos que no est
an en A:
P(A ) = 0.04 + 0.12 + 0.14 + 0.03 + 0.22 + 0.18 = 0.73
Si desearamos intersectar al evento A con su complemento A , ya que entre los dos contienen a todo el espacio muestral, la u
nica
respuesta que podramos obtener sera un conjunto vaco, el cual denotaremos como 0, por tanto:
P(AA ) = P(0) = 0

Otro evento interesante sera la interseccion de A B el cual se ilustra en la figura 12. Este evento consiste en los tres eventos que
est
an contenidos en B pero que no est
an contenidos en el evento A y su probabilidad es:
P(AB) = 0.04 + 0.14 + 0.12 = 0.3
Que es lo mismo que afirmar que es la probabilidad de que el evento B ocurra pero que el evento A no lo haga. Cual sera entonces
la probabilidad de que el evento A ocurra mientras que B no lo haga, es decir cual es P(AB ) ? Adicionalmente a esto, podemos
decir que para dos eventos cualesquiera A y B que se intersecten entre s, las siguientes probabilidades estar
an presentes:
P(AB) + P(AB ) = P(A) y P(AB) + P(A B) = P(B)

S
b

0.18
b

0.22

b
b

0.07
b

0.04

0.01

0.19

0.12

0.14

0.03

Figura 12: Interseccion de los eventos A y B.

6.2

Eventos Mutuamente Excluyentes

Definici
on 10 Se dice que dos eventos A y B son mutuamente excluyentes is su intersecci
on es vaca, es decir si A B = 0 de
manera que no tengan ning
un resultado en com
un.

S
b

A
B
b

Figura 13: Eventos A y B mutuamente excluyentes.

6.3

Union de Eventos o Reglas Aditivas

El evento de al menos uno de dos eventos A y B ocurra (figura 14), se denota como A B y nos referimos a el como la uni
on de
los eventos A y B.
Definici
on 11 El evento A B es la uni
on de los eventos A y B y consiste en todos los posibles resultados que est
an contenidos

dentro de al menos uno de los dos eventos A y B. La probabilidad de que este evento suceda se denota como P(AB) , y es la
probabilidad de que al menos uno de los dos eventos A y B ocurra.
Es de notar que los resultados de este evento pueden clasificarse de tres maneras, estas son:
1. Que el resultado este en el evento A, pero no en el evento B, es decir el evento P(AB ) .
2. Que el resultado este en el evento B, pero no en el evento A, es decir el evento P(A B) .
3. Que el resultado este a la vez en los dos eventos A y B es decir el evento P(AB) .
Como la probabilidad del evento A B se obtiene de la suma de los valores de probabilidad de los resultados de estos tres eventos
mutuamente excluyentes, llegamos a la siguiente proposicion:
P(AB) = P(AB ) + P(A B) + P(AB)
Pero en la secci
on 6.1 definimos las probabilidades:
P(AB) + P(AB ) = P(A) y P(AB) + P(A B) = P(B)
las cuales al ser despejadas y reemplazadas en nuestra ecuaci
on para la probabilidad de la union (P(AB) ) nos arroja el resultado:
P(AB) = P(A) + P(B) P(AB)

S
b

0.18
b

0.22

b
b

0.01

0.04

0.07

0.19

0.12

0.14

0.03

Figura 14: El evento A B

Podra darse el caso de que los dos eventos A y B sean entre si mutuamente excluyentes, es decir podramos tener que: P(AB) = 0,
esto nos lleva a:
Definici
on 12 Si los eventos A y B son mutuamente excluyentes (figura 13) de manera que su intersecci
on P(AB) = 0, entonces:
P(AB) = P(A) + P(B)

La uni
on de los eventos A y B est
a compuesta por los eventos contenidos dentro de las areas coloreadas en la figura 14 y su
probabilidad es de:
P(AB) = 0.01 + 0.07 + 0.19 + 0.04 + 0.14 + 0.12 = 0.57
El complemento de este evento sera (A B) , y estar
a compuesto de los tres resultados dentro del area coloreada en la figura 15, es
decir los eventos que no est
an ni en A ni en B y su probabilidad es:
P(AB) = 0.03 + 0.22 + 0.18 = 1 P(AB) = 0.43

Es de importancia tener en cuenta que el evento (A B) tambien puede ser escrito como el evento A B ya que consiste de todos

S
b

0.18
b

0.22

b
b

0.07
b

0.04

0.01

0.19

0.12

0.14

0.03

Figura 15: El evento (A B)

los eventos que a la vez no est
an ni en el evento A ni en el evento B. Del mismo modo podemos llegar a la conclusi
on de que el
evento A B estar
a compuesto de todos los elementos que no esten a la vez en A y B, es decir sera equivalente al evento (A B) .
Estos dos resultados y otros importantes de la uni
on de eventos (reglas aditivas) se resumen a continuacion:
(A B) = A B
AS =S

(A B) = A B
A
0=A

AB =BA
A A = S

AA =A
A (B C) = (A B) C

Ejemplo 15:
Un experimento consiste en el lanzamiento de un par de dados, uno verde y el otro rojo y anotar los resultados obtenidos en cada
lanzamiento. Si x es el resultado obtenido en el dado verde y y el resultado obtenido en el dado rojo, realice las siguientes operaciones
con el lanzamiento de los dados:
1. Liste todos los elemetos (x, y) que componen el espacio Muestral S.
2. Liste todos elementos contenidos en el evento A que agrupa a todos los resultados cuya suma es mayor que 8.
3. Liste todos los elementos contenidos en el evento B que ocurre cuando en cualquiera de los dos dados se obtiene un resultado
de 2.
4. Liste todos los elementos contenidos en el evento C que ocurre cuando en el dado verde se obtiene un resultado mayor que 4
(x > 4).

5. Liste los elementos pertenecientes al evento A B.

6. Liste los elementos pertenecientes al evento A C.
7. Liste los elementos Pertenecientes al evento B C.
8. Construya un diagrama de Venn que ilustre las intersecciones y las uniones de los eventos A, B y C.
La solucion a la primer pregunta la haremos construyendo las parejas (x, y) esto nos da el siguiente conjunto:
S
(1, 1)

(1, 2)

(1, 3)

(1, 4)

(1, 5)

(1, 6)

(3, 1)

(3, 2)

(3, 3)

(3, 4)

(3, 5)

(3, 6)

(2, 1)
(4, 1)
(5, 1)
(6, 1)

(2, 2)
(4, 2)
(5, 2)
(6, 2)

(2, 3)
(4, 3)
(5, 3)
(6, 3)

(2, 4)
(4, 4)
(5, 4)
(6, 4)

(2, 5)
(4, 5)
(5, 5)
(6, 5)

(2, 6)
(4, 6)
(5, 6)
(6, 6)

Figura 16: Espacio muestral para el lanzamiento de dos dados.

Para listar los resultados de las preguntas 2 a 4 colorearemos los resultados de manera parecida al ejemplo 8 as: para el evento A
az
ul, para el evento B naranja y para el evento C morado, por tanto los eventos seran:
Evento A:
S
(1, 1)

(1, 2)

(1, 3)

(1, 4)

(1, 5)

(1, 6)

(3, 1)

(3, 2)

(3, 3)

(3, 4)

(3, 5)

(3, 6)

(5, 5)

(5, 6)

(2, 1)
(4, 1)
(5, 1)
(6, 1)

(2, 2)
(4, 2)
(5, 2)
(6, 2)

(2, 3)
(4, 3)
(5, 3)
(6, 3)

(2, 4)
(4, 4)
(5, 4)
(6, 4)

(2, 5)
(4, 5)
(6, 5)

(2, 6)

(4, 6)
(6, 6)

Figura 17: Evento A, la suma de los dados es mayor a ocho.

Evento B:
S
(1, 1)

(1, 2)

(1, 3)

(1, 4)

(1, 5)

(3, 1)

(3, 2)

(3, 3)

(3, 4)

(3, 5)

(5, 2)

(5, 3)

(5, 4)

(5, 5)

(2, 1)

(4, 1)
(5, 1)
(6, 1)

(2, 2)
(4, 2)
(6, 2)

(2, 3)

(4, 3)
(6, 3)

(2, 4)

(4, 4)
(6, 4)

(1, 6)

(2, 5)

(2, 6)

(4, 5)

(4, 6)

(6, 5)

(3, 6)
(5, 6)
(6, 6)

Figura 18: Evento B, al menos uno de los dados saca dos.

 Evento C:
S
(1, 1)

(1, 2)

(1, 3)

(1, 4)

(1, 5)

(1, 6)

(3, 1)

(3, 2)

(3, 3)

(3, 4)

(3, 5)

(3, 6)

(2, 1)
(4, 1)
(5, 1)
(6, 1)

(2, 2)
(4, 2)

(5, 2)
(6, 2)

(2, 3)
(4, 3)
(5, 3)
(6, 3)

(2, 4)
(4, 4)
(5, 4)
(6, 4)

(2, 5)
(4, 5)
(5, 5)
(6, 5)

(2, 6)
(4, 6)

(5, 6)
(6, 6)

Figura 19: Evento C, el dado verde obtiene un resultado mayor a 4 (x > 4).
La interseccion de los eventos A y B A B es:

A B = {0}

La interseccion de los eventos A y C A C es:

A C = {(5, 4), (5, 5), (5, 6), (6, 3), (6, 4), (6, 5), (6, 6)}
La interseccion de los eventos B y C B C es:
B C = {(5, 2), (6, 2)}
Por u
ltimo, el diagrama que muestra las uniones y las intersecciones de los eventos A, B y C es:

B
A
BC
AC
C

Figura 20: uniones e intersecciones de los eventos A, B y C.

Probabilidad Condicional

Como su nombre lo indica es la asignacion de una probabilidad a un evento cuya consecuencia o resultado est
a determinado o
depende de la ocurrencia de otro sucedido con anterioridad. As, si A es el evento ocurre un accidente en una carretera, y B es el
evento la carretera est
a mojada, entonces si sucediera el evento B, la probabilidad que ocurra un accidente en la carretera estara
siendo influenciada por B.
Definici
on 13 La probabilidad condicional del evento A dado que el evento B ha sucedido es:
P(AB) =

P(AB)
P(B)

para P(B) > 0. Mide la probabilidad de que el evento A ocurra una vez se sabe que el evento B ha ocurrido.
Si quisieramos medir el evento reciproco, es decir medir la probabilidad de que se de B dado que A ha ocurrido, la formula cambiara
a:
P(BA)
, con P(A) > 0
P(BA) =
P(A)
Un caso especial de este tipo de evento podra darse cuando los dos eventos A y B son mutuamente excluyentes. En este caso tanto
A como B no tienen ning
un resultado en com
un y que en caso de que uno de los dos se presente, el otro no podra ocurrir, por tanto
A B = 0 y:
P(AB)
0
P(AB) =
=
=0
P(B)
P(B)

Otro caso especial podra ser el caso en que el evento B este contenido dentro de A, es decir: B A. En este caso si el evento
B ocurre, A tambien deber
a ocurrir y por tanto su probabilidad de que A se de dado que B ha ocurrido sera de 1, esto ya que
A B = B.
P(AB) P(B)
=
=1
P(AB) =
P(B)
P(B)
Veamos ahora lo que sucede en la figura 11 con los eventos A y B tal y como se muestran en ella. Supongamos que se sabe que el
evento B ocurre, puesto de otra manera sabemos que tenemos uno de los cinco resultados contenidos en B, la pregunta es: Cual es
la probabilidad de que se de A?
Como dos de los cinco resultados de B tambien est
an presentes en A (es decir, tenemos dos resultados en A B), la probabilidad
condicional sera la probabilidad de que no de estos dos resultados ocurran en vez de que lo hagan los otros tres (los cuales est
an
contenidos en A B). La figura 12 nos muestra esta operaci
on y su resultado (la probabilidad de que ocurra) sera:
P(AB) =

P(AB)
0.19 + 0.07
0.26
=
=
= 0.464
P(B)]
0.19 + 0.07 + 0.04 + 0.12 + 0.14 0.56

Por otro lado, si estamos seguros de que el evento B no va a ocurrir, entonces la probabilidad condicional de A sera:
P(AB ) =

P(AB ) P(A) P(AB) 0.27 0.26 0.01

=
=
=
= 0.023
P(B )]
1 P(B)
1 0.56
0.44

Adicionalmente, de la misma manera en que P(A) + P(A ) = 1, tambien lo es que:

P(AB) + P(A B) = 1

Por u
ltimo, un evento condicionado puede ser representado como la combinaci
on de mas de dos eventos, como ejemplo tomemos:
P(ABC)
Esto representa la probabilidad de que se de A con la condicion de que primero ha ocurrido el evento B C, es decir, con la condicion
de que B o C han ocurrido. La probabilidad de este evento sera:
P(ABC) =

P(A(BC))
P(BC)

S
b

0.18
b

0.22

b
b

0.07
b

0.04

0.01

0.19

0.12

0.14

0.03

Figura 21: P(AB) =

P(AB)
P(B)

Ejemplo 16:
Recordemos el problema de los chips (ejemplos 2 y 7) y miremos como se vera el espacio que contiene a los eventos correcto e
incorrecto, de los cuales sabemos que la probabilidad de correcto es P(correcto) = 0.71 y que en el est
an contenidos los resultados
correspondientes a no mas de cinco chips defectuosos.

S
correcto
0 defectos

1 defectos

2 defectos

3 defectos

4 defectos

5 defectos

6 defectos

0.02

0.11

0.16

0.21

0.13

0.08

??

...

500 defectos
??

Figura 22: Espacio muestral del ejemplo 16.

La probabilidad de que una caja no tenga chips defectuosos es:
P(0 defecutos) = 0.02
Esto nos indica que al escoger aleatoriamente una caja, tendremos un 2% de probabilidad de que la caja no contenga ning
un chip
defectuoso. Recordemos que la compa
na alega que en el 71% de los casos las cajas de chips que vende contienen menos de cinco
chips defectuosos y los clientes de la compa
na se clasificar
an en satisfechos o insatisfechos dependiendo de que la garanta se cumpla.
Queda claro el hecho de que un cliente insatisfecho nunca sera aquel que compre una caja en la cual no hayan chips defectuosos. Sin
embargo, lo interesante sera saber cual es la probabilidad de que un cliente satisfecho al comprar una caja de chips obtenga una
que no tenga ning
un defecto. La probabilidad que queremos calculas sera entonces la probabilidad de no tener ning
un defecto en la
caja condicionada por el hecho de que en la caja no podran haber mas de cinco defectos y se calcula como:
P(0 defectoscorrecto) =

P(0 defectoscorrecto)
P(0)
0.02
=
=
= 0.028
P(correcto)
P(correcto) 0.71

Este resultado nos indica que mientras el 2% de las cajas de chips no contienen ninguno defectuoso, el 2.8% de los clientes satisfechos
compraron cajas de chips con ninguno defectuoso.

Ejemplo 17:
La probabilidad de que un vuelo regular parta a tiempo es P(D) = 0.83, la probabilidad de que arribe a tiempo es P(A) = 0.82 y la
probabilidad de que parta y arribe a tiempo es de P(DA) = 0.78. Hallar la probabilidad de que un avi
on (a) arribe a tiempo dado
que parti
o a tiempo, y (b) departa a tiempo, dado que arribo a tiempo.
la probabilidad de que un avi
on arribe a tiempo, dado que haba partido a tiempo sera:
P(AD) =

P(DA) 0.78
=
= 0.94
P(D)
0.83

La probabilidad de que un avi

on departa a tiempo dado que arribo a tiempo sera:
P(DA) =

P(DA) 0.78
=
= 0.95
P(A)
0.82

Trabajemos ahora algo de mas interes para la gente que viaja en avi
on para esto tomemos en cuenta P(AD ) , esta es la probabilidad
de que el avi
on arribe a tiempo dado que al partir no lo hizo a tiempo.
Esta probabilidad puede hallarse partiendo de la f
ormula:
P(AD ) =

P(AD )
P(D )

Del enunciado del problema sabemos la probabilidad de que un avi

on departa a tiempo y a partir de ella podemos calcular facilmente
su complemento, es decir, la probabilidad de que no departa a tiempo. Esto es:
P(D ) = 1 P(D) = 1 0.83 = 0.17
El problema est
a en saber el valor de la interseccion entre que el avi
on arribe a tiempo y que el avi
on no departa a tiempo, es decir
la probabilidad de P(AD ) . Para esto, volvamos a las definiciones dadas sobre la interseccion de eventos y all encontraremos la
siguiente ecuaci
on:
P(AB) + P(AB ) = P(A)
si la adaptamos a la informaci
on que conocemos, nos basta con reemplazar al evento B por nuestro evento D y despejar la ecuaci
on
para lo que necesitamos, es decir P(AD ) , esto nos arroja:
P(AD ) = P(A) P(AD)
y entonces el resultado a nuestra pregunta sera:
P(AD ) =

P(AD ) P(A) P(AD) 0.82 0.78

=
=
= 0.24
P(D )
P(D )
0.17

Que es un resultado importante para un pasajero pues la probabilidad de que un vuelo arribe a tiempo bajo estas condiciones
disminuye notablemente.

8
8.1

Probabilidad de la Intersecci
on de Eventos o Reglas Multiplicativas
Regla Multiplicativa General

Partiendo de la definicion dada de probabilidad condicional para P(AB) , la interseccion de dos eventos A y B (AB) podra calcularse
como:
P(AB) = P(B) P(AB)

Esto nos dice que la probabilidad de que los dos eventos A y B ocurran puede ser calculada al multiplicar la probabilidad del evento
B por la probabilidad de que el evento A ocurra dado que el evento B ha ocurrido. Esta misma probabilidad podra calcularse de
la siguiente manera:
P(AB) = P(A) P(BA)
esto se debe a que nuestro interes es saber si hay la probabilidad de que los dos eventos A y B ocurran y para que esto pueda suceder,
uno de los dos eventos ha de ocurrir primero (la condicionalidad) y luego se m
ultiplica por la probabilidad del otro evento para que
la interseccion de los dos entre en efecto. Estas f
ormulas pueden extenderse para una cantidad n de eventos todos sucediendo en
cadena y es lo que nos define las reglas aditivas:
Definici
on 14 La probabilidad de la intersecci
on de una serie de eventos A1 , A2 , . . . , An1 , An puede calcularse a partir de
la expresi
on:
P(A1 A2 An1 An ) = P(A1 ) P(A2 A1 ) P(A3 A1 A2 ) P(An1 A1 A2 An2 ) P(An A1 A2 An1 )
Esta expresion para el c
alculo de la probabilidad de interseccion de eventos es u
til en particular cuando las probabilidades condicionales P(Ai A1 A2 Ai1 ) son de f
acil obtencion.

Ejemplo 18:
Al finalizar el ejemplo 4 hablamos del evento de sacar dos cartas de un mazo sin reemplazo. Sea A el evento de que la primera carta
sacada sea una de corazones y sea B el evento de que la segunda carta sacada del mazo tambien lo sea de corazones. Cu
al sera
P(AB) , siendo esta la probabilidad de que ambas cartas sean de corazones?
La figura 23 muestra el espacio muestral S de este evento, el cual dijimos en el ejemplo 4 que consiste de 2652 resultados posibles,
todos con la misma probabilidad de ser obtenidos, es decir una probabilidad de 1/2652.
Una posible forma de dar solucion a este problema sera contando los posibles resultados dentro del espacio para los que se cumplen
los dos eventos, pero esto tardara mucho ya que en total hay 2652 resultados diferentes.

S
(2, A)

(A, 2)

(A, 3)
(2, 3)

...

(3, A)

(3, 2)

(Q, A)

(Q, 2)

(Q, 3)

(K, A)

(K, 2)

...

...

(K, 3)

(A, Q)

(A, K)

(3, Q)

(3, K)

(2, Q)

...
...

(K, Q)

(2, K)

(Q, K)

Figura 23: Diagrama del espacio muestral del ejemplo .

Si observamos bien, podemos darnos cuenta de que para solucionar este problema podemos observar los eventos. Empezamos por
sacar la primera carta del mazo y evaluar la posibilidad de que A se presente. Un mazo tiene 13 cartas de cada color por lo que A
tendra una probabilidad:
13 1
P(A) =
=
52 4
Si el evento A se da, procedemos a analizar A, es decir, para tener en cuenta que B puede sucedes se debe cumplir primero la
condicion de que A se de, esto es lo mismo que P(BA) y su valor es:
P(BA) =

12
51

Esto se debe a que no hay reemplazo, por lo que para la extraccion de la segunda carta nuestro mazo tendra una menos y que como
asumimos que en la primera extracci
on obtuvimos un coraz
on ya no quedaran trece sino 12 cartas de corazones en el.

La respuesta a la pregunta sera entonces:

P(AB) = P(A) P(BA) =

8.2

3
1 1

=
4 52 51

Eventos Independientes

Decimos que dos eventos A y B son independients si:

P(BA) = P(B)
es decir, si la ocurrencia o no ocurrencia del evento A no afecta para nada la probabilidad del evento B, esto nos lleva a la siguiente
definicion:
Definici
on 15 Decimos que dos eventos A y B son independientes si:
P(AB) = P(A) ,

P(BA) = P(B) ,

P(AB) = P(A) P(B)

d
onde cualquiera de las tres condiciones que se presente implica que las otras dos se dan. La correcta interpretaci
on de dos eventos
independientes es el hecho de el conocimiento de uno de ellos (bien sea porque ocurre o no lo hace) no afecta para nada la probabilidad
del otro evento.
De la misma manera que con las reglas multiplicativas, la independencia de eventos puede extenderse a un n
umero n de eventos,
esto nos lleva a:
Definici
on 16 La probabilidad de la intersecci
on de una serie de eventos independientes A1 , A2 , . . . , An1 , An ser
a:
P(A1 A2 An1 An ) = PA1 P(A2 ) PA3 PAn1 PAn

Ejemplo 19:
Una vez mas volvamos al ejemplo de extraer dos cartas de un mazo de 52 con A el evento de que la primera carta sea de corazones
y B el evento de que la segunda carta sea tambien de corazones. Esta vez consideremos el caso de que haya reemplazo, es decir, una
vez extrada la primer carta se anota su valor y luego se devuelve al mazo para volver a barajar (lo que asegura la aleatoriedad del
experimento la segunda vez) antes de extraer la segunda carta.
En la figura 2 vimos que este experimento tiene 2704 posibilidades todas iguales, por lo que el valor de cada resultado es de 1/2704
. La probabilidad de obtener una carta de corazones en la primera extraccion es:
P(A) =

13 1
=
52 4

Como hay reemplazo, cuando vayamos a sacar la segunda carta el mazo estar
a de nuevo completo por lo que la probabilidad de
obtener una carta de corazones en la segunda extracci
on sera:
P(B) =

13 1
=
52 4

Ahora al calcular la intercepci

on de los dos eventos tendremos:
P(AB) = P(a) P(B) =

1
1 1
=
4 4 16

Aqu se puede apreciar la independencia de los resultados puesto que la probabilidad del segundo evento no se vio afectada por el
primero al haber reemplazo, lo que garantiz
o que un evento no se relacionara con el otro a diferencia de lo que sucedi
o cuando no
hubo reemplazo en el ejemplo anterior lo que hacia que el resultado del evento B dependier
a directamente del resultado del evento
A.

Ley de Probabilidad Total

Sean A1 , A2 , . . . , An1 , An particiones de un espacio muestral S de manera que cada evento Ai sea mutuamente exclusivo con el
otro, es decir que:
S = A1 A2 A3 An1 An
on consideremos un evento
supongamos que las probabilidades de estos n eventos PA1 , PA2 , . . . , PAn1 , PAn se conocen y en adici
B tal como se ve en la figura 24 que se intersecta con varios de los eventos A1 , A2 , . . . , An1 , An y para el cual las probabilidades
condicionales P(BA1 ) , P(BA2 ) , . . . , P(BAn1 ) , P(BAn ) tambien se conocen, entonces:
Definici
on 17 Si los eventos A1 , A2 , . . . , An1 , An son particiones de un espacio muestral S, entonces la probabilidad de el evento
B podr
a obtenerse a partir de las probabilidades de P(Ai ) y de P(BAi ) mediante:
P(B) = P(A1 ) P(BA1 ) + P(A2 ) P(BA2 ) + + P(An1 ) P(BAn1 ) + P(An ) P(BAn )

A2
A1

A3
B

An
Figura 24: El espacio muestral S con las particiones A1 , A2 , . . . , An1 , An y el evento B

Ejemplo 20:
En cierta planta ensambladora, tres maquinas, B1 , B2 y B3 ensamblan el 30%, 45% y 25% de los productos respectivamente. De
acuerdo a la experiencia, en la planta se sabe que el 2%, el 3% y el 2% de los productor ensamblados por cada maquina respectivamente
salen defectuosos. Supongamos que uno de los productos terminados se selecciona al azar. Cu
al es la probabilidad de que el producto
sea defectuoso?, para esto cosidere los siguientes eventos:
A: El producto est
a defectuoso
B1: El producto fue ensamblado por la maquina B1 .
B2: El producto fue ensamblado por la maquina B2 .
B3: El producto fue ensamblado por la maquina B3 .
Nos interesa saber si un producto es defectuoso al escogerlo de un grupo de productos terminado por las tres maquinas, es decir
queremos saber P(A) , pero para poder saber su valor debemos tener en cuenta que una de las maquinas pudo haber ensamblado el
producto, lo cual introduce condicionalidad en nuestro problema, por tanto la probabilidad sera:
P(A) = P(B1 ) P(AB1 ) + P(B2 ) P(AB2 ) + P(B3 ) P(AB3 )

Para entender esto mejor, miremos la figura 25 que nos muestra el evento con sus probabilidades.

B1

P(AB1 ) = 0.02

P(B2 ) = 0.3

P(B2 ) = 0.45

B2

P(AB2 ) = 0.03

P(B3 ) = 0.25

B3

P(AB3 ) = 0.02

Figura 25: Diagrama de arbol para el ejemplo 20.

De acuerdo al diagrama las probabilidades de cada una de las ramas seran:
P(B1 ) P(AB1 ) = (0.3)(0.02) = 0.006
P(B2 ) P(AB2 ) = (0.45)(0.03) = 0.0135
P(B3 ) P(AB3 ) = (0.25)(0.02) = 0.005

y por tanto:

10

P(A) = P(B1 ) P(AB1 ) + P(B2 ) P(AB2 ) + P(B3 ) P(AB3 ) = 0.006 + 0.0135 + 0.005 = 0.0245

Teorema de Bayes

Una pregunta adicional que surge es como usar las probabilidades de P(Ai ) y P(BAi ) para calcular las probabilidades de P(Ai B) , es
decir la probabilidad revisada de los eventos Ai condicionados a la ocurrencia del evento B. Para dar respuesta a esta pregunta
surgi
o el Teorema de Bayes que dice:
Definici
on 18 Si A1 , A2 , . . . , An1 , An son particiones de un espacio muestral S, entonces las probabilidades posteriores de los
eventos Ai condicionados a la ocurrencia del evento B puden obtenerse partiendo de las probabilidades de P(Ai ) y P(BAi ) mediante
la f
ormula:
P(A ) P(BAi )
P(Ai B) = n i
j=1 P(Aj ) P(BAj )
La importancia de este teorema reside en el hecho de que la informacion acerca de un evento puede ser usada para actualizar la
informaci
on ya existente del evento y mejorar cada vez mas la exactitud de los modelos.

Ejemplo 21:
Partiendo del ejemplo 20, si un producto es escogido al azar y resulta defectuoso , cual es la probabilidad de que el producto haya
sido ensamblado por la maquina B3 ? Por el Teorema de Bayes la probabilidad de este evento es:
P(B3 A) =

P(B3 ) P(AB3 )
P(B1 ) P(AB1 ) + P(B2 ) P(AB2 ) + P(B3 ) P(AB3 )

y al reemplazar en esta formula las probabilidades que ya tenamos tenemos:

P(B3 A) =

0.005
0.005
10
=
=
0.006 + 0.30135 + 0.005 0.0245 49

En vista del hecho de que un producto defectuoso fue seleccionado, el resultado sugiere que probablemente no fue ensamblado por
la maquina B3 .

Ejemplo 22:
Una planta armadora recibe microcircuitos provenientes de tres distintos fabricantes B1 , B2 y B3 . EL 50% del total se compra a B1
mientras que a B2 y B3 se les compra un 25% a cada uno .El porcentaje de circuitos defectuosos para B1 , B2 y B3 es 5, 10 y 12%
respectivamente. Si un circuito no est
a defectuoso, Cu
al es la probabilidad de que haya sido vendido por el proveedor B2 ?.
Para poder resolver este problema primero debemos hallar las probabilidades de que el producto sea o no defectuoso, si denotamos
con D un producto defectuoso y con N uno no defectuoso, tenemos:
P(D1 ) = P(DB1 ) P(B1 ) = 0.05 0.5 = 0.025
P(D2 ) = P(DB2 ) P(B2 ) = 0.1 0.25 = 0.025

P(D3 ) = P(DB3 ) P(B3 ) = 0.12 0.25 = 0.03

P(N1 ) = P(N B1 ) P(B1 ) = 0.95 0.5 = 0.475

P(N2 ) = P(N B2 ) P(B2 ) = 0.9 0.25 = 0.225

P(N3 ) = P(N B3 ) P(B3 ) = 0.88 0.25 = 0.22

Finalmente, ya que nos preguntan la probabilidad de que el elemento escogido haya sido vendido por el fabricante B2 , aplicamos el
Teorema de Bayes de la siguiente manera:
P(B1 N ) =

P(N B1 ) P(B1 )
0.225
0.225
=
=
= 0.2446
P(N B1 ) P(B1 ) + P(N B2 ) P(B2 ) + P(N B3 ) P(B3 ) 0.475 + 0.225 + 0.22
0.92

Ejercicios de Pr
actica
1. Se selecciona una carta de un mazo de 52 cartas. A es el evento de que la carta seleccionada sea un As, B es el evento de que
la carta seleccionada sea roja y C el evento de que la carta seleccionada sea una figura (J, Q o K). De cuales cartas consisten
los siguientes eventos:
(a) A B

(b) A C

(c) B C

(d) A (B C)

2. Suponga que entre los estudiantes de u

ltimo a
no de los colegios de una ciudad se hace una encuesta a 500 estudiantes y se
encuentra que 210 fuman, 258 consumen bebidas alcoholicas, 216 comen entre comidas, 122 fuman y beben bebidas alcoholicas,
83 comen entre comidas y consumen bebidas alcoholicas, 97 fuman y comen entre comidas y 52 realizan estas 3 malas practicas.
Si un miembro de este grupo es seleccionado al azar, hallar la probabilidad de que el estudiante: (a) Fume pero no consuma
bebidas alcoholicas. (b) Coma entre comidas y beba bebidas alcoholicas. (c) Ni beba ni coma entre comidas.
3. Consideremos una urna que contiene 4 bolas rojas y 5 blancas. De las 4 bolas rojas, 2 son lisas y 2 rayadas y de las 5 bolas
blancas, 4 son lisas y una sola es rayada. Supongamos que se extrae una bola y, sin que la hayamos mirado, alguien nos dice
que la bola es roja, cu
al es la probabilidad de que la bola sea rayada?
4. Las probabilidades de que llueve o nieve en una ciudad determinada el da de navidad, el da de a
no nuevo o ambos das son
P(L) = 0.60, P(N ) = 0.60 y P(LN ) = 0.42. Verifique si los eventos N y C son independientes.
5. Si hay una probabilidad del 10% de que la luna estar
a en la septima casa y J
upiter se alinear
a con Marte, y una probabilidad
del 25% de que J
upiter se alinear
a con Marte, entonces cu
al es la probabilidad de que la luna este en la septima casa, dado
que J
upiter se alinee con Marte?. Recuerde pasar los porcentajes a valores entre 0 y 1.

6. Un jurado consiste en nueve personas nacidas en el pas y tres personas nacidas en el extranjero. Si se selecciona para una
entrevista: (a) a dos miembros del jurado cual es la probabilidad de que ninguno sea extranjero, (b) a tres miembros del jurado
cual es la probabilidad que todos sean extranjeros.
7. Una bola se escoge al azar de una bolsa que contiene 150 bolas que son rojas o azules y lisas o rayadas. En la bolsa hay 36
bolas lisas y 54 bolas azules. Cu
al es la probabilidad de que la bola escogida sea lisa dado que es roja? Cu
al es la proabilidad
de que la bola escogida sea rayada dado que es roja?
8. Una clase de fsica avanzada est
a compuesta por 10 estudiantes de tercer a
no, 30 de u
ltimo a
no y 10 de posgrado. Las notas
finales muestran que 3 de los estudiantes de tercer a
no, 10 de los de u
ltimo a
no y 5 de los de posgrado obtuvieron una calificacion
de E. Si un estudiante es seleccionado al azar de esta clase y se encuentra que el estudiante tiene una nota de E, cual es la
probabilidad de que el o la estudiante sea de u
ltimo a
no?
9. Una compa
na estudia la comercializaci
on de un nuevo producto. El presidente de la compa
na desea que el producto sea superior
al de su mas cercano competidor. Con base en una evaluacion preliminar que realizo el personal clave, se decide asignar una
posibilidad del 50% de que el producto sea superior al ofrecido por el competidor, 30% de que tenga la misma calidad y un
20% de que sea inferior. Un estudio de mercado sobre el producto concluye que este es superior al del competidor. Con base a
la experiencia sobre los resultados de las encuestas, se determina si el producto es realmente superior, la probabilidad de que
la encuesta alcance la misma conclusi
on es 0.7. Si el producto tiene la misma calidad que el del competidor, la probabilidad de
que la encuesta de como resultado un producto superior es 0.4. Si el producto es inferior, la probabilidad de que la encuesta
indique un producto superior es de 0.2. Dado el resultado de la encuesta, Cual es la probabilidad de obtener un producto
superior?
10. Con base en varios estudios una compa
na ha clasificado, de acuerdo con las posibilidades de descubrir petr
oleo, las formaciones
geologicas en tres tipos. La compa
na pretende perforar un pozo en un determinado sitio, al que se le asignan las probabilidades
de 0.55, 0.30 y 0.25 para los tres tipos de formaciones, respectivamente. De acuerdo con la experiencia se sabe que el petr
oleo
se encuentra en un 50% de las formaciones del tipo I, en un 15% de las formaciones del tipo II y en un 35% de las formaciones
del tipo III. Si la compa
na no descubre petr
oleo en ese lugar, Cual es la probabilidad de que exista una formaci
on del tipo
II?
11. En cierta region de un pas se sabe por experiencia que la probabilidad de seleccionar a un adulto mayor de 40 a
nos con c
ancer
es de 0.05. Si la probabilidad de que un doctor diagnostique de manera correcta a una persona enferma de c
ancer como una
persona enferma de c
ancer es de 0.78 y la probabilidad de que diagnostique a una persona sana como una persona enferma
con c
ancer es del 0.06, cual es la probabilidad de que un adulto de mas de 40 a
nos de edad sea diagnosticado como enfermo de
c
ancer? Cu
al es la probabilidad de que la persona diagnosticada en efecto este enferma de c
ancer?
12. La bolsa A contiene 3 bolas rojas y 7 azules, la bolsa B contiene 8 bolas rojas y 4 azules y la bolsa C contiene 5 bolas rojas y
11 azules. Se selecciona una bolsa al azar (las tres bolsas tienen la misma oportunidad de ser seleccionadas) y luego se extrae
una bola de la bolsa al azar. Calcular las probabilidades siguientes:
(a)
(b)
(c)
(d)
(e)

Se escoja una bola roja.

Se escoja una bola az
ul.
Se escoja una bola roja de la bolsa B.
Si se sabe que la bola escogida es roja, cual es la probabilidad de que la bola provenga de la bolsa A?
Si se sabe que la bola escogida es az
ul, cual es la probabilidad de que la bola provenga de la bolsa B?

References
[1] Walpole, Ronald E., . . . [et al.], Probability and Statistics for Engineers, Ninth edition, Prentice Hall, USA, 2012.
[2] Freund, John E. y Simon, Gary A., Estadstica Elemental, Octava Edici
on, Pearson Educacion, Mexico, 1994.
[3] Devore, Jay L., Probabilidad y Estadstica para Ingeniera y Ciencias, Octava edici
on, Cengage Learning, Mexico, 2012.
[4] Hayter, Anthony, Probability and Statistics for Engineers and Scientists, Fourth Edition, Brooks/Cole, USA, 2012.