Tema 1

Teora de Probabilidades
La necesidad de una teora de probabilidades surge cuando se estudia un experimento
para el cual no se puede predecir con certeza un resultado del mismo. La nocion de
probabilidad nace de la necesidad de medir de alguna manera la duda o la certeza
que un suceso dado ocurra o no.
El proposito de la teora de probabilidades es examinar las formas y medios para
obtener esas medidas de certeza, y hallar procesos satisfactorios de combinarlos cuando
intervienen sucesos.

1.1

Introducci
on a la teora de conjuntos

Con el fin de discutir los conceptos basicos del modelo probabilstico que deseamos
desarrollar, sera muy conveniente tener presente algunas ideas y conceptos de la teora
matematica de conjuntos. Como este tema es muy extenso, presentamos algunas nociones
basicas.
Definici
on 1.1 (Conjunto). Una serie o colecci
on de objetos cualesquiera que posean una
caracterstica o propiedad en com
un bien definida se denominar
a conjunto. Com
unmente
los conjuntos se designan con letras may
usculas A, B, etc.
Ejemplo 1.1. A continuacion damos algunos ejemplos de conjuntos
(a) V = {a, e, i, o, u}
(b) Z+ = {n Z : n = 1, 2, 3, . . .}
(c) D = {1, 3, 9} = {n Z+ : n es divisor de 9}
(d) N = {0, 1, 2, . . .} (N
umeros naturales)
(e) R = {Conjunto de los n
umeros reales}
(f) B = {(x, y) : x2 + y 2 = 1, y x, y son n
umeros reales}
Definici
on 1.2 (Elemento de un conjunto). Los objetos que conforman la coleccion del
conjunto se llaman elementos del conjunto. Cuando a es un elemento de un conjunto
A escribimos a A y cuando a no es un elemento de un conjunto A escribimos a 6 A
1

Teora de Probabilidades

Definici
on 1.3 (Conjunto universal). Se define el conjunto universal como el conjunto de
todos los objetos que se pueden considerar. Corrientemente este conjunto se denota por
U.
Definici
on 1.4 (Conjunto vaco). Se define el conjunto vaco como el conjunto que no
contiene elementos. Normalmente este conjunto se denota por .
Definici
on 1.5 (Subconjunto). Se dice que un conjunto A es subconjunto del conjunto B
si todo elemento de A es elemento de B y se escribe A B. En otras palabras,
A B x (x A x B).
En el siguiente diagrama de Venn se observa la disposici
on de los conjuntos A y B cuando
A B.
U

B
A

Definici
on 1.6 (Postulado de extensionalidad). Se dice que dos conjuntos A y B son
iguales, si y solo si A B y B A. En otras palabras,
A, B (x (x A x B) A = B).
Definici
on 1.7 (Conjunto de partes de un conjunto). Se define el conjunto de partes de A,
denotado con P(A), como el conjunto de todos los subconjuntos de A. En otras palabras,
A, C (C P(A) C A).

1.1.1

Algebra
de conjuntos

Definici
on 1.8 (Union).
A B := {x U : x A x B}
U
B
A

W. La Cruz

Definici
on 1.9 (Interseccion).
A B := {x U : x A x B}
A

Definici
on 1.10 (Diferencia).
A\B = A B := {x U : x A x 6 B}
A

Definici
on 1.11 (Complemento).
A = A := {x U : x 6 A}
U
A

Definici
on 1.12 (Conjuntos disjuntos). Se dice que A y B son conjuntos disjuntos, si y
solo si A B = .
A

1.1.2

Propiedades

1. Leyes Asociativas
(A B) C = A (B C)

Teora de Probabilidades
(A B) C = A (B C)

2. Leyes Conmutativas
AB =BA
AB =BA
3. Leyes de Idempotencia
AA=A
AA=A
4. Inclusion respecto a una union e interseccion
A A B o B A B
A B A o A B B
5. Conjuntos vaco y universal
A=A
A=
AU =U
AU =A
6. Leyes de absorcion
A (A B) = A
A (A B) = A
7. Diferencia y Complemento
AA=U
AA=


A =A

U =
=U

8. Leyes de Morgan
(A B) = A B
(A B) = A B

W. La Cruz

Definici
on 1.13 (Union e Interseccion generalizadas). Se define respectivamente la union
e interseccion generalizadas de los conjuntos A1 , A2 , . . . , An como:
n
[

Ai = A1 A2 An ,

i=1
n
\

Ai = A1 A2 An .

i=1

1.1.3

Producto cartesiano

Sean X e Y dos conjuntos cualesquiera. Se denomina producto cartesiano de X por

Y , denotado por X Y , al conjunto de pares ordenados definido como:
X Y = {(x, y) : x X y Y }.

X Y
Y

X
Figura 1.1: Producto cartesiano de X por Y

1.2
1.2.1

Espacio de Probabilidades
Experimentos deterministas y aleatorios

En todos los experimentos tiene que pasar algo y se ha de observar alg

un hecho, proceso
o sistema que esta funcionando, y hay que observar una parte de el. La cosa hecha o
la parte observada, junto con la observacion que se obtiene, es el experimento. La
observacion misma es un resultado del experimento.
Normalmente, denotaremos un experimento con la letra E y un resultado con un letras
griegas , , etc. Por ejemplo, el siguiente enunciado describe un experimento.
E1 : observar el n
umero que sale en la cara superior de un dado,
y
: sale 1 en la cara superior del dado,
es un resultado.
Se pueden distinguir dos tipos de experimentos: aleatorios y determinista.

Teora de Probabilidades

Definici
on 1.14 (Experimento aleatorio). Se dice que un experimento es aleatorio, si no
se puede predecir, en el sentido ordinario, el resultado antes de llevar a cabo el experimento.
Ejemplo 1.2.
E1 : observar el n
umero que sale en la cara superior de un dado.
E2 : observar el tiempo que pierde una persona en una cola de autob
us.
E3 : se lanza una moneda tres veces y se observa la sucesion de caras y sellos obtenidos.
E4 : medir la resistencia a la tension de una barra de acero.
Definici
on 1.15 (Experimento determinista). Se dice que un experimento es determinista,
si se puede predecir el resultado antes de llevar a cabo el experimento.
Ejemplo 1.3. Se deja al lector buscar dos ejemplos de experimentos deterministas.
Para la teora que a continuacion se desarrollara consideraremos solamente experimentos aleatorios. En consecuencia, cuando hablemos de experimento estaremos refiriendonos
a experimentos del tipo aleatorio.

1.2.2

Espacio muestral y eventos

Definici
on 1.16 (Espacio muestral). El conjunto de todos los posibles resultados de un
experimento E se llama espacio muestral y se denota por S.
Definici
on 1.17 (Espacio muestral discreto). Un espacio muestral de un experimento
aleatorio es discreto, si sus posibles resultados pueden ser enumerados. Si el n
umero total
de posibles resultados de un experimento es finito, se dice que el espacio muestral es finito,
de lo contrario se dice que es infinito.
Definici
on 1.18 (Espacio muestral continuo). Un espacio muestral de un experimento
aleatorio es continuo, si posee un n
umero infinito de resultados que no pueden ser ordenados en una sucesion.
Ejemplo 1.4. Para cada uno de los siguientes experimentos determine su espacio muestral,
ademas, diga si es discreto o continuo.
E1 : observar el n
umero que sale en la cara superior de un dado.
E2 : observar el tiempo que pierde una persona en una cola de autob
us.
E3 : observar la sucesion de caras y sellos obtenidos al lanzar una moneda tres veces.
E4 : contar el n
umero de lanzamientos de una moneda legal hasta obtener una cara por
primera vez.

W. La Cruz

Solucion.
El espacio muestral de E1 es discreto y se puede definir como
S1 = {1, 2, 3, 4, 5, 6}.
El espacio muestral de E2 es continuo y se puede definir como
S2 = {t R : t 0} = [0, +).
El espacio muestral de E3 es discreto y se puede definir como
S3 = {ccc, ccs, csc, css, sss, ssc, scc, scs},
donde los smbolos c y s denotan respectivamente cara y sello. Ademas, el lugar
que ocupan estos smbolos esta en correspondencia con el n
umero del lanzamiento
donde se obtuvo cara o sello.
El espacio muestral de E4 es discreto y se puede definir como
S4 = {1, 2, 3, 4, 5, . . .}.
Definici
on 1.19 (Eventos). Un evento o suceso es un subconjunto del espacio muestral
S. Designaremos con letras may
usculas A, B, C, etc., a los eventos.
Definici
on 1.20 (Evento atomico o elemental). Un evento at
omico o elemental es un
evento que contiene un solo punto del espacio muestra S. En otras palabras, A = {} es
un evento atomico, donde es un resultado de E.
Ejemplo 1.5. Consideremos el experimento E3 definido en el Ejemplo 1.4. Los eventos atomicos o elementales de E3 son: ccc, ccs, csc, css, sss, ssc, scc, scs. A continuacion
mostramos algunos eventos de E3 .
A : en la sucesion hay al menos dos caras. Equivalentemente,
A = {ccc, ccs, csc, scc}.
B : se obtuvo cara en el primer lanzamiento. Equivalentemente,
B = {ccc, ccs, csc, css}.
C : se obtuvo sello en el primer lanzamiento. Equivalentemente,
C = {sss, ssc, scc, scs}.
D : en la sucesion se observa al menos una cara o un sello. Equivalentemente,
D = S.

Teora de Probabilidades
F : en la sucesion no se observan ni caras ni sellos. Equivalentemente,
F = .

Definici
on 1.21 (Evento imposible). Cualquier evento que sea igual al conjunto vaco se
llama evento imposible.
Definici
on 1.22 (Evento seguro). Cualquier evento que sea igual al espacio muestral se
llama evento seguro.
Definici
on 1.23 (Eventos mutuamente excluyentes). Se dice que los eventos A y B son
eventos mutuamente excluyentes, si y s
olo si
A B = .
Ejemplo 1.6. Para los eventos B, C, D y F definidos en el Ejemplo 1.5, las siguientes
propiedades son ciertas:
D es el evento seguro.
F es el evento imposible.
B y C son mutuamente excluyentes.

1.2.3

M
etodos de asignaci
on de probabilidades

Como vimos anteriormente, una de las caractersticas basicas del concepto de experimento es que no sabemos que resultado particular se obtendra al realizar el experimento.
Es decir, si A es un evento asociado a un experimento, no podemos indicar con certeza
si A ocurrira o no. Por lo tanto, es muy importante tratar de asociar un n
umero con el
evento A que mida, de alguna forma, la posibilidad de que A ocurra. La manera de como
se asigna una medida a la ocurrencia de un evento, depende de como se defina probabilidades. Describiremos tres definiciones o metodos de asignacion de probabilidades: clasica,
frecuentista y axiomatica.
Definici
on cl
asica de probabilidades
Consideremos un experimento E que tiene n resultados mutuamente excluyentes a
igualmente posibles1 . En otras palabras el espacio muestral de E es:
S = {1 , 2 , . . . , n }.
Ahora, consideremos un evento A asociado a E definido como
A = {l1 , l2 , . . . , lm },
1

Dos eventos A y B se dicen igualmente posibles si tienen la misma probabilidad de ocurrencia. En la

Seccion 1.3.2 se ampliara mas esta definici
on.

W. La Cruz

donde li {1, 2, . . . , n} tal que li 6= lj , para i 6= j. Entonces, seg

un la definicion clasica de
probabilidad la medida de la ocurrencia de A, denotada por P (A), se define como:
P (A) =

m
#A
n
umero de casos favorables
=
=
.
n
#S
n
umero de casos posibles

(1.1)

Al n
umero P (A) tambien se le llama probabilidad de A. Esta definicion se tratara con
mayor detalle en la Seccion 1.3.2.
Ejemplo 1.7. La probabilidad de ocurrencia de los eventos A, B, C, D y F definidos en
el Ejemplo 1.5 son, respectivamente:
P (A) = 1/2.
P (B) = 1/2.
P (C) = 1/2.
P (D) = 1.
P (F ) = 0.
Definici
on frecuentista de probabilidades
Consideremos un experimento E y un evento A asociado al mismo. Supongamos que
E se realiza N veces. Supongamos tambien que en las N veces que se realizo E, el evento
A ocurrio nN (A) veces. Entonces, la probabilidad de ocurrencia de A, seg
un la definicion
frecuentista, se define como:
nN (A)
P (A) = lm
,
(1.2)
N
N
donde se supone la existencia del lmite.
Definici
on axiom
atica de probabilidades
Consideremos un experimento E. Sea S el espacio muestral asociado a E. Para cada
evento A S asociamos un n
umero real, denotado por P (A) y llamado probabilidad de
A, que satisface los siguientes axiomas.
I. 0 P (A) 1.
II. P (S) = 1.
III. Si A y B son eventos mutuamente excluyentes, entonces
P (A B) = P (A) + P (B).
IV. Si A1 , A2 , . . . , An , . . . son eventos mutuamente excluyentes dos a dos, es decir, Ai
Aj = para i 6= j, entonces
!

[
X
P
Ai =
P (Ai ).
i=1

i=1

10

Teora de Probabilidades

A continuacion probaremos algunos teoremas que se deducen de los axiomas de probabilidades. Estos resultados no dependen de como calculamos P (A).
Teorema 1.1. P () = 0.
Demostracion. Como S y son mutuamente excluyentes, y S = S, entonces por el
Axioma III podemos escribir:
P (S) = P (S ) = P (S) + P (),
Ahora, por la ecuacion anterior y el Axioma II se deduce que P () = 0.
Teorema 1.2. Si A es un evento, entonces
P (A) = 1 P (A).
Demostracion. Como A A = y A A = S, entonces por los Axiomas II y III podemos
escribir:
1 = P (S) = P (A A) = P (A) + P (A).
Despejando P (A) en la ecuacion anterior obtenemos que P (A) = 1 P (A).
Teorema 1.3. Si A y B son eventos cualesquiera, entonces
P (A) = P (A B) + P (A B).
Demostracion. Se tiene que
A = (A B) (A B)
y, ademas, los eventos (A B) y (A B) son mutuamente excluyentes. Entonces, por el
Axioma III P (A) = P (A B) + P (A B).
Teorema 1.4. Si A y B son eventos cualesquiera, entonces
P (A A) = P (A) + P (B) P (A B).
Demostracion. Se tiene que A B = A (B A), ademas, A y (B A) son mutuamente
excluyentes. Entonces, por el Axioma III tenemos que
P (A B) = P (A) + P (B A).

(1.3)

Por el Teorema 1.3 se tiene que

P (B) = P (A B) + P (B A),
de donde se deduce que
P (B A) = P (B) P (A B).
De (1.3) y (1.4) obtenemos que P (A A) = P (A) + P (B) P (A B).
Teorema 1.5. Si A y B son eventos tales que A B, entonces P (A) P (B).

(1.4)

11

W. La Cruz

Demostracion. Como B = (B A) A y los eventos (B A) y A son mutuamente

excluyentes, entonces por el Axioma III podemos escribir:
P (B) = P (B A) + P (A).

(1.5)

Ahora, por el Axioma I tenemos que P (A) 0, P (B) 0 y P (B A) 0. Por lo tanto,

de la ecuacion (1.5) se concluye que P (A) P (B).
En el siguiente ejemplo se muestra la aplicacion de los axiomas y teoremas de probabilidades.
Ejemplo 1.8. Sean A, B y C tres eventos no vacos tales que: P (A) = 1/2, P (B) = 1/3,
y P (C) = 1/4. Por otra parte, si consideramos u
nicamente los eventos A, B y C a los
efectos de enunciar las siguientes afirmaciones, se tiene que: la probabilidad de que ocurra
exclusivamente el evento C es cero, y que solo ocurra B es tambien cero. Mientras, la
probabilidad de que ocurra u
nicamente el evento A es 1/6. Ademas, la probabilidad de
que se de a lugar el evento C y no se produzca el evento B es cero. Determinar la probabilidad de que ocurran los eventos B o C.
Solucion. Debemos calcular la probabilidad P (B C). Para ello necesitamos saber como
estan dispuestos los eventos A, B y C. Tenemos que B y C no pueden ocurrir exclusivamente, y A si puede ocurrir sin que ocurran los eventos B y C, ademas, P (B) < P (A)
y P (C) < P (A). Por lo tanto, B y C son subconjuntos de A. Por otra parte, como
P (C B) = 0 y P (C) < P (B), entonces C es subconjunto de B. De esta forma, la
disposicion de los eventos A, B y C se muestra en el siguiente diagrama de Venn.
A

B
C

As, la probabilidad de que ocurran los eventos B o C es

P (B C) = P (B) = 1/3.

1.3

Espacios muestrales finitos

En esta seccion nos ocuparemos solo de experimentos que tengan asociado una espacio
muestral con un n
umero finito de elementos. Mas a
un, estudiaremos la manera de como
se calcula la probabilidad de un evento asociado a un espacio muestral discreto y finito.
Consideremos un experimento E que tiene n resultados diferentes. En otras palabras,
el espacio muestral de E es:
S = {1 , 2 , . . . , n }.
Seguidamente mostraremos la manera de como se asigna un valor a la probabilidad de
ocurrencia de un evento cualquiera asociado a E.

12

Teora de Probabilidades

1.3.1

Asignaci
on de probabilidades

A fin de caracterizar P (A) en este modelo consideremos primero los eventos elementales, digamos A = {i }. Procedemos como sigue.
A cada uno de los eventos elementales {i } asignamos un n
umero pi , llamado la probabilidad de {i }, que satisface las condiciones siguientes:
(a) pi 0, i = 1, 2, . . . , n,
(b) p1 + p2 + + pn = 1.
Puesto que {i } es un evento, estas condiciones deben estar de acuerdo con los axiomas
de probabilidades. Es muy sencillo verificar que es as.
Ahora, supongamos que un evento A asociado a E esta definido como
A = {l1 , l2 , . . . , lm },
donde li {1, 2, . . . , n} tal que li 6= lj . Por lo tanto,
P (A) = pl1 + pl2 + + plm .

(1.6)

En resumen, la asignacion de probabilidades de pi a cada uno de los eventos elementales

{i }, sujeto a las condiciones anteriores (a) y (b), determina de un modo u
nico P (A) para
cada uno de los sucesos A S, en donde P (A) esta dado por la ecuacion (1.6).
Ejemplo 1.9. Supongamos que un experimento E tiene asociado el espacio muestral
S = {1 , 2 , 3 }.
Ademas, supongamos que la probabilidad de las ocurrencias de los eventos elementales
satisfacen las siguientes ecuaciones

p1 = 2p2 + p3 ,
p2 = p1 2p3 .
Determinar los valores de p1 , p2 y p3 .
Solucion. Como p1 + p2 + p3 = 1, entonces la probabilidad de las ocurrencias de los eventos
elementales satisfacen el siguiente sistema de ecuaciones lineales.

p1 2p2 p3 = 0
p1 p2 2p3 = 0

p1 + p2 + p3 = 1
Resolviendo el sistema anterior obtenemos que:
3
p1 = ,
5

1
p2 = ,
5

1
p3 = .
5

13

W. La Cruz

1.3.2

Resultados igualmente probables

La suposicion mas com

un para espacios muestrales finitos es que todos los eventos
elementales son igualmente probables. Si los n eventos elementales tienen la misma probabilidad, se deduce que cada pi = 1/n. Porque de la condicion p1 + p2 + + pn = 1 se
infiere que npi = 1 para todo i = 1, 2, . . . , n. De esto se obtiene que para cualquier evento
A que conste de m eventos elementales, tenemos
P (A) =

m
.
n

Este metodo de evaluar P (A) a menudo se indica como sigue:

P (A) =

n
umero de maneras en que A puede ocurrir
n
umero total de maneras en que E puede ocurrir

Es importante comprender que la expresion anterior de P (A) es solo una consecuencia

de la suposicion de que todos los eventos elementales son igualmente probables y solo es
aplicable cuando se satisface esta suposicion.
Ejemplo 1.10. Se lanza un dado y se supone que todos los resultados son igualmente
probables. El suceso A se define como
A : aparece en el dado un n
umero mayor que 4.
Esto es, A = {5, 6}. Por lo tanto, P (A) = 2/6, ya que la probabilidad de cada evento
elemental es 1/6.
Ejemplo 1.11. Consideremos el experimento de lanzar dos veces una moneda normal.
Sea A el evento: {aparece una cara}. Para evaluar P (A) un analisis del problema podra
ser el siguiente. El espacio muestral es
S = {0, 1, 2},
en donde cada uno de los resultados representa el n
umero de caras que ocurren. Por lo
1
tanto, P (A) = 3 . Este analisis es obviamente incorrecto, ya que en el espacio muestral
considerado todos los resultados no son igualmente probables. A fin de aplicar el metodo
anterior deberamos considerar el espacio muestral
S = {cc, cs, sc, ss}
en lugar del espacio muestral S. Todos los resultados de S son igualmente probables con
probabilidad igual a 1/4. En consecuencia, A = {cs, sc} y
P (A) =

2
1
= .
4
2

En ejemplos anteriores y muchos otros subsecuentes, nos interesa la eleccion al azar

de uno o mas objetos de una coleccion dada. Definamos mas precisamente la nocion de
eleccion al azar de elementos. Supongamos que tenemos N objetos, digamos a1 , a2 , . . . , aN .

14

Teora de Probabilidades
(a) Escoger al azar un objeto de los N, significa que cada uno de los objetos tiene la
misma probabilidad de ser escogido. Esto es,
Prob(elegir ai ) = 1/N,

i = 1, 2, . . . , N.

(b) Escoger al azar dos objetos entre N objetos significa que cada uno de los pares
de objetos (sin considerar el orden) tiene la misma probabilidad de ser escogido
que cualquier otro par. Esta afirmacion nos lleva inmediatamente a la cuestion de
cuantos pares diferentes hay. Supongamos que hay K de tales pares. Entonces, la
probabilidad de cada par sera 1/K. Mas adelante aprenderemos a calcular K.
(c) Escoger al azar n objetos (n N) entre N objetos significa que cada n-upla
(ai1 , ai2 , . . . , ain ),
tiene la misma probabilidad de ser escogida como cualquier otra n-upla.
En consecuencia, para calcular la probabilidad de seleccionar al azar uno o mas objetos
de una coleccion dada, es necesario saber contar las maneras posibles de que ocurra tal
seleccion. En la siguiente seccion damos algunos metodos de enumeracion.

1.3.3

M
etodos de enumeraci
on

En las proximas secciones mostraremos algunos procedimientos sistematicos de enumeracion. En los ejemplos presentados hasta el momento, no se encontro mucha dificultad
para calcular las maneras distintas de elegir uno o varios elementos entre un grupo dado.
Pero es necesario considerar situaciones poco complicadas para apreciar la necesidad de
contar sistematicamente o de procedimientos de enumeracion.
Ejemplo 1.12. Una caja contiene 20 pelotas azules y 80 verdes. Se eligen diez pelotas al
azar, sin sustituir una pelota antes que sea elegido el proximo. Cual es la probabilidad
de que exactamente la mitad de las pelotas escogidas sean azules?
Para darle respuesta a esta pregunta, consideremos el siguiente espacio muestral S.
Cada uno de los elementos de S consta de diez pelotas posibles de la caja, digamos
(j1 , j2 , . . . , j10 ). Cuantos resultados de este tipo hay? Y entre estos resultados, cuantos
tienen la caracterstica de que exactamente la mitad sean pelotas azules? Evidentemente
necesitamos responder tales interrogantes para resolver el problema propuesto. Muchos
problemas similares dan lugar a preguntas analogas.
Principio de multiplicaci
on
Supongamos que un procedimiento, designado como 1 puede hacerse de n1 maneras.
Supongamos que un segundo procedimiento designado como 2, puede hacerse de n2 maneras. Supongamos tambien que cada una de las maneras de efectuar el procedimiento 1
puede ser seguida por cualquiera de las maneras de efectuar el procedimiento 2. Entonces,
el procedimiento que consta de 1 seguido por 2 se puede hacer de n1 n2 maneras.

15

W. La Cruz

Para visualizar este principio es mas sencillo considerar el siguiente enfoque esquematico.
Consideremos un punto Q y dos rectas L1 y L2 . El procedimiento 1 consiste en ir de Q a
L1 mientras que el procedimiento 2 consiste en ir de L1 a L2 . La Figura 1.2 indica como
se obtiene el resultado final.
n2
)

n2

n1

n2

n2

L1

L2

Figura 1.2: Principio de multiplicacion

Todo lo anterior se puede generalizar para N procedimientos. Supongamos que tenemos
1, 2, . . . , N, procedimientos tales que el procedimiento i se puede hacer de ni maneras,
para i = 1, 2, . . . , N. Ademas, cada una de las maneras de efectuar el procedimiento i
puede ser seguida por cualquiera de las maneras de efectuar el procedimiento i + 1, para
i = 1, 2, . . . , N 1. Entonces, el procedimiento que consta de efectuar el procedimiento
1 seguido por el procedimiento 2, . . ., seguido por el procedimiento N, se puede hacer de
n1 n2 nN maneras.
Principio de adici
on
Supongamos que el procedimiento 1 se puede hacer de n1 maneras. Supongamos que
un segundo procedimiento 2 se puede hacer de n2 maneras. Supongamos ademas que no es
posible que ambos procedimientos se hagan juntos. Entonces, el procedimiento que consta
de efectuar el procedimiento 1 o el procedimiento 2, se puede hacer de n1 + n2 maneras.
Q
n1
I

L1

n2


L2

Figura 1.3: Principio de adicion

16

Teora de Probabilidades

Empleemos otra vez el enfoque esquematico para visualizar el principio de adicion,

como se indica en la Figura 1.3.
Todo lo anterior se puede generalizar para N procedimientos. Supongamos que tenemos
1, 2, . . . , N, procedimientos tales que el procedimiento i se puede hacer de ni maneras, para
i = 1, 2, . . . , N. Ademas, supongamos que no es posible que todos los procedimientos se
puedan realizar conjuntamente. Entonces, el procedimiento que consta de efectuar el
procedimiento 1 o el procedimiento 2 o o el procedimiento N, se puede hacer de
n1 + n2 + + nN maneras.
Permutaciones de objetos diferentes
Supongamos que tenemos n objetos diferentes. Consideremos dos casos: (a) Las maneras posibles de permutar los n objetos; y (b) Las maneras posibles de escoger y permutar
r objetos entre los n que tenemos.
(a) De cuantas maneras, digamos Pn , se pueden permutar estos objetos? Por ejemplo,
si tenemos los objetos a, b y c, podemos considerar las siguientes agrupaciones:
abc,

acb,

bac,

bca,

cab,

cba.

As la respuesta es 6. En general, consideremos el siguiente esquema. Permutar los n

objetos es equivalente a ponerlos en una caja con n compartimientos, en alg
un orden
especfico. La primera casilla se puede llenar en una cualquiera de las n maneras, la
segunda de cualquiera de las (n 1) maneras , , y la u
ltima casilla de solo una
manera. Por tanto, aplicando el principio de multiplicacion anterior, vemos que la
caja se puede llenar de n(n 1)(n 2) 1 maneras. Este n
umero tiene nombre y un
smbolo especiales para el.
Definici
on 1.24 (n-factorial). Sea n un entero positivo. El n
umero entero denotado
con n! se llama n-factorial y se define como
n! = n(n 1)(n 2) 2 1 =

n1
Y

(n i).

i=0

Tambien definimos 0! = 1.

(b) Esta vez deseamos escoger y permutar r objetos, 0 r n, de los n objetos que
tenemos. Indiquemos el n
umero de maneras de hacerlo por Vn,r (variaciones de n
en r). Recurrimos nuevamente al esquema anterior de llenar una caja que tiene n
compartimientos; ahora nos detenemos despues que se ha llenado el compartimiento
r-esimo. As, el primer compartimiento puede llenarse de n maneras, el segundo de
(n 1) maneras, . . ., y el r-esimo compartimiento de n (r 1) maneras. De esta
forma, se puede realizar el procedimiento completo; de nuevo usando el principio de
multiplicacion, de
n(n 1)(n 2) (n r + 1)
maneras. Usando la notacion factorial introducida anteriormente, podemos escribir:
Vn,r =

n!
.
(n r)!

17

W. La Cruz

Ejemplo 1.13. Cuantas banderas de tres colores pueden obtenerse con ocho colores
distintos?
Solucion. Aqu la disposicion de los colores en la bandera constituye una diferencia. En
otras palabras, dos banderas se consideran iguales si poseen los mismos colores y un mismo
orden de colocacion. Por tanto, tenemos
V8,3 =

8!
8!
=
= 336
(8 3)!
5!

banderas.
Combinaciones
Consideremos nuevamente n objetos diferentes. Esta vez estamos interesados en contar
el n
umero de maneras como podemos escoger r de esos n objetos sin considerar el orden.
Por ejemplo, tenemos los objetos a, b c, d, y r = 2; deseamos contar
ab,

ac,

ad,

bc,

bd,

cd.

En otras palabras, no contamos ab y ba como diferentes, puesto que los mismos objetos
estan relacionados y solo difiere el orden.
Para obtener el resultado general recordemos la formula para variaciones de n en r:
el n
umero de maneras de elegir r objetos entre n y permutar los r elegidos es igual a
n!/(n r)!. Sea Cn,r el n
umero de maneras de elegir r entre n, sin considerar el orden.
Observe que una vez que se han escogido los r objetos, hay r! maneras de permutarlos. Por
tanto, aplicando nuevamente el principio de multiplicacion junto con el resultado anterior,
obtenemos
n!
.
r! Cn,r =
(n r)!
As el n
umero de maneras de elegir r entre n objetos diferentes, sin considerar el orden,
esta dado por
n!
Cn,r =
.
r!(n r)!
Normalmente Cn,r denota el n
umero de combinaciones de r objetos entre n. En matematicas este n
umero tiene un smbolo especial para designarlo. Escribiremos
 
n
n!
=
,
r
r!(n r)!


llamado n
umero combinatorio de n en r. Para nuestro proposito, nr se define solo si n es
un entero positivo y si r es un entero 0 r n.
Ejemplo 1.14. Encontrar la probabilidad de que tres cartas extradas aleatoriamente y
sin reposicion de una baraja espa
nola de 40 cartas, sean espadas.
Solucion. La probabilidad es igual a la razon del n
umero de formas o el n
umero de

18

Teora de Probabilidades

combinaciones posibles de extraer tres espadas entre 10, con respecto al n

umero total de
formas de extraer 3 cartas entre 40. Es decir,


10!
10
C10,3
720
3
3!(103)!
3
P =
= 40
= 40! =
=
.
C40,3
59280
247
3!(403)!
3
Ejemplo 1.15. Considerando 26 letras del alfabeto espa
nol, cual es la probabilidad de
2
formar una palabra de cuatro letras donde ninguna de las letras aparece mas de una vez?

Solucion. El n
umero de palabras de cuatro letras que es posible formar es (26)4. En otras
palabras, el espacio muestral consta de
(26)4 = 456976
resultados posibles. Por otra parte, el n
umero de palabras de cuatro letras que se pueden
formar, donde ninguna de las letras aparece mas de una vez, viene dado por
V26,4 =

26!
= 358800.
(26 4)!

En conclusion, la probabilidad de formar una palabra de cuatro letras donde ninguna de

las letras aparece mas de una vez, es:
P =

V26,4
358800
=
.
4
(26)
456976

Ejemplo 1.16. Consideremos el Ejemplo 1.12.

Solucion. Consideremos el espacio muestral S conformado por un arreglo de longitud 10,
cuyas componentes son las letras a y v; por ejemplo,
aaavvavvvv
Las letras a y v indican el lugar que tiene en la muestra una pelota azul o verde, respectivamente. De esta forma, el n
umero de elementos del espacio muestral es el n
umero de
combinaciones de 100 en 10, esto es
C100,10 =

100!
.
10!(100 10)!

Ahora bien, dentro de las 10 pelotas escogidas debemos considerar las maneras como se
eligieron 5 pelotas azules y 5 pelotas verdes, este n
umero viene dado por
C20,5 C80,5 .
De eta forma, la probabilidad pedida es
P =
2

C20,5 C80,5
0, 0213535.
C100,10

Diremos que una palabra es un vector de caracteres en donde las letras que lo conforman pueden
repetirse.

19

W. La Cruz

Permutaciones cuando no todos los objetos son diferentes

En todos los metodos de enumeracion presentados, hemos supuesto que todos los objetos considerados eran diferentes. Sin embargo, no siempre es este el caso.
Supongamos, entonces que tenemos n objetos tales que hay n1 objetos de una clase,
n2 de segunda clase, . . ., nk de una k-esima clase, en donde
n = n1 + n2 + + nk .

(1.7)

Entonces el n
umero de permutaciones de esos objetos esta dada por
n!
.
n1 !n2 ! nk !
La deduccion de esta formula se deja al lector. Notese que si todos los objetos son diferentes, tenemos ni = 1, i = 1, 2, . . . , k, y, por tanto, la formula anterior se reduce a n!, el
resultado obtenido previamente.
Ejemplo 1.17. Como una ilustracion se hallara el n
umero de permutaciones diferentes
de las 6 letras a, a, a, b, b, c. Hay 3 letras de una clase, 2 de una segunda y 1 de una
tercera. De modo que empleando la formula (1.7) se tiene el n
umero
6!
= 60.
3! 2! 1!

1.4
1.4.1

Probabilidad condicional e independencia

Probabilidad condicional

Consideremos la diferencia que existe entre elegir al azar en un lote, un artculo, con
o sin reposicion. Supongamos que el lote tiene la siguiente composicion: 80 artculos sin
defectos y 20 defectuosos. Supongase que elegimos dos artculos de este lote: (a) con
reposicion; (b) sin reposicion.
Definamos los siguientes eventos:
A = {el primer artculo es defectuoso},
B = {el segundo artculo es defectuoso}.
20
Si escogemos con reposicion, P (A) = P (B) = 100
= 15 . Cada vez que elegimos en el lote
hay 20 artculos defectuosos de un total de 100. Sin embargo, si elegimos sin reposicion,
los resultados no son completamente inmediatos. Todava es cierto, naturalmente, que
P (A) = 15 . Pero, cual es el valor de P (B)? Es evidente que con el fin de calcular P (B)
deberamos conocer la composicion del lote, cuando se escoge el segundo artculo. En otras
palabras, deberamos saber si el suceso A ocurrio o no. Este ejemplo indica la necesidad
de presentar el siguiente concepto importante.

Definici
on 1.25. Sean A y B dos eventos asociados con un experimento E. Indiquemos
con B|A al evento condicional B dado que A ha ocurrido. La probabilidad condicional de

20

Teora de Probabilidades

B habiendose presentado A, denotada por P (B|A), es la probabilidad del evento B|A, que
se define por
P (B|A) =

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

dado que P (A) > 0.

Generalmente, los eventos B|A y A|B son diferentes.

P (A|B).

Por consiguiente, P (B|A) 6=

. Porque si A ha ocurrido, entonces al sacar por

En el ejemplo anterior, P (B|A) = 19
99
segunda vez quedan solo 99 artculos, de los cuales 19 son defectuosos.
Cada vez que calculamos P (B|A) estamos esencialmente calculando P (B) con respecto
al espacio espacio muestral reducido de A en vez del espacio muestral original S. Consideremos el siguiente diagrama de Venn.
B S

Cuando calculamos P (B) nos preguntamos que tan probable es que estemos en B,
sabiendo que debemos estar en S, y cuando evaluamos P (B|A) nos preguntamos que tan
probable es que estemos en B, sabiendo que debemos estar en A. (Esto es, el espacio
muestral se ha reducido de S a A.)
Ejemplo 1.18. Se lanzan dos dados normales y se anotan los resultados (x1 , x2 ), donde
xi es el resultado del i-esimo dado i = 1, 2. Por tanto, el espacio muestral S se puede
representar por el siguiente cuadro de 36 resultados igualmente probables:

(1,
1)
(1,
2)

(1,
6)

(2, 1) (2, 2) (2, 6)

S=
.
..

(6, 1) (6, 2) (6, 6)

Consideremos los siguientes dos eventos:

A = {(x1 , x2 ) : x1 + x2 = 10},

B = {(x1 , x2 ) : x1 > x2 }.

As
A = {(5, 5), (4, 6), (6, 4)}

B = {(2, 1), (3, 1), (3, 2), . . . , (6, 5)}.

3
Por tanto, P (A) = 36
y P (B) = 15
. Ademas P (B|A) = 13 , ya que el espacio muestral es
36
ahora A, (que son tres resultados) y solo uno de ellos es consistente con el suceso B. De
1
una manera semejante, nosotros podemos calcular P (A|B) = 15
.

21

W. La Cruz

La consecuencia mas importante de la definicion de probabilidad condicional se obtiene

escribiendola de la manera siguiente:
P (A B) = P (AB) = P (B|A)P (A)
o, equivalentemente,
P (A B) = P (AB) = P (A|B)P (B).
Esto a veces se conoce como el teorema de multiplicaci
on o ley multiplicativa de probabilidades. Este teorema se puede generalizar a mas de dos eventos de la siguiente manera:
P (A1 A2 An ) = P (A1 )P (A2|A1 )P (A3|A1 A2 ) P (An |A1 A2 An1 ).
Podemos aplicar la ley multiplicativa al calculo de la probabilidad de la ocurrencia
simultanea de dos sucesos A y B.
Ejemplo 1.19. Consideremos otra vez el lote de artculos discutido al comienzo de la
Seccion 1.4.1, el cual consta de 20 artculos defectuosos y 80 sin defectos. Si escogemos
2 artculos al azar, sin reposicion, cual es la probabilidad de que ambos artculos sean
defectuosos?
Solucion. Como antes, definimos los eventos A y B como sigue:
A = {el primer artculo es defectuoso},
B = {el segundo artculo es defectuoso}.
Por lo tanto, necesitamos P (AB), que puede calcularse de acuerdo con la ley multiplicativa,
19
como P (B|A)P (A). Pero P (B|A) = 99
mientras P (A) = 15 . Por lo tanto,
P (AB) =

19
.
495

Anteriormente, usamos el concepto de probabilidad condicional con el fin de evaluar la

probabilidad de la ocurrencia simultanea de dos eventos. Podemos aplicar este concepto de
otra manera para calcular la probabilidad de un evento cualquiera B. Para ello necesitamos
la siguiente definicion.
Definici
on 1.26. Decimos que los eventos A1 , A2 , . . . , An representan una particion del
espacio muestral S si:
(a) Ai Aj = para todo i 6= j. (Esto es, que los eventos A1 , A2 , . . . , An son mutuamente
excluyente dos a dos.)
(b) S =

n
S

Ai .

i=1

(c) P (Ai ) > 0 para todo i = 1, 2, . . . , n.

En otras palabras, cuando se efect
ua el experimento E, ocurre uno y s
olo uno de los
eventos Ai .

22

Teora de Probabilidades

A continuacion deduciremos un principio muy importante para el calculo de la probabilidad de un evento. Sea B un evento asociado con un experimento E. Supongamos que
los eventos A1 , A2 , . . . , An son una particion del espacio muestral S. A manera de ejemplo
observe el siguiente diagrama de Venn para el caso n = 8.
A1 A4

A6

S
A5
9

A2

A8

A3

A7

De esta forma, podemos escribir:

B=

n
[

(B Ai ) = (B A1 ) (B A2 ) (B An ).

(1.8)

i=1

Quizas algunos de los conjuntos B Ai pueden ser vacos, pero esto no invalida la anterior
descomposicion de B. Lo importante es que los eventos BAi son mutuamente excluyentes
dos a dos. Entonces, por (1.8) tenemos que
P (B) =

n
X

P (B Ai ).

i=1

Sin embargo, cada termino P (B Ai ) se puede expresar como P (B|Ai )P (Ai) y, por lo
tanto, obtenemos el llamado principio de probabilidad total :
P (B) =

n
X

P (B|Ai)P (Ai ).

(1.9)

i=1

Ejemplo 1.20. Cierto artculo es manufacturado por tres fabricas, sean 1, 2 y 3. Se

sabe que la primera fabrica produce el doble de los artculos que la segunda y que esta
y la tercera producen el mismo n
umero de artculos (durante un perodo de produccion
especificado). Se sabe que el 2 por ciento de los artculos producidos por las dos primeras
fabricas es defectuoso mientras que el 4 por ciento de los manufacturados por la tercera
es defectuoso. Se colocan juntos todos los artculos producidos en una fila y se escoge uno
al azar. Cual es la probabilidad de que este artculo sea defectuoso?
Solucion. Definamos los siguientes eventos:
B
A1
A2
A3

=
=
=
=

{el
{el
{el
{el

artculo
artculo
artculo
artculo

es defectuoso},
proviene de la fabrica 1},
proviene de la fabrica 2},
proviene de la fabrica 3}.

Nosotros necesitamos P (B) y, usando el principio de probabilidad total (1.9), podemos

escribir:
P (B) = P (B|A1 )P (A1) + P (B|A2 )P (A2 ) + P (B|A3 )P (A3 ).

23

W. La Cruz

Ahora, P (A1 ) = 1/2, mientras que P (A2) = P (A3 ) = 1/4. Tambien P (B|A1 ) =
P (B|A2) = 0, 02, mientras que P (B|A3 ) = 0, 04. Sustituyendo sus valores en la ecuacion
anterior obtenemos P (B) = 0, 025.

1.4.2

Teorema de Bayes

Podemos usar el Ejemplo 1.20 para justificar otro resultado importante. Supongamos
que del deposito se escoge un artculo y se encuentra que es defectuoso. Cual es la
probabilidad de que se produjese en la primera fabrica?
Usando la notacion descrita en el Ejemplo 1.20, necesitamos P (A1 |B). Podemos calcular esta probabilidad como una consecuencia de lo siguiente. Sean A1 , A2 , . . . , An una
particion del espacio muestral S. Sea B un evento asociado a S. Aplicando la definicion
de probabilidad condicional, la ley multiplicativa, y el principio de probabilidad total,
podemos escribir:
P (B|Ai )P (Ai)
,
P (Ai |B) = Pn
i=1 P (B|Ai )P (Ai )

para i = 1, 2, . . . , n.

(1.10)

Este resultado se conoce como teorema de Bayes. Tambien se le llama formula para la
probabilidad de las causas. Puesto que los Ai son una particion del espacio muestral, uno
y solo uno de los eventos Ai ocurre. Por lo tanto, la formula (1.10) nos da la probabilidad
de un Ai particular (esto es, una causa), dado que el evento B ha ocurrido. Para aplicar
este teorema, debemos conocer los valores de las P (Ai ). Muy a menudo esos valores no
son conocidos, y esto limita el uso del teorema de Bayes. Ha habido mucha controversia
acerca del teorema de Bayes. Matematicamente es perfectamente correcto; solo la eleccion
impropia para P (Ai) hace el resultado objetable.
Volviendo a la pregunta propuesta en esta seccion y aplicando ahora la ecuacion (1.10),
obtenemos:
P (A1|B) =

1.4.3

(0, 02)(1/2)
= 0, 4.
(0, 02)(1/2) + (0, 02)(1/4) + (0, 04)(1/4)

Eventos independientes

Hemos considerado dos eventos A y B que no pueden ocurrir simultaneamente, es

decir, A B = . Tales sucesos se designaron mutuamente excluyentes. Es claro que si
A y B son mutuamente excluyentes, entonces P (A|B) = 0, porque la ocurrencia de B
impide la ocurrencia de A. Por otra parte, si A B entonces P (A|B) = 1.
En cada uno de los casos anteriores, sabiendo que B ocurrio, se nos dio una informacion
precisa referente a la probabilidad de la ocurrencia de A. Sin embargo, hay muchos casos
en los cuales se sabe que si el evento B ocurre, no tiene influencia alguna en la ocurrencia
o no ocurrencia de A.
Ejemplo 1.21. Supongamos que se lanza un dado normal dos veces. Definamos los
eventos A y B como sigue:
A = {el primer dado muestra un n
umero par},
B = {el segundo dado muestra un 5 o un 6}.

24

Teora de Probabilidades

Por intuicion sabemos que los eventos A y B no estan relacionados. Saber que B ocurre,
no proporciona informacion acerca de la ocurrencia de A. De hecho, el siguiente calculo lo
pone de manifiesto. Tomando como espacio muestral S conformado con los 36 resultados
= 12 , P (B) = 12
=
posibles considerados en el Ejemplo 1.18, encontramos que P (A) = 18
36
36
1
6
1
, mientras que P (A B) = 36 = 6 . Por lo tanto,
3
P (A B)
P (A|B) =
=
P (B)

1
6

1
3

1
= .
2

As encontramos, como era de suponer, que la probabilidad P (A) es igual a la probabilidad condicional P (A|B). De modo semejante


1
1
P (A B)
6

P (B|A) =
= 1 = = P (B).
P (A)
3
2
El ejemplo anterior nos induce plantear el concepto de eventos independientes.

Definici
on 1.27. Se dice que los eventos A y B son independientes si
P (A B) = P (A)P (B).
En el siguiente teorema se muestra otra definicion equivalente de eventos independientes.
Teorema 1.6. Los eventos A y B son independientes si y s
olo si
P (A|B) = P (A)

(1.11)

P (B|A) = P (B).

(1.12)

o
Demostracion. () Supongamos que A y B son eventos independientes y demostremos
que las ecuaciones (1.11) y (1.12) son ciertas. Por las definiciones de eventos independientes
y probabilidad condicional podemos escribir:
P (A|B) =

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

P (B|A) =

P (A B)
P (A)P (B)
=
= P (B).
P (A)
P (A)

() Supongamos que las ecuaciones (1.11) y (1.12) son ciertas y demostremos que los
eventos A y B son independientes. Por (1.11) y la definicion de probabilidad condicional
podemos escribir:
P (A B) = P (A|B)P (B) = P (A)P (B).
Con esto se completa la demostracion del teorema.

25

W. La Cruz

Sera muy importante para nosotros extender la nocion de independencia a mas de dos
eventos. Consideremos primero tres eventos asociados con un experimento, digamos: A,
B, C. Si A y B, A y C, B y C, son mutuamente independientes, entonces no se deduce,
en general, que no haya dependencia entre los tres eventos A, B y C. El siguiente ejemplo
ilustra este punto.
Ejemplo 1.22. Supongamos que lanzamos dos dados. Definamos los eventos A, B y C,
como sigue:
A = {el primer dado muestra un n
umero par},
B = {el segundo dado muestra un n
umero impar},
C = {ambos dados muestran n
umeros pares o n
umeros impares}.
un mas, P (AB) = P (AC) = P (BC) = 41 .
Tenemos que P (A) = P (B) = P (C) = 21 . A
Por lo tanto, los tres eventos son mutuamnte independientes. Sin embargo, P (AB C) =
0 6= P (A)P (B)P (C).
Este ejemplo motiva la siguientedefinicion.
Definici
on 1.28. Se dice que los tres eventos A, B y C son mutuamente independientes
si y solo si todas las condiciones siguientes se cumplen:
(i) P (A B) = P (A)P (B),
(ii) P (A C) = P (A)P (C),
(iii) P (B C) = P (B)P (C),
(iv) P (A B C) = P (A)P (B)P (C).
Finalmente generalizamos esta nocion a n eventos, dando la siguiente definicion.
Definici
on 1.29. Se dice que los n eventos A1 , A2 , . . . , An son mutuamente independientes
si y solo si tenemos para k = 2, 3, . . . , n,
P (Ai1 Ai2 Aik ) = P (Ai1 )P (Ai2 ) P (Aik ).
(Se deja al lector verificar que hay 2n n 1 condiciones juntas anotas.)

1.5

Experimentos compuestos

En esta seccion presentamos la nocion de experimento compuesto. Decimos que un experimento es compuesto si se obtiene como una sucesion de experimentos independientes.
Por ejemplo, si consideramos el lanzamiento de una moneda legal seguido con el lanzamiento de un dado perfecto, el experimento resultante es un experimento compuesto. En
efecto, el experimento de lanzar una moneda es independiente al experimento de lanzar
un dado; ademas, se realizan uno despues del otro.

26

Teora de Probabilidades

Asociado a un experimento compuesto esta su espacio muestral S y la manera de como

se debe asignar la probabilidad a un evento contenido en S. A continuacion establecemos
la definicion de espacio muestral y probabilidad para un experimento compuesto.
Sean E1 y E2 dos experimentos independientes con espacios muestrales S1 y S2 , respectivamente. El espacio que consta de todos los pares ordenados (x1 , x2 ) tales que x1 es
un elemento de S1 y x2 es un elemento de S2 , se llama producto cartesiano de S1 y S2 , y
se denota por S1 S2 .
Por otra parte, sean {} un evento elemental de E1 con probabilidad p y {} un evento
elemental de E2 con probabilidad p . Entonces, el experimento compuesto E conformado
por la sucesion de los experimentos E1 y E1 se le asocia el espacio muestral S = S1 S2 .
La probabilidad del evento elemental {(, )} S se define como
P ({(, )}) = p p .
Esta definicion de espacio muestral y probabilidad para un experimento compuesto se
puede extender facilmente para la sucesion de n experimentos independientes.

1.5.1

Experimento binomial

Consideremos un experimento E con espacio muestral S. Supongamos que necesitamos

observar la ocurrencia o no de un evento A. Sea p la probabilidad de A. Por lo tanto,
P (A) = 1 p. Supongamos tambien que se realizan n repeticiones independientes de
E donde en cada repeticion no se cambian las probabilidades P (A) y P (A). En otras
palabras, tenemos el experimento compuesto
En = E E E
con espacio muestral
S n = S S S.
Estamos interesados en el n
umero de veces que ocurre A en esas n repeticiones. Ahora
bien, si una ocurrencia de A la llamamos exito y la ocurrencia de A la llamamos fracaso.
Observamos que tenemos solamente exitos y fracasos en las n repeticiones de E. Las repeticiones individuales de E donde se observan dos opciones solamente, una complementaria
a la otra, es decir exito y fracaso, se le llaman ensayos o experimentos de Bernoulli.
Para calcular la probabilidad de que en n repeticiones de E tenemos k exitos, definamos
los eventos Ak como sigue:
Ak = {k exitos en n ensayos del experimento E},

para k = 0, 1, . . . , n.

El evento Ak es la coleccion de arreglos de longitud n construidos con k smbolos A y n k

smbolos A; por ejemplo, el siguiente arreglo de caracteres es un evento elemental de S n
que tiene k exitos:
|AAA{z A} A
| AA
{z A}
k veces
nk veces

27

W. La Cruz

Determinemos el n
umero total de tales resultados. Este n
umero se puede obtener respondiendo a la siguiente pregunta: de cuantas maneras posibles se pueden disponer k
smbolos A y n k smbolos A? Estas maneras son
 
n
#Ak =
.
k
Por ejemplo, si n = 3 tendremos A0 , A1 , A2 y A3 los eventos de obtener 0, 1, 2 y 3 exitos,
respectivamente. En la Tabla 1.1 se muestra los eventos elementales de S 3 que pertenecen
a cada evento Ak para k = 0, 1, 2, 3.


n
Evento Eventos elementales
k


A0
A
A
A





1
A A A
A A A
A A A
3
A1
A2
3
AAA AAA AAA
A3
(A A A)
1
Tabla 1.1: Eventos elementales de S 3
Veamos ahora cuantos eventos elementales tiene el espacio muestral S n . Se tiene que
n
n  
X
X
n
n
#S =
#Ak =
= (1 + 1)n = 2n ,
k
k=0
k=0
lo cual indica que S n posee 2n eventos elementales.
Nos dirigimos a calcular la probabilidad de Ak , la cual viene expresada como la suma
de las probabilidades de los eventos elementales que pertenecen a Ak . Pero la probabilidad
de un evento elemental cualquiera de S n , que posee k exitos y n k fracasos, es:

k
k

P AAA
| {z A} A
| AA
{z A} = p (1 p) ,
k veces
nk veces

luego, la probabilidad de que en n repeticiones de E tenemos k exitos es

 
n k
P (Ak ) =
p (1 p)k , para k = 0, 1, 2, . . . , n.
k
Observamos que
n  
X
n k
P (Ak ) =
p (1 p)k = (p + (1 p))n = 1.
k
k=0
k=0

n
X

Todo lo anterior constituye lo que se denomina distribuci

on binomial.
Ejemplo 1.23. Una caja contiene 10 tornillos con tuerca y 8 sin tuerca. Se extraen al
azar 4 tornillos, con reposicion. Cual es la probabilidad de que se extraigan 3 tornillos
con tuerca?

28

Teora de Probabilidades

Solucion. Como los tornillos se toman con reposicion y la probabilidad de obtener un

tornillo con tuerca no cambia en cada extraccion, este experimento se puede caracterizar
como de tipo binomial. De esta forma, consideramos un exito el sacar un tornillo con
tuerca. Sea p la probabilidad de sacar un tornillo con tuerca de un total de 10 tornillos, es
6
= 35 . Por lo tanto, la probabilidad de que se extraigan 3 tornillos con tuerca
decir, p = 10
es
   3  
4
3
2
216
P (A3 ) =
=
.
3
5
5
625

1.5.2

Experimento geom
etrico

Supongamos que se efect

ua un experimento E y estamos interesados solo en la ocurrencia o no de alg
un evento A. Supongamos como en la presentacion del experimento
binomial, que repetidamente efectuamos E, que las repeticiones son independientes, y
que en cada una de las repeticiones P (A) = p y P (A) = 1 p permanecen constantes.
Supongamos que repetimos el experimento hasta que A ocurre por primera vez. (Aqu
nos separamos de las hipotesis que conducen a la distribucion binomial. All el n
umero de
repeticiones era predeterminado, mientras que aqu no.)
Definamos los eventos Ak para k = 1, 2, . . . como sigue:
Ak = {k repeticiones de E hasta incluir la ocurrencia de A},

para k = 0, 1, . . .

Utilizando los smbolos A y A el evento Ak se puede representar como

A
| AA
{z A} A
k1 veces

De esta forma, la probabilidad de repetir el experimento E hasta que ocurra A por primera
vez es:
P (Ak ) = (1 p)k1 p, para k = 0, 1, 2, . . .
Ademas,

X
k=0

P (Ak ) =

X
k=0

(1 p)

k1

X
k1
p=p
(1 p)
=p
k=0

1
1 (1 p)

= 1.

Todo lo anterior constituye lo que se denomina distribuci

on geometrica.
Ejemplo 1.24. Consideremos el siguiente juego entre dos jugadores A y B. El jugador A
comienza lanzando un dado y luego lo lanza B, y as sucesivamente hasta que alguno gane
seg
un las siguientes reglas.
(i) El jugador A gana cuando el lanza el dado y se obtiene un n
umero menor que 3.
(ii) El jugador B gana cuando el lanza el dado y se obtiene un n
umero mayor o igual
que 3.

29

W. La Cruz

Cual es la probabilidad de ganar del jugador A?

Solucion. El experimento es geometrico, ya que se repite indefinidamente hasta que alguno de los jugadores gane. Para calcular la probabilidad pedida definamos los siguientes
eventos:
GA = {el jugador A gana el juego},
J = {el n
umero obtenido en el dado es menor que 3},
I = {el n
umero obtenido en el dado es mayor o igual que 3}.
Utilicemos los eventos J e I para esquematizar la manera como puede ganar el jugador A.
Entonces, A gana si ocurre alguno de los siguientes eventos mutuamente excluyentes:
J
IJJ
IJIJJ
IJIJIJJ
IJIJIJIJJ
..
.

o
o
o
o
o

donde la ubicacion de los eventos se corresponde con el turno con que lanzan los jugadores
A y B. Ademas,
P (IJJ)
P (IJIJJ)
P (IJIJIJJ)
P (IJIJIJIJJ)

=
=
=
=
..
.

P (I)P (J)2
P (I)2 P (J)3
P (I)3 P (J)4
P (I)4 P (J)5

2
1
= ,
6
3
Por lo tanto, la probabilidad de ganar A es
P (J) =

P (GA ) =
=
=
=
=

P (I) =

4
2
= .
6
3

P (I)k1P (J)k

k=1

X

k1  k
2
1
3
3
k=1



k
X
2
3
9
k=1
!
 k
X
2
3
1
9
 k=0

1
6
3
= .
2 1
7
1 9

30

Teora de Probabilidades

1.5.3

Experimento hipergeom
etrico

Supongamos que tenemos un lote de N artculos, de los cuales r son defectuosos y

(N r) no son defectuosos. Supongamos que escogemos, al azar, n artculos del lote
(n N), sin reposicion. Sea Dk el evento definido como
Dk = {k artculos defectuosos encontrados entre los n},

para k = 0, 1, . . . , r

La ocurrencia de Dk indica que en la muestra de tama

no n hay exactamente k artculos
defectuosos y (nk) artculos no defectuosos. De esta forma, la probabilidad de encontrar
k artculos defectuosos entre los n, es




r N r
P (Dk ) =

nk


N
n

para k = 0, 1, 2, . . .

Ejemplo 1.25. Sea una caja con 10 esferas de color rojo dentro de ella y sean 8 esferas
de color azul fuera de la caja3 . Se lanza un dado perfectamente equilibrado de seis caras.
Seguidamente se introducen sin reposicion en la caja el n
umero de esferas azules en funcion
4
del n
umero obtenido en el dado . Luego se extraen al azar y sin reposicion cuatro esferas
de la caja. Determinar la probabilidad de extraer cuatro esferas azules de la caja.
Solucion. El experimento se puede apreciar graficamente en la siguiente figura.
Introducir k esferas azules

Extraer 4 esferas

Lanzar un dado

Caja

Definamos los siguientes eventos:

D = {Extraer cuatro esferas azules de la caja}
Ak = {Introducir k esferas azules en la caja} , k = 1, 2, . . . , 6.
De esta forma, la probabilidad que debemos calcular es P (D). Como la ocurrencia de
cada Ak condiciona la ocurrencia del evento D, entonces podemos escribir:
D=

6
[

(D Ak ) .

k=1

Los eventos Ak particionan el espacio muestral asociado a la extraccion de 4 esferas. Por

el principio de probabilidad total tenemos que
P (D) =

6
X

P (D|Ak )P (Ak ),

k=1

Todas las esferas son de igual textura, peso y dimension.

Si por ejemplo se obtiene 1 en el dado, se debera colocar una esfera azul en la caja; si logra un 2 en
el dado, debera colocar 2 esferas en la caja, y as sucesivamente.
4

31

W. La Cruz

donde el evento D|Ak esta definido como

D|Ak =

{Extraer cuatro esferas azules de la caja, dado que

se introdujeron k esferas azules} , k = 1, 2, . . . , 6.

Como es imposible extraer 4 esferas azules cuando se introducen 3 o menos esferas a la

caja, entonces P (D|Ak ) = 0 para k = 1, 2, 3. Ahora bien, el experimento de sacar 4 esferas
de una caja que tiene k = 4, 5, o 6 bolas azules y 10 bolas rojas es de tipo hipergeometrico.
Entonces la probabilidad P (D|Ak ) esta dada por
P (D|Ak ) =

k 10
4
0


10+k
4

k
4

,
10+k
4

k = 4, 5, 6.

Por otra parte, es claro que la probabilidad de introducir k esferas azules en la caja es
igual a la probabilidad de obtener un n
umero k en el dado, para k = 1, 2, . . . , 6. En otras
palabras, P (Ak ) = 1/6 para k = 1, 2, . . . , 6.
De todo lo anterior se deduce que la probabilidad de extraer cuatro esferas azules de
la caja es
P (D) =

6
X
k=4

k
4

(1/6)
10+k
4

6
X
k! (10 + k 4)!
= (1/6)
(k 4)! (10 + k)!
k=4

1.6

155
0.0021506
72072

Ejercicios propuestos

1. Se dan cuatro eventos no vacos A, B, C y D tales que A y B son independientes; B

y C son independientes; A y C son independientes; ademas, los tres eventos A, B y C
no pueden ocurrir simultaneamente y los eventos (A + B + C) y D son mutuamente
excluyentes. Si suponemos que P (A) = P (B) = P (C) = p y P (D) = 1/5, entonces
determinar el maximo valor de p.
Resp.: 1/2
2. Calcular la probabilidad de extraer una escalera (eso es, diez, sota, reina, rey, as del
1
mismo palo) de una baraja de 52 cartas, en un poker de cinco cartas.
Resp.: 649740
3. Un dado normal se lanza seis veces. Cual es la probabilidad de que cada lanzamiento
5
produzca un resultado diferente?
Resp.: 324
4. Se toman tres muestras aleatorias independientes sobre los dgitos 0, 1, 2, , 9.
Determine la probabilidad de que el mismo dgito aparezca mas de una vez en las tres
muestras.
Resp.: 0, 28

32

Teora de Probabilidades

5. Calcular la probabilidad de que una mano de bridge (o sea, manos de 13 cartas extradas
de una baraja de 52) contenga m espadas, n corazones, i diamantes y k bastos.
C13,m C13,n C13,i C13,k
Resp.:
C52,13
6. Usted cuenta con un dado perfectamente equilibrado de seis caras, y usted decide
lanzarlo indefinidamente hasta obtener el n
umero de la cara de acuerdo al n
umero del
lanzamiento. Es decir, usted detendra el lanzamiento del dado si obtiene la cara uno
del dado en el primer lanzamiento; o si obtiene la cara dos del dado en el segundo
lanzamiento; o si obtiene la cara tres del dado en el tercer lanzamiento; o de igual
forma para el resto de los lanzamientos. Determine la probabilidad de detener los
lanzamientos del dado.
7. Usted cuenta con un dado perfecto de seis caras, y decide lanzarlo cuatro veces sobre
una superficie lisa. Calcule la probabilidad de que la suma de los resultados de los
lanzamientos del dado sea cinco.
8. Suponga que con usted se encuentran 40 estudiantes presentando un examen. Ademas,
suponga que la probabilidad de cada estudiante de haber nacido en cualquier da del
a
no es la misma. Por otra parte, suponga que todos los a
nos son de 365 das. Cual es
la probabilidad de que a lo sumo dos estudiantes cumplan a
no hoy?
9. Se dan dos cajas denominadas A y B. La caja A contiene 10 monedas perfectas y 4
especiales, las cuales solo tienen cara en ambos lados. La caja B tiene 4 pelotas negras
y 3 rojas. Se selecciona al azar una moneda de la caja A y luego se lanza. Si sale cara,
se extrae una pelota de la caja B para descartarla; de lo contrario no se ejecuta ninguna
accion sobre la caja B. Seguidamente, se toma una pelota de la caja B.
(a) Cual es la probabilidad de descartar un pelota de la caja B?
(b) Cual es la probabilidad de obtener una pelota negra en la u
ltima extraccion?
10. Una caja contiene 9 bolas blancas y 3 negras. Se toma una muestra de tres bolas sin
reposicion de la caja y luego se lanza un dado normal. Si el n
umero que se obtiene en la
cara superior del dado es par, retiramos todas las bolas negras de la muestra extrada
y las restantes son devueltas a la caja; de lo contrario se regresa la muestra extrada
(sin modificar) a la caja. Seguidamente extraemos una bola de la caja. Cual es la
probabilidad de obtener una bola negra en la u
ltima extraccion?