Mtodos de Enumeracin, Funcin

de Probabilidades y Eventos

SUMARIO:
2.1.- Introduccin
2.2.- Experimento Estadstico y Espacio Muestral
2.2.1.- Espacio Muestral de un Experimento
2.2.2.- Eventos de un Espacio Muestral

2.3.- Funciones que se Evalan en Conjuntos

2.3.1.- Cardinalidad de un Espacio Muestral
2.3.2.- La Funcin de Probabilidades
2.3.3.- El Espacio de Probabilidades y Eventos

2.4.- Mtodos de Enumeracin

2.4.1.- Cardinalidad de Eventos Finitos
3.4.2.- Regla de la Multiplicacin de Opciones
2.4.3.- Combinaciones y Muestras
2.4.4.- Permutaciones
2.4.5.- El Coeficiente Multinomial

2.5.- Probabilidad Condicional

2.5.1.- Muestreo con y sin Reposicin

2.6.- Independencia Estocstica de Eventos

2.7.- Regla de la Probabilidad Total y Teorema de Bayes

Objetivos del Captulo

Que el lector llegue a:
1) Comprender qu es un experimento y cuando ste se lo califica como un experimento
Estadstico.
2) Determinar el nmero de elementos de un conjunto finito.
3) Definir con precisin el par de conjuntos que constituyen un espacio muestral.
4) Diferenciar cuando un par de eventos son mutuamente excluyentes y cuando no.
5) Reconocer de qu forma se le ha asignado a un evento la probabilidad de que ocurra.
6) A familiarizarse con funciones que no son las usuales del clculo Infinitesimal.
7) Identificar el significado de los axiomas que sustentan la definicin de Funcin Probabilidad.
8) Calcular el nmero de muestras de tamao que se pueden obtener de una Poblacin Objetivo de
tamao N.
9) Diferenciar entre conjunto ordenado y no ordenado.
10) Calcular la probabilidad de que ocurra un evento u otro.
11) Calcular la probabilidad condicional de un evento, dado que ha ocurrido otro anteriormente.
12) Manejar fluidamente la nocin de independencia de dos o mas eventos.
13) Calcular la probabilidad de que ocurra un evento dado que han ocurrido dos o mas eventos
que restringen su espacio muestral.
14) Manejar fluidamente el enunciado, demostracin y aplicacin del Teorema de Bayes.
15) Diferenciar Espacio Muestral de espacio de probabilidades.

ESTADSTICA
Fundamentos y Aplicaciones

2.1.- INTRODUCCIN

Luego de presentar lo que se denomina Estadstica Descriptiva

en el captulo previo, es preciso comenzar a cuantificar la
incertidumbre relacionada con los eventos que se relacionan con
el quehacer estadstico; para eso, en este captulo discutimos los
principales elementos que configuran la presentacin de dicho
tema. Comenzamos por lo que es un experimento, y en
particular un experimento estadstico, para luego centrarnos en
un grupo de conjuntos relacionados con la experimentacin
como son espacio muestral y eventos. Establecida esta
plataforma se trata con funciones que se evalan en conjuntos
como prlogo de la presentacin del conjunto estrella del
captulo: la Funcin de Probabilidades y los axiomas que la
sustentan.
Puesto que para calcular probabilidades de eventos de
cardinalidad finita es importante saber determinar el nmero de
posibles resultados de un experimento, bajo predeterminadas
condiciones de trabajo, se revisan algunas tcnicas de conteo
para conjuntos ordenados y no ordenados, estas son
combinaciones, permutaciones as como el coeficiente
multinomial.
El captulo termina revisando como determinar muestras,
haciendo reposicin y sin hacerlo, generando de esta manera
eventos condicionados y con ellos el clculo de sus
correspondientes probabilidades condicionales, rematando con
el denominado Teorema de Bayes.

2.2.- EXPERIMENTO ESTADSTICO Y ESPACIO MUESTRAL

2.2.1.- Espacio Muestral de un Experimento

Experimento
Conjunto de
acciones con las que,
utilizando
procedimientos
claramente
establecidos, se
efecta algn tipo de
observacin medida

Un Experimento es un conjunto de acciones con las que,

utilizando procedimientos claramente establecidos, se efecta
algn tipo de observacin o medida.
En general el propsito de la experimentacin es generar nuevo
conocimiento o puede ser tambin con la finalidad de verificar
el cumplimiento de
algn principio, supuesto o teora
previamente establecida. Tambin se experimenta para mejorar
la eficacia de algn mecanismo til ya construido.
Un experimento se dice es un Experimento Estadstico si
rene las siguientes caractersticas:

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

G. Zurita

a) Se sabe cuales son todos los resultados posibles del

experimento antes de su ejecutarlo;
b) Cualquier realizacin del experimento debe conducir a un
resultado que no es conocido previo a tal ejecucin , pero
que se sabe es uno de los posibles; y,
c) El experimento puede ser repetido bajo idnticas
condiciones.
Espacio Muestral
del Experimento
Se denomina as al
par ( , S), donde:
a) es el conjunto
de todos los
resultados posibles
del experimento; y,
b) S es el conjunto
potencia de , esto
es, S es el conjunto
de todos los
subconjuntos de
, y es denominado
Espacio de Eventos

Dado un Experimento Estadstico, se denomina Espacio

Muestral del Experimento, al par ( , S), donde:
a) es el conjunto de todos los resultados posibles del
experimento; y,
b) S es el conjunto potencia de , esto es, S es el conjunto de
todos los subconjuntos de , y es denominado Espacio de
Eventos.
Los elementos de sern llamados puntos y genricamente
se los representa por la letra griega .
Tngase en cuenta que siempre es verdad que:
1) no es vaco; y,
2) S cumple con incluir al conjunto vaco ; ser cerrado
bajo unin contable de sus elementos as como tambin bajo
complementacin de sus elementos.
Como estructura algebraica, S sea denominado sigma lgebra
(-lgebra).
Ntese que S no es el nico -lgebra posible de definir sobre
. Ya que, si por ejemplo el experimento estadstico consiste
en lanzar una moneda una vez y observar si sale sello o cara,
tenemos que
= {1 ; 2} = {s ; c}
Donde s significa que el resultado del lanzamiento es sello y c
que es cara, mientras que el conjunto S de todos los resultados
posibles del experimento estadstico es:
S = { ;{s}; {c}; }

Evento Imposible
Conjunto vaco

={ }

Siendo ={ } el conjunto vaco , y en el contexto de la

experimentacin que estamos describiendo, el conjunto vaco o
evento imposible es que al lanzar el dado no sale cara ni sale
sello y es sale cara o sale sello.

ESTADSTICA
Fundamentos y Aplicaciones

Ntese que la unin de cualquier par de elementos de S

pertenece a S y por tanto es cerrado bajo la unin de
cualquier par de sus elementos; adems, si se toma el
complemento de cualquiera de los elementos de S el resultado
Conjunto Contable
Se dice que un
conjunto E es
contable si y solo si,
es posible establecer
una correspondencia
uno a uno entre los
elementos de E y
aquellos de B, donde
B es un subconjunto
del conjunto de
nmeros enteros
positivos.

Espacio Muestral
Discreto
Un espacio muestral
( , S) es discreto si
y solo si es
contable

es un conjunto que tambin pertenece a S. Decimos entonces

que:
i) E1, E2 S (E1 E2) S; y,
ii) E1 S E 1c S
Para cualquier conjunto , es verdad que si S es el conjunto de
subconjuntos de definido como S={ ; } se puede
demostrar que tambin S es un sigma lgebra, pero no ser
utilizado dentro de lo que se expone en este texto.
Hablemos un poco del nmero de elementos de S. Un conjunto
E se dice es contable si y solo si, es posible establecer una
correspondencia uno a uno entre los elementos de E y aquellos
de B, donde B es un subconjunto del conjunto de los nmeros
enteros positivos.
Si B = {1 ; 2 ; 3; ... n} decimos que B es finito. Al conjunto
vaco se lo define como finito.
Un espacio muestral ( , S) se dice es un espacio muestral

discreto si y solo si es contable.

Si por ejemplo el experimento consiste en lanzar
simultneamente dos monedas y observar qu par ordenado de
lados se observan, tenemos que cuatro puntos constituyen :
= {1; 2; 3; 4} ={ss; sc; cs; cc}
Donde ss significa que en la primera moneda ocurri sello y en
la segunda tambin; sc, es primero sello y luego cara, y as
sucesivamente.
Obviamente que es discreto. Mientras que S tiene 24 =16
elementos, esto es:

S = {;{ss};{sc};{cs};{cc};{ss;sc};{ss;cs}; ... ;{sc;cs;cc}; }

Si pensramos en un experimento en el que se lanzan cuatro
monedas y observamos qu cuarteto ordenado de lados

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

ocurre,

G. Zurita

tiene 24 =16 puntos (elementos) mientras que S

tiene 65536 elementos, que es el nmero de subconjuntos de .

A continuacin presentamos los diecisis puntos que
constituyen , para el experimento de los cuatro dados;
ordenando los puntos de de acuerdo al nmero de sellos
presentes en cada punto.
={cccc
cccs ;ccsc; cscc; sccc;
sscc; scsc; sccs; cscs; ccss; cssc;
sssc; sscs; scss; csss;
ssss}
={1; 2; 3; 4 ; 5; 6; 7; 8; 9; 10;11; 12 ; 12; 14;
15; 16 }
No siempre es finito, para poner un ejemplo que sea infinito
contable, imaginemos un experimento que consiste en lanzar
una moneda hasta que salga cara. Tendramos en esta
situacin:
={ c; sc; ssc; sssc; ssssc; sssssc; ... }
Es decir, un resultado posible es que salga cara al primer
lanzamiento de la moneda; otro es que primero salga sello y
luego cara; igualmente puede resultar que en los dos primeros
lanzamientos de la moneda salga sello y cara en el tercero; y as
al infinito. ste es un experimento estadstico con un nmero
infinito contable de resultados posibles. Obviamente el espacio
muestral ( , S) de este experimento es discreto, a pesar de
tener cardinalidad no finita.
Si no es discreto ( , S) es un espacio muestral continuo.
Ocurre por ejemplo cuando a un grupo de entes se les mide su
estatura o determina su peso.

2.2.2.- Eventos de un Espacio Muestral

Eventos
Mutuamente
Excluyentes
Son dos o ms
eventos de que

no tienen
elementos en
comn

Todo subconjunto de se denomina Evento y cuando dos

eventos de un mismo espacio de eventos no tienen elementos
en comn, se dice que son Eventos Mutuamente Excluyentes,
esto es:
E1 y E 2 son eventos mutuamente excluyentes
[(E1, E2 ) (E1 E2 = )]

ESTADSTICA
Fundamentos y Aplicaciones

Ejemplo 2.1
Las personas tenemos cuatro tipos de sangre: A, B, AB y O; a
su vez existe el factor Rhesus o factor Rh, que puede ser
positivo o negativo. Si un investigador realiza un experimento
que consiste en verificar a una persona su tipo de sangre y el
factor Rhesus, Cules son los resultados posibles de este
experimento estadstico?.
Desarrollo.
La respuesta es simple,
={ (A Rh+) ; (A Rh-); (B Rh+); (B Rh-) ; (AB Rh+) ; (AB
Rh-); (O Rh+) ; (O Rh-)}
El espacio muestral es discreto finito ya que la cardinalidad de
es ocho y consecuentemente S contiene 28 eventos.

Ejemplo 2.2
Si a n personas adultas se les mide su estatura, determinar .
Desarrollo.
no es nico para este espacio muestral finito, pero para un
grupo de n estudiantes de educacin superior en el Ecuador
podra ser = { x R | 1.20 < x < 2.00}, x en metros; mas si la
poblacin objetivo son los jugadores de baloncesto de la NBA,
podra ser:
= { x R | 1.80 < x < 2.30}, x en metros.

2.3.- FUNCIONES QUE SE EVALAN EN CONJUNTOS

2.3.1.- Cardinalidad de un Espacio Muestral

Para quien ha tomado un curso de Matemticas a nivel superior,

las funciones que se evalan en nmeros reales - funciones de
variables real - son extremadamente familiares y hay quienes la
manejan con tanta frecuencia que se imaginan son las nicas
que tienen un verdadero sentido prctico, pero en realidad esto
no es as; existe muchos otros tipos de funciones y las
utilizamos, aunque no siempre lo hagamos de manera
consciente. Cuando estamos frente a un conjunto finito E de
entes y nos preguntan cuantos elementos tiene E, con gran
soltura, respondemos, adjudicndole al mismo, un nmero N(E)
y sin darnos cuenta hemos evaluado una funcin N en uno de

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Cardinalidad
Nmero de
elementos de un
conjunto finito E.

G. Zurita

los puntos de su dominio A , punto al que hemos denominado

conjunto E. Esta funcin se denomina Cardinalidad y es ms
usual que muchos otros entes matemticos con los que
rutinariamente lidiamos y reconocemos como tales.
Formalmente N es una funcin representable como:
N: AK
Donde A (su dominio) un conjunto cuyos elementos son
tambin conjuntos y K es el conjunto de los nmeros enteros no
negativos.
Si por ejemplo A es el conjunto de las ciudades ecuatorianas
que eran capital de provincia al momento de realizarse el
empadronamiento del ltimo censo de poblacin (Noviembre
2001), entonces N(Guayaquil) = 1985.379. En este caso N
asigna a cada ciudad el nmero de habitantes que fueron
contabilizados al momento del empadronamiento.
Este tipo de funciones son utilizadas en Estadstica, con el
propsito de medir la incertidumbre existente alrededor de la
factibilidad de que ocurra un evento E, constituyente de un
Espacio Muestral ( , S). Surge de inmediato la nocin de
Probabilidad.
Probabilidad es un concepto arraigado,
informalmente, en la cultura de los pueblos.

aunque

solo

Si se le pregunta a una persona adulta, sin importar su nivel

educativo, cul es la probabilidad que salga el nmero seis
cuando se efecta el lanzamiento de un dado legal, sin duda
alguna, dir que es un sexto; o tal vez menos explcitamente,
que es la misma que la de cualquier otro nmero en el dado; o
tal vez otra expresin en la que seale que los seis nmeros
tienen igual probabilidad de ocurrir, cuando se lanza un dado
legal. Si se le pregunta a esta misma persona donde aprendi
todo aquello, le dir que no se recuerda o lo ms probable es que
diga que esa es una pregunta que tiene una respuesta obvia.
Lo cierto es que lo aprendemos en el diario convivir. Es parte
de la cultura de los pueblos.
Mas, si la maana de un domingo cualquiera le preguntamos a
una persona cul es la probabilidad que ese da gane Barcelona
el juego que tiene programado , las respuestas sern en su
mayora sin sustento racional ; las respuestas sern que gana
sin duda alguna si viene de uno de sus fanticos - la victoria es
un evento seguro-; o que con seguridad pierde si el
entrevistado pertenece a la otra orilla- la victoria es un evento
imposible-; talvez obtendremos un no se de los que estn
7

ESTADSTICA
Fundamentos y Aplicaciones

poco interesados en el futbol. Este tipo de respuesta subjetiva y

extremista no resiste anlisis; mas lo cierto es que la nocin de
probabilidad est presente en la cultura popular por aprendizaje,
ms involuntario que voluntario, tambin por afecto y en
muchos casos tambin por experimentacin. Aunque no lo sepa
el gran pblico, est utilizando funciones que se evalan en
conjuntos, a las que se les asignan como valor un nmero real
entre cero y uno.

Si el experimento consiste en verificar el resultado del partido

que el domingo juega Barcelona, tenemos que

={Gana Barcelona; Empata Barcelona; Pierde Barcelona}

= {1; 2; 3 }

Damos a continuacin una ilustracin ms formal de funciones

que se evalan en conjuntos. Supongamos que A es un conjunto
unidimensional constituido por todos los intervalos cerrados
que es posible construir sobre los nmeros reales positivos.
Supongamos adems que:
E1 = {xR 0 x 1}; y,
E2 = {xR x 2}

x
Defnase la funcin Q, tal que Q(E) = e dx , para cualquier
E

intervalo real cerrado E, por lo que ,

1

Q( E1) =

Q(E2) =

dx = -exp(-1) + 1 = 0.632

e x dx = -exp(-2) + exp(-1/2) = 0.471 ; y,

1/ 2

Q(E1 E2) =

1/ 2

Q(E1E2) =

e
0

dx
x

= -exp(-1) + exp(-1/2) = 0.239

dx = -exp(-2) + 1 = 0.865

Ntese que en la evaluacin de estas integrales utilizamos la

expresin exp(y) como equivalente a ey .
Tngase en cuenta adems que,
Q(E1 E2) = Q(E1) + Q(E2) - Q(E1 E2).

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

G. Zurita

En la seccin siguiente se har evidente el uso que vamos a dar

a las funciones que se evalan en conjuntos.

2.3.2.- La Funcin de Probabilidades

Funcin de
Probabilidades
Es una funcin cuyo
dominio es S y cuyo
conjunto de llegada
es el intervalo
cerrado de nmeros
de cero a uno.

Estamos ya en condiciones de definir una funcin que

determine valores de probabilidades para los eventos que
pueden ocurrir cuando se est frente a un Experimento
Estadstico.
Supongamos que el Experimento Estadstico tiene Espacio
Muestral ( , S); una funcin P cuyo dominio es S y cuyo
conjunto de llegada, es el intervalo cerrado de nmeros reales
de cero a uno, es una Funcin de Probabilidades (P: S
[0,1]) si y solamente si:
a) P() = 1 ;
b) 0 P(E) 1, ES.
c) P(E1E2) = P(E1) + P(E2); siempre que E1E2 = .
Los axiomas aqu impuestos a la funcin P se denominan
Axiomas de Kolmogorov, en honor al matemtico ruso A.
Kolmogorov que creo el sustento terico de lo que hoy es
conocido como la Teora de Probabilidades.

Probabilidad
El nmero real P(E)
se denomina
probabilidad de que
un evento E ocurra,
bajo las condiciones
impuestas en el
experimento

Se pretende que P sea una medida formal de la incertidumbre

que rodea a los eventos que constituyen el Espacio Muestral de
un Experimento Estadstico.
El nmero real P(E) se denomina probabilidad de que el
evento E ocurra, bajo las condiciones impuestas en el
experimento.
Con los Axiomas de Kolmogorov no se pretende escoger una
funcin en particular cuando se tiene un determinado Espacio
Muestral, solo se exige que la funcin escogida cumpla los
requisitos de la definicin de Funcin de Probabilidades.
Si por ejemplo un experimento consiste en verificar el gnero
del primer beb que nace en un hospital el 1 de enero de un ao
cualquiera, no queda dudas de que

= {hombre; mujer} = {1 ; 2}
y si otro experimento consiste en verificar el gnero de la
primera persona que ser declarada hroe de guerra durante un
conflicto armado entre dos naciones, vuelve a tenerse que =
{hombre; mujer} , pero en el primer caso P1(hombre) ser un
valor cercano a 0.50, mientras que en el segundo caso,

ESTADSTICA
Fundamentos y Aplicaciones

P2(hombre) ser probablemente mucho mayor que 0.5,

tradicionalmente cercano a uno. Ntese que hablamos de dos
distintas funciones de probabilidades sobre un mismo espacio
muestral (,S) correspondientes a dos diferentes
experimentos.

2.3.3.- El Espacio de Probabilidades y Eventos

Puede ocurrir tambin que sobre un mismo Espacio Muestral

(, S) correspondiente a un mismo experimento se definan
distintas funciones de probabilidades, basados en distintas
experiencias o percepciones por parte de diferentes grupos
humanos.
La terna (,S,P)
Probabilidades.

es

denominado

un

Espacio

de

Abundaremos un poco, acerca de la razn por la cual (,S) es

denominado un Espacio Medible.
Una funcin que se evala en lo subconjuntos de un conjunto
y es tal que
: A [0, )
es denominada una medida sobre (,A) , si y solamente si:
a) ()=0; y,
b) A es un -lgebra aditivo, esto es (

(A i )
UA ) =
i =1

; para

i =1

cualquier sucesin disjunta de elementos Ai en A.

sto es lo que se denomina una medida contablemente
aditiva. Ntese que bajo las condiciones dadas, (A) 0 para
todo AA,; adems (,A) es lo que se denomina un Espacio
Medible.
Esto significa que P es una medida sobre el Espacio Medible
(, S).
Luego de esta digresin, vamos a probar algunas propiedades de
la Funcin de Probabilidades P.

Teorema 2.1. Si P es una Funcin de Probabilidades, para

cualquier evento ES la probabilidad de que el mismo ocurra
es P(E) = 1 - P(Ec). Siendo Ec el complemento de E en .
10

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Prueba
Por definicin de complemento de un conjunto cualquiera,
EEc = , por tanto P(EEc) = 1; siendo E y Ec eventos
mutuamente excluyentes ,
P(EEc) = P( E) + P(Ec) = 1
Concluyndose entonces que
P(E) = 1 - P(Ec)
Lo cual demuestra el teorema.

Como corolario de este teorema y de la definicin de la

Funcin de Probabilidades P se concluye que P() = 0, lo cual

significa que la probabilidad de que el Evento Imposible ocurra
es cero.
Recordemos que la probabilidad de que el Evento Seguro
ocurra es por definicin uno. En sntesis:
P() = 0 y P() = 1

Teorema 2.2. Si P es una Funcin de Probabilidades y E1 y E2

son eventos en el correspondiente espacio muestral (,S),
entonces P(E1E2) = P(E1) + P(E2) - P(E1E2).

Prueba
Siendo E1 y E2 subconjuntos de es cierto que
E1E2 = (E1E2c) (E2E1c) (E1E2).
Los tres eventos mostrados entre parntesis son disjuntos o
mutuamente excluyentes; de aqu podemos decir que:
P(E1E2) = P[(E1E2c )(E2E1c) (E1E2)]
= P(E1E2c ) + P(E2E1c) + P(E1E2)
= P(E1E2c ) + P(E2)
= [P(E1E2c ) + P(E1E2) ] +P(E2) - P(E1E2)
= P(E1) + P(E2) - P(E1E2)
Lo cual prueba el teorema.
11

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Teorema 2.3. Si P es una Funcin de Probabilidades y E1 y E2

son eventos cualesquiera en un espacio muestral (,S),
entonces P(E2E1C ) = P(E2) - P(E1E2).

E1E2
E2

E1

E2E1c

Prueba
Para probar el teorema se debe tener en cuenta que
E2 = {E2E1} {E2 E1C}
De donde,
P(E2) = P({E2E1 } {E2 E1C})
= P(E2E1) + P(E2 E1C) P[(E2E1) ( E2 E1C)]
Siendo disjuntos los conjuntos cuyas probabilidades se evalan
en el lado derecho de la ltima igualdad, sigue lo que se postula
en el enunciado del Teorema, esto es:
P(E2E1C ) = P(E2) - P(E1E2).

Teorema 2.4. Si P es una Funcin de Probabilidades y E1 y E2

son eventos en un espacio muestral (,S) tal que E1 E2 ,
entonces P(E1) P(E2).
Se deja la demostracin al lector.

Corolario.
Si P es una Funcin de Probabilidades y E1 y E2 son eventos
cualesquiera en un espacio muestral (,S), entonces
P(E1E2)P(E1) + P(E2) .

Teorema 2.5. Si P es una Funcin de Probabilidades y E1 y E2

son eventos en un espacio muestral (,S), entonces
P(E1E2)P(E1) + P(E2) 1.

12

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Prueba
Puesto que P(E1E2) = P(E1) + P(E2) - P(E1E2), por lo que
tambin es verdad que
P(E1E2)= P(E1) + P(E2) - P(E1E2),
el teorema sigue del hecho de que P(E1E2) 1.

Este ltimo teorema es denominado Desigualdad de

Bonferroni que permite, sino calcular exactamente la
probabilidad de que dos eventos ocurran al mismo tiempo, al
menos acotar esta probabilidad.

Teorema 2.6. Si P es una Funcin de Probabilidades y E1 y E2

son eventos cualesquiera en un espacio muestral (, S),
entonces P(E1E2) 1- P(E 1c ) - P(E c2 ).

Prueba
Esta desigualdad de denomina Desigualdad de Boole. La
prueba se deja al lector.

Los interesados en las interpretaciones grficas de conjunto,

refiranse a la Figura 2.1 que se adjunta, y que en un diagrama
de Venn esquematiza as como los eventos con los que se ha
trabajado en la demostracin.
Figura 2.1
Diagrama de Venn para dos eventos en

E1E2
E1

E2
E1

E2c

E2

E1c

Si se tienen tres eventos en lugar de dos, se puede probar que:

P(E1E2E3) = P(E1) + P(E2) + P(E3) - P(E1E2) - P(E1E3)
- P(E3E3) + P(E1E2E3)
Para probar este resultado, debe considerarse a E1E2 como un
evento y E3 como otro evento y aplicar la expresin para la
13

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

probabilidad de la unin de dos eventos cuya demostracin se

hiciera en lneas previas.

La extensin a la probabilidad de la unin de n eventos es

obvia.
Ejemplo 2.3
Obsrvese el esquema grfico en el que se presentan tres eventos
y las correspondientes probabilidades; calcular P(E1E2E3) y
P[(E1E2E3)C]
Desarrollo.
Bajo las condiciones dadas,
E2

E1
0.12

0.10

0.20

0.05
0.08

0.10
0.15

E3

P(E1) = 0.12 + 0.10 + 0.05 + 0.08

= 0.35
P(E2) = 0.20 + 0.10 + 0.05 + 0.10
= 0.45
P(E3) = 0.08 + 0.05 + 0.10 + 0.15
= 0.38
P(E1E2) = 0.05 + 0.10 = 0.15
P(E1E3) = 0.08 + 0.05 = 0.13

P(E2E3) = 0.05 + 0.10 = 0.15

P(E1E2E3) = 0.05
Por lo que,
P(E1E2E3) = 0.35 + 0.45 + 0.38 0.15 0.13 0.15 + 0.05
= 1.18 0.43 + 0.05
= 1.23 0.43 = 0.80
Por lo que todo aquello que est en pero que no pertenece a
la unin de E1 con E2 y E3 es (E1E2E3)c, cuya probabilidad
es

P(E1E2E3)c = 1 0.80 = 0.20

Ejemplo 2.4
En un artculo que M. Gardner publicara en 1976 en el nmero
234 de la revista de divulgacin cientfica denominada
Scientific American y que lo titulara Mathematical Games
plantea el siguiente juego que conduce a una paradoja.
El juego consiste en escoger, al gusto del participante, una de
dos urnas, una negra y otra blanca, y luego de eso escoger

14

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

aleatoriamente una bola de las que estn dentro de la urna que

fue seleccionada. Si al final el participante tiene una bola roja,
recibe un premio.
Si una urna negra contiene cinco bolas rojas y seis verdes y una
urna blanca contiene tres bolas rojas y cuatro verdes,
evidentemente que si usted fuera el jugador escogera la urna
negra pues 5 > 3 .
11

Se tiene otra situacin, una urna negra tiene seis bolas rojas y
tres verdes, mientras que una urna blanca tiene nueve rojas y
cinco verdes, si usted fuese el jugador otra vez escogera la urna
negra por que la probabilidad de sacar una bola roja , y as ganar
el premio es mayor en la urna negra que en la blanca, ya que
6 9
.
>
9

14

Pero observe lo que ocurre cuando se le plantea la siguiente

situacin.
El contenido de la segunda urna negra se une al de la primera
urna negra y el de la segunda urna blanca al de la primera urna
blanca. Se vuelve a jugar con esta configuracin de las urnas. No
lo piense, responda a lo siguiente cul urna escogera? Si se
dej llevar por la intuicin escogi una vez mas la negra, pero
no ; debi escoger la urna blanca, donde , de las veintin bolas
doce son rojas; en la urna negra once de veinte son rojas y
12
11
= 0.571 > = 0.550
21
20

Este resultado es conocido como la Paradoja de Simpson.

Ejemplo 2.5
Un experimento con el que los profesores de Estadstica y
probabilidades impresionamos a nuestros alumnos es
jugndosela al decir que est casi seguro que en la clase
existen dos estudiantes que cumplen ao el mismo da. El autor
lo ha efectuado decenas de veces, en cursos con cuarenta o mas
estudiantes, y hasta ahora su calidad de casi brujo no ha
fallado. Encontrar la razn de estos resultados milagrosos.
Desarrollo.
Supongamos que cada da del ao es igual de bueno para nacer
y no tengamos en cuenta los aos bisiestos, esto es,
consideraremos solo los de 365 das.
Sean n las personas en el aula.
Sea E el evento dos de las n personas en el aula cumplen ao el
mismo da

15

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Tenemos adems que P(E) = 1 P(EC).

Si es el espacio de puntos del experimento, ste consiste de
una sucesin ordenada de n nmeros representando fechas de
la forma (a1 a2 an) donde el primer nmero denota el nmero
que le corresponde al da del cumpleaos de la primera persona,
el segundo el nmero, al da del cumpleaos de la segunda
persona y as sucesivamente hasta llegar a la ensima persona.
En el caso de dos personas,
={(1 1) (1 2) (1 365) (365 365) }
que configuran 3652 elementos en .

Si existiesen solo tres personas, el resultado (1 4 33)

corresponde a la primera persona cumpliendo ao el primero de
enero, la segunda el cuatro de enero y la tercera el dos de
febrero.
Si son tres personas = { (1 1 1) (1 1 2) (1 1 365) (365
365 365) } para un total de 3653 elementos en .
Evidentemente el nmero de resultados posibles para el caso de
n personas es 365n. En tanto que:
El nmero de personas que no cumplen ao el mismo da es
365364 (365 n +1)
Por lo que :
P( E c ) =

365(364) .....(365 n + 1)
365 n

Si se calcula el valor de P(E) = 1 P(EC), para distintos valores

de n, se encuentra que cuando n = 23 se supera el valor 0.500
para P(E) ; mas precisamente si n = 23 P(E) = 0.506; para n =
40, que es cuando nosotros nos arriesgamos P(E) = 0.891 , lo
cual conduce a fracaso en 109 casos de mil. El evento es
verosmil.

2.4.- MTODOS DE ENUMERACIN

2.4.1.- Cardinalidad de Eventos Finitos

Como puede inferirse de la teora e ilustraciones presentadas en

el presente captulo, es de singular importancia conocer la
Cardinalidad de los eventos finitos con los que se trabaja en
Estadstica, ya que la probabilidad de que ellos ocurran,
16

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

depende del nmero de elementos que posea el evento con

respecto al total contenido en el Espacio de Eventos .
Si por ejemplo, tiene N elementos, esto es = {1, 2, ...,
N} y E es un evento en un espacio muestral (,S), tal que E
tiene k elementos , k N, entonces:
P(E) = N(E) / N() = k/N , N 0
Si nos preguntamos cul es la probabilidad de que aparezca un
nmero mayor que 4 en el lanzamiento de un dado legal o
equilibrado, debemos admitir que

= { 1; 2; 3; 4; 5; 6}
y que el conjunto de nmeros mayores que cuatro es E = {5; 6};
adems N(E)=2 y N()=6 por lo que la probabilidad de que un
nmero mayor que 4 aparezca durante el experimento es:
P(E) = 2/6 = 1/3
La moraleja es que para muchas actividades, resaltando entre
ellas, la de calcular probabilidades de eventos de cardinalidad
finita, se debe saber determinar la cantidad de elementos que
constituyen un evento y como ser evidente en lneas venideras,
no siempre el conteo se lo puede realizar por simple
observacin como lo hemos hecho con experimentos que
involucran dados o monedas.
Es cierto que la Cardinalidad de eventos finitos es vital para el
clculo de probabilidades, aunque tambin es verdad que para
determinar probabilidades de eventos no finitos, necesariamente
debe existir algn tipo de medida que lo caracterice y esta,
bien puede ser su longitud, rea o volumen.

Ejemplo 2.6
Un experimento consiste en lanzar un dardo sobre un objetivo
circular de un metro de radio; Cul es la probabilidad de que
el dardo caiga sobre un punto perteneciente a la corona
circular cuyo radio interior mide 0.50 metros?.
Desarrollo.
Es el caso de un espacio muestral continuo donde

= { (x,y) | x2 + y2 < 1}
E es el evento, el dardo cae en la corona circular de radio
interior r1 = . Vase grfico.

17

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Por lo que,
r1

P(E) = rea de la corona

rea de

r1=0.5; r=1

(12 (1 2) 2 ) 3
=
4
(1) 2

no es un espacio de eventos finitos y la medida que lo

caracteriza es su rea.

2.4.2.- Regla de la Multiplicacin de Opciones

Si en una compaa de taxis opera con vehculos de tres

distintas marcas, a las que llamaremos A, B y C. La compaa
tiene cuatro taxis de marca A, tres de marca B y dos de marca
C, esto es un total de nueve vehculos. Un cliente les pide el
alquiler simultneo de tres automviles pero exige que sean de
diferentes marcas. De cuantas opciones de agrupamiento de sus
vehculos dispone la compaa para complacer a su cliente?
Resolvamos primero el problema utilizando un diagrama de
rbol. Vase Figura 2.2 en la misma observamos que son
veinticuatro las opciones que tiene la compaa de taxis;
comenzando con A1 B1 C1 y terminando con A4 B3 C2.

Figura 2.2
Diagrama de rbol: Regla de Multiplicacin de Opciones

B1
B2
B3

A1

A2

B1
B2
B3

A3
B1
A4

B2
B3

B1
B2
B3

18

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

En realidad nos encontramos ante tres conjuntos finitos E1, E2 y

E3 con sus respectivas cardinalidades n1, n2 y n3, lo cual hace
posible que si deseamos escoger primero un automvil de la
marca A, lo podemos hacer de cuatro formas, si luego
escogemos uno de la marca B lo podemos hacer de tres maneras
y posteriormente, de dos maneras los de la marca C; para un
total de 432 = 24 opciones, y as satisfacer los requerimientos

del cliente.

Esta situacin puede generalizarse para k conjuntos E1, E2, ...;

Ek que respectivamente tienen n1, n2... nk elementos, mediante la
denominada Regla de Multiplicacin de Opciones, teorema
cuyo enunciado es el siguiente:

Teorema 2.7. Sean E1, E2... Ek, k eventos (conjuntos) cuyas

cardinalidades son respectivamente n1, n2, ... nk; si se debe
tomar primero un elemento de E1, luego un elemento de E2 y as
sucesivamente hasta tomar el ltimo elemento en Ek, entonces el
nmero de opciones que es posible elegir es igual a:
n1 n2, ... nk
Esto es, al producto
correspondientes eventos.

de

las

cardinalidades

de

los

Prueba
La prueba del mismo es inductiva, haciendo variar i desde uno
hasta k. El caso en que i=1 es trivial; el resto de la prueba es
relativamente sencilla.

Una aplicacin de la Regla de Multiplicacin de Opciones, es la

determinacin del nmero de placas que el organismo
regulador del trfico vehicular puede emitir para vehculos
particulares en cualquier provincia del Ecuador.
Cada placa tiene seis campos tiles, los tres primeros, de
izquierda a derecha, ocupados por letras del alfabeto y los tres
restantes por cualquiera de los diez dgitos del sistema numrico
decimal.
Las letras que pueden ser ubicadas en los correspondientes
campos de la placa son veintisis, pues no se utilizan la Ch, la
Ll, la , ni la doble R. Un bosquejo grfico de la placa se
presenta a continuacin, donde:
ECUADOR

E1 E2 E3 E4 E5 E6
19

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

E1 es el conjunto de letras que pueden ser ubicadas en el primer

campo;
E2 es el conjunto de letras que pueden ser ubicadas en el
segundo campo;
E3 es el conjunto de letras que pueden ser ubicadas en el tercer
campo;
E4 es el conjunto de dgitos que pueden ser ubicadas en el cuarto
campo;
E5 es el conjunto de dgitos que pueden ser ubicadas en el quinto
campo; y,
E6 es el conjunto de dgitos que pueden ser ubicadas en el sexto
campo.
La cardinalidad N(E1) = 1 puesto que all se ubica solo la letra
que identifica a la provincia, A para Azuay, B para Bolvar, C
para Carchi, etc.
N(E2) = N(E3 ) =26
Mientras que
N(E4) = N(E5 ) = N(E6 ) =10,
Ya que diez son los dgitos del cero al nueve.
Por tanto el nmero de placas que se puede emitir en una
provincia del Ecuador es:
1 26 26 10 10 10 = 676000
En la Costa, donde existen cinco provincias, aun no se
provincializa Santa Elena, se pueden emitir 5(676000)=
3380.000 placas y en las veintidos provincias del pas
22(676000)=14872.000 placas en total.
De cristalizarse las aspiraciones de Santo Domingo, Santa Elena
o Chone, ese veintids tiene sus das contados. Otra forma de
alterar ese veintids, es diseando una Divisin Poltico
Administrativa Nacional que cree no mas de seis regiones,
no provincias, que sean geogrfica y culturalmente integrables
y que preferiblemente incluyan porciones de las tres regiones
continentales del pas.

Ser profusa la utilizacin que daremos a

la Regla de
Multiplicacin de Opciones durante el desarrollo de este libro,
tan profusa que a veces no nos daremos cuenta de ello.

20

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

2.4.3.- Combinaciones y Muestras

Nmero de
Combinaciones
Nmero de muestras
que pueden tomarse
de un conjunto
(Poblacin Objetivo)
de tamao N. El
orden no es
relevante

Supongamos que se tiene una Poblacin Objetivo de tamao

finito N y que de ella vamos a tomar, sin reemplazo, una
muestra de tamao n, siendo n menor o como mximo igual a N.
El nmero de muestras que de esta forma pueden tomarse, se
lo denomina Nmero de Combinaciones de n objetos
seleccionados de un conjunto (Poblacin Objetivo) de tamao
n.
Ntese que en esta definicin, el orden no es relevante y que
hemos identificado la expresin Combinacin con Muestra.
Una combinacin de tamao n tomada de un conjunto de
tamao N es lo mismo que una muestra X de tamao n tomada
de una Poblacin Objetivo de tamao N.
Si por ejemplo se tiene una Poblacin Objetivo compuesta por
las cuatro primeras letras del alfabeto y se quiere identificar
todas las posibles muestras de tamao dos que de ella pueden
obtenerse, se tiene:

Poblacin Objetivo de tamao N = 4: {a ; b ; c ; d}.

Posibles muestras de tamao n = 2:
{a ; b} {a ; c} {a ; d} {b ; c} {b ; d} {c ; d}.
Como puede verse, son en total seis las muestras de tamao dos
que se obtienen de una poblacin de tamao cuatro. Si
deseramos saber cuantas muestras de tamao tres pueden
obtenerse de la misma poblacin objetivo tenemos:

Posibles muestras de tamao n = 3: {a ; b ; c} {a ; b ; d} {a ; c ;

d} {b ; c ; d}.
En total cuatro muestras de tamao tres de una Poblacin
Objetivo de tamao cuatro.
N
Lo tradicional es representar por el smbolo al nmero de
n
muestras (combinaciones) de tamao n que se pueden tomar de
una poblacin de tamao N.
De manera inductiva se puede probar que,

N
=

n

N!
( N n )!n!

Siendo el smbolo n! denominado factorial del nmero entero

n, que se define como:

21

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

n! = 1 2 3 ... n;
esto es, n! es el producto de todos los nmeros enteros positivos
menores o iguales que n; debe tenerse en cuenta adems que
cero factorial , 0! , se lo define igual a uno.
Se puede probar que:

N
N!
=
( N n)!n! es siempre un nmero entero, a pesar de que
n
aparece como un nmero racional que potencialmente puede ser
tambin fraccionario, por ser el cociente de nmeros enteros.
Coeficiente
Binomial
Nmero de
Combinaciones de
tamao n tomadas
de una Poblacin
Objetivo de tamao
N

Otra denominacin que es usual darle al nmero de

Combinaciones de tamao n tomadas de una Poblacin
Objetivo de tamao N es Coeficiente Binomial ya que aparece
en la expansin de las potencias enteras de un binomio.

De la definicin de factorial se puede verificar que siempre es

verdad que n! = n(n-1)!
Ejemplo 2.7
Se nos pide computar 3!; (3! 2!); (3 2)! y 10! / (4! 6!).
Desarrollo.
Calculando se obtiene:
3! =321= 6
(3! 2!) = (321 - 21) = 6 2 = 4
(3 2)! = 1! = 1
10! / (4! 6!) = 10987(6!) / 4321(6!)
= 10987 / 4321 = 210

Ejemplo 2.8
De un grupo de veinte estudiantes se van a elegir seis para
integrar un comit. En la Poblacin Objetivo hay nueve damas
y once caballeros; se requiere que dos de los integrantes del
comit sean mujeres. La pregunta es , De cuntas maneras se
puede elegir este comit?.
Desarrollo.
Se tienen dos conjuntos, el de varones del que hay que escoger
cuatro elementos y el de mujeres del que hay que escoger dos.
El nmero de formas en que se pueden escoger cuatro varones

22

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

de un conjunto de once es:

11



4

11 10 9 8 7! 11 10 9 8 330
11!
=
=
= n1 =
7! 4!
4 3 2 1
(11 4) ! 4 !

El nmero de formas en que se pueden escoger dos mujeres de

un conjunto de nueve:
9

9!
=
=
(9 2)!2!

2

n2 = 9 8 7! = 36
7! 2!

Consecuentemente el nmero de formas en que se puede elegir

el comit con cuatro varones y dos mujeres, aplicando la regla
de multiplicacin de opciones, es:
11 9

=

4
2

(n1)(n2)=

330 36 = 11880

Si en este mismo contexto nos preguntaran de cuantas formas

se puede elegir los miembros del comit si cuando mas puede
haber un varn en el mismo, esto es igual a,
11 9 11 9

+ =

0 6 1 5

1 84 + 11 126= 1470

El primer sumando cuantifica el caso de ningn hombre y seis

mujeres y el segundo sumando el de un hombre y cinco
mujeres, y con estas dos opciones se cubre el cuando mas
un hombre.
Si nuevas condiciones posibilitan ubicar en el comit de seis
miembros no ms de tres hombres, debemos considerar cuatro
casos y sumarlos, as:
11 9 11 9 11 9 11 9

+ + + =1

0 6 1 5 2 4 3 3

84 + 11 126 +

55 126 + 165 84
= 22260
Cantidad que representa el nmero de formas en que se puede
integrar el comit incluyendo como mximo tres hombres.
Si no discriminamos por gnero, sino que cualquier persona,
sea este hombre o mujer, puede estar en el comit, el nmero
de formas de seleccionar los integrantes del comit de seis
personas es:
20

20!
=
14 !6!

6

= 38760 formas.

23

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Ejemplo 2.9
Una muy til aplicacin del nmero de combinaciones es el
conocido resultado que se denomina Binomio de Newton y que
se expresa de la siguiente manera:
(a + b)1 = a + b =

1
1
1
1 0 0 1
a b + a b =


i =0
0
1

1



i

(a + b)2 =a2 + 2ab + b2 =

2

i =0

2
2
2 0 1 1
a
b
+

a b +


0
1
2



i

2
0 2
a b

2

a2-i bi

(a + b)3 = a3 + 3a2b + 3ab2 + b3 =

a1-i bi

3
3 0
a b +

0

3
2 1
a b

1

3
3

2 0 3
ab + a b


2
3
3

i =0

3



i

a3-i bi

En general se encuentra que:

n
n 0
a b +

0

(a + b)n =

n
n-1 1
a b +

1

n
n
0 n
a b =

i =0
n

... +

n



i

an-i bi

.
Para cualquier par de nmeros reales a y b.
ste es un resultado de mucha utilidad para el clculo de
probabilidades cuando se introduzca el concepto de variable
aleatoria discreta.

Ahora es evidente la razn por la que a se lo denomina

tambin coeficiente binomial.

Son importantes tambin otros resultados relacionados con los

previos y que deben ser tenidos en cuenta de manera implcita
en la resolucin de problemas en los que se efecta clculos de
probabilidades, tales como:
n

(-1)i

i =1

=0

As como tambin,
n

i =1

24

n

=

i

2n

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Las pruebas para estos dos casos son inductivas, teniendo en

cuenta que (1 1)n es igual a cero y desarrollando adems
(1+1)n utilizando la expresin del Binomio de Newton.
Recurdese que el nmero de subconjuntos de un conjunto de
tamao n es 2n.

2.4.4.- Permutaciones
Permutaciones
Subconjuntos
ordenados de
tamao n tomados
de un conjunto de
tamao N

Cuando definamos combinaciones de tamao n tomadas de un

conjunto de tamao N, enfatizbamos que los conjuntos que as
se obtenan no eran ordenados, esto es, si A = {a, b} y B={b,
a}, entonces A = B; analicemos ahora cuando se toman de un
conjunto de tamao N, subconjuntos ordenados de tamao n.
N
Como es obvio, existir un total de muestras o conjuntos
n
no ordenados. Necesitamos saber cuantos conjuntos ordenados
genera cada una de estas Combinaciones.
Ilustremos primero el problema con casos particulares; como
encontrramos en seccin previa, para una poblacin objetivo
de tamao N = 4, {a ; b ; c ; d}, se pueden obtener seis
muestras de tamao dos que son: {a ; b} {a ; c } {a ; d} {b ; c}
{b ; d} {c ; d}.
Analicemos en la Figura 2.3, el nmero de conjuntos ordenados
que obtenemos en esta situacin:

Figura 2.3
Combinaciones y Permutaciones (n = 2)
Muestras
(Combinaciones)

ab
ac
ad
bc
bd
cd

Conjuntos
Ordenados
ab ba
ac ca
ad da
bc cb
bd db
cd dc

Hemos conseguido dos conjuntos ordenados de cada muestra,

diremos que cada subconjunto de tamao dos, genera 2!
subconjuntos ordenados del mismo tamao.

Consideremos ahora la misma poblacin y sus muestras de

tamao n = 3, que como ya hemos determinado, son cuatro en
total: {a ; b ; c} {a ; b ; d} {a ; c ; d} {b ; c ; d}.
25

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

En la Figura 2.4 se presentan los conjuntos ordenados

correspondientes a cada muestra.
Figura 2.4
Combinaciones y Permutaciones (n = 3)

Muestras
abc
abd
acd
bcd

Conjuntos Ordenados
abc
bca
abd
bda
acd
cda

acb
cab
adb
dab
adc
dac

bac
cba
bad
dba
cad
dca

bcd bdc cbd

cdb dcb dbc

Estos resultados nos ponen al tanto de que cada muestra de

tamao tres genera seis subconjuntos ordenados y seis es lo
mismo que tres factorial, 3!.
De igual forma encontraremos que cada muestra de tamao
cuatro nos permitir obtener cuatro factorial conjuntos
ordenados, esto es veinticuatro, conjuntos ordenados de tamao
cuatro; y as sucesivamente, de cada muestra o combinacin de
tamao n, se puede obtener n! conjuntos ordenados de tamao
n.

Cada uno de estos conjuntos ordenados los denominaremos

una Permutacin de tamao n.
Con lo que hasta ahora sabemos, podemos afirmar que el
nmero de Permutaciones de tamao n que se pueden formar
de un conjunto (Poblacin Objetivo) de tamao N, para n N,
es igual n! veces el nmero de Combinaciones del mismo
tamao.
Si denotamos por nPN al nmero de permutaciones de tamao n
tomadas de un conjunto de tamao N, es cierto que:
N!
N!
N
N
= n! ( N n ) !n! =
P
=
n!
n
( N n )!

n

Si por ejemplo se tiene un conjunto de N = 6 elementos y se

quiere encontrar cuantas permutaciones de tamao tres se
pueden determinar a partir del mismo, vemos que el nmero de
muestras (combinaciones) de tamao tres son:

26

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones
6

=

3

6!
=6543!
(6 3)!3!

/ 3!3!= 20 muestras (no ordenadas)

En tanto que el nmero de conjuntos ordenados (permutaciones)

de tamao tres tomadas de este conjunto de tamao seis son:
203!= 120, o lo que es lo mismo:
3P

6!
(6 3)!

=120

El nmero de permutaciones de tamao n, tomadas de un

conjunto de tamao N= n es igual a n! , tal cual lo verificramos
cuando encontramos que cada muestra de tamao n genera n
permutaciones, esto es,
n

=

n

n
nP = n!

n!

n!
n!
= n! |
=
( n n ) !n! 0!

2.4.5.- El Coeficiente Multinomial

Cuando se determinan las combinaciones de tamao n en una
Poblacin Objetivo de tamao N, es posible visualizar tambin
que a la Poblacin se la est partiendo en dos grupos, uno de
tamao n y otro de tamao (N-n) y como sabemos, del primero
N

n

se pueden obtener combinaciones

=

N!
( N n )!n!

N n

, esto es, la misma cantidad de combinaciones de un

tamao n y de tamao (N n),

Muestras o
Combinaciones
Distinguibles
Cada una de as
muestras de tamao
n y las de tamao
(N-n)

y del segundo

7



3

7



4

, por ejemplo.

Cada una de las muestras de tamao n y las de tamao (N-n) se

denominan tambin Muestras o Combinaciones distinguibles.
Los resultados previos es posibles extenderlos a una Poblacin
Objetivo de tamao N, en la que existan n1 elementos que por
sus particularidades puedan ser clasificados como similares
entre ellos pero distinguibles de los restantes (N-n1), de igual
forma n2 que sean similares y as sucesivamente hasta nk
elementos similares, con la condicin de que:
n1 + n2 +...+nk = N
Bajo estas condiciones, el nmero de Muestras o
Combinaciones distinguibles cuando el espacio de eventos
se particiona en k conjuntos distinguibles o identificables, se lo

27

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

N
y se puede demostrar que este nmero es
n , n ,..., n
1 2 k

denota por
igual a

N!
, estamos asegurando que:
n 1 ! n 2 ! ... n k !

n , n ,...n
1 2 k

N!
n 1 ! n 2 ! ... n k !

Ejemplo 2.10
Un ingeniero politcnico tiene que hacer mantenimiento a las
estaciones computacionales que administra en un laboratorio de
Simulacin Matemtica; un da cualquiera en el laboratorio
tiene a su disposicin diez estaciones, dos de marca PH, cinco
de marca BMI y tres de marca Doll, calclese el nmero de
formas que puede ubicarlas en uno de los salones del
laboratorio.
Desarrollo.
Tenemos un conjunto de tamao N=10 estaciones y tres grupos
distinguibles, por sus marcas, grupos que son de tamao n1 = 2,
n2 = 5 y n3 = 3.
Por tanto el nmero de formas que puede distribuirlas es:
10

2,5,3

10!
2!3!5!

= 2520

Ntese que si no mirramos la marca, el ingeniero puede

distribuir sus estaciones de N! = 10! Maneras diferentes.
El razonamiento puede extenderse al arreglo de veinte libros en
las perchas de una biblioteca, sabiendo que cuatro son de
Estadstica, once de Fsica, cuatro de Geologa y uno de
Dinmica

20

4
,
11
,
4
,
1

Pinsese

tambin

en

una

compaa

distribuidora de vehculos que los clasifica como de bajo

consumo de combustible, mediano consumo y alto
consumo; o, en un agricultor que cultiva arroz utilizando
abono orgnico, otro tipo de cultivo de arroz en que utiliza
herbicidas y otro tipo en que no utiliza tratamiento de tipo
alguno.
Aspiramos que el esquema multinomial sea reconocido por el
lector de manera directa y lo apliquen de forma generalizada.
En captulos venideros ser utilizado nuevamente.

28

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

2.5.- PROBABILIDAD CONDICIONAL

2.5.1.- Muestreo con y sin Reposicin

Un mazo de naipes tiene cincuenta y dos cartas; trece de ellas

son corazn rojo, trece corazn negro, trece son brillo y trece
trbol; se van a tomar de manera sucesiva, aleatoria y sin
reemplazo dos cartas. Nos preguntamos cul es la probabilidad
que la segunda carta sea trbol, sabiendo que la primera fue
corazn negro.
El esquema de extraccin de cartas al que nos referimos en las
lneas previas es denominado Muestreo sin reposicin o mas
comnmente, Muestreo Aleatorio Simple.
En este experimento, llamemos E1 al evento sale corazn negro
en la primera extraccin y E2 sale trbol en la segunda.
Suponiendo que toda carta en el mazo tiene igual probabilidad
de ser escogida y que la segunda es tomada sin tener en cuenta
como fue escogida la primera, pero s contabilizando el efecto
en la cantidad de elementos disponibles para efectuar la
segunda extraccin, por la no reposicin.
En primer lugar podemos afirmar que:
P(E1) =N(E1) / N() = 13/52
Puesto que trece son las cartas del tipo corazn negro y
cincuenta y dos el total de ellas; nos resta determinar el valor
de la probabilidad
P(E2, sabiendo que ya se extrajo una carta, que es corazn negro
y que no ha sido reintegrada al mazo) .
Esto significa que quedan cincuenta y un cartas en total, pero
doce de ellas siguen siendo trbol por lo que la probabilidad
buscada es 12/51.
Buscando notacin diremos que:
P(E2 sabiendo que la primera carta que fue de corazn negro y
no fue reintegrada)=13/51
o simplemente:
P(E2E1) = 13/51

Que se lee, probabilidad de que ocurra E2 dado que ya ocurri

E1.

29

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Ntese que si una vez verificada cual fue la primera carta

extrada hubiese sido reintegrada al mazo tendramos,
P(E2) = P(E2E1) = 13/52
Esquema de extraccin que se denomina Muestreo con
Reposicin; insistimos que el esquema que utilizamos
previamente es el conocido como Muestreo sin reposicin o
Aleatorio Simple.

Hemos presentado una nocin intuitiva de lo que es

Probabilidad Condicional, pasamos a definir y analizar
algunas de sus caractersticas.
Dado un experimento estadstico, consideremos dos eventos
uno E1 y otro E2, tales que el primero ha ocurrido mientras que
el segundo, E2, est por ocurrir. La probabilidad de que ocurra
E2 dado que ha ocurrido E1 se la denota y define como:
P(E2E1) = P(E1E2) / P(E1); siempre que E1
La ltima restriccin es necesaria, a fin de evitar la divisin para
cero.
Si se tuviese el caso del lanzamiento de un dado legal y nos
preguntaran cul es la probabilidad que haya salido un nmero
par, si se sabe que el nmero que sali es mayor que cuatro.
Esto hace que
E1 = {5; 6}, sale nmero mayor que cuatro
y
E2 = {2; 4; 6}, sale nmero par y adems E1E2 ={6}.
Por lo que,
P(E1) = 2/6; P(E2) = 3/6 ; y, P(E1E2) = 1/6.
lo cual nos lleva a:
P(E2E1) = P(E1E2) / P(E1) =

1/ 6
2/6

= 1/2.

Ntese que P(E2) P(E2E1), pues P(E2) = 1/2.

Es importante tener en cuenta que la definicin de probabilidad

condicional satisface los axiomas de la Funcin de
Probabilidades, Axiomas de Kolmogorov, sin embargo debe
resaltarse que si el experimento tiene un espacio muestral (,
S), al condicionar el mismo, esto es, al conocerse alguna
30

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

informacin adicional sobre la ejecucin del experimento - se

sabe que ha ocurrido E1 por ejemplo-, el espacio muestral se
restringe a (, S); donde es el conjunto de resultados
posibles , conociendo que ha ocurrido E1 mientras que S es el
conjunto de subconjuntos de . Por lo tanto
a) P(E1E1) = 1;
b) P(E2E1) 0; y,
c) P(E2E3E1) = P(E2E1) + P(E3E1), siempre que E2E3=

Si no es evidente que P(E1E1) = 1; verifiqumoslo.

Segn la definicin de probabilidad condicional si P es una
Funcin de Probabilidades y E1 y E2 son eventos en un espacio
muestral (, S):
P(E1E1) = P(E1E1) / P(E1) = P(E1) / P(E1) = 1
De igual manera, cuando E2E3
P(E2E3E1) = P[(E2E3)E1)] / P(E1)
= P[(E2E1)(E1E3)] / P(E1)
= [P(E2E1)+ P(E1E3)] / P(E1)
= P(E2E1)/P(E1) + P(E1E3)] / P(E1)
= P(E2E1) + P(E3E1)

Es igualmente posible demostrar lo siguiente:

Teorema 2.8. Si P(E2) > 0 entonces P(E1E2) = 1 - P(E1CE2).

Este teorema, en trminos de probabilidades condicionales, es
equivalente al de la probabilidad del complemento de un evento,
es decir,
P(E1) = 1 - P(E1C)
Expresin que cabe tener en cuenta porque no siempre es claro
determinar que el complemento de E1E2 es E1CE2. Algunos
equivocadamente piensan que es E1E2c, lo cual nos es
verdadero.

31

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Pasamos a dar una ilustracin del ltimo teorema enunciado y

cuya demostracin sugerimos al lector la realice.

Ejemplo 2.11
En el caso del lanzamiento de un dado legal,
= {1; 2; 3; 4; 5; 6}.
Si E1 es el evento sale nmero par y E2 es sale nmero mayor
que tres, verificar los axiomas de probabilidad condicional.
Desarrollo.
Sea
E1 = {2, 4; 6}
E2 = {4; 5; 6}
Entonces
E1E2 = {4; 6}
E1E2 = {4; 6}
E1CE2 = {2}
P(E1CE2) = P({2}) = 1/3
P(E1E2) = 1 - P(E1CE2) = 1- 1/3 = 2/3
Para verificar este ltimo resultado, utilicemos la ya conocida
definicin de probabilidad condicional de un evento, esto es
P(E1E2)= P(E1E2)/ P(E2)= (2/6) / (3/6)= 2/3.
Como era de esperarse, los dos resultados coinciden.

Ejemplo 2.12
Se va efectuar un torneo de un juego en el que se utilizan urnas,
al juego se lo denomina Acierto; para efectos de este torneo,
en las urnas a emplearse se depositan cuatro fichas marcadas del
uno al cuatro; a cada jugador se le asigna una urna; y un turno
de un jugador ocurre cuando extrae las cuatro fichas de su urna.
Las fichas son extradas por cada jugador de manera aleatoria
sucesiva y sin reemplazo.
Ocurre un acierto si el jugador al extraer la ficha i-sima, el
nmero que se lee es el i, (i = 1; 2; 3; 4). Gana el jugador que
obtiene ms aciertos.
Desarrollo.

32

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Analicemos la probabilidad de que un acierto Ei ocurra en la isima extraccin.

Para cada jugador, , el espacio de eventos del juego
(experimento) tiene una cantidad de elementos que es igual a 4!
= 24, es decir, el nmero de permutaciones de tamao cuatro
que se pueden conseguir de un conjunto de tamao cuatro;
veamos,
= {1234; 1243; 1324; 1342; 1423; 1432;
2134; 2143; 2314; 2341; 2413; 2431;
3124; 3142; 3214; 3241; 3412; 3421;
4123; 4132; 4213; 4231; 4312; 4321}
Donde por ejemplo, 1234 significa, la ficha sealada con el
nmero uno sale primero y la ficha con el nmero dos, sale
segunda y la marcada con el nmero tres, sale tercera y la
marcada con el nmero cuatro, sale cuarta.
Como lo anunciramos previamente, llamemos Ei al evento
ocurre el nmero i en la i-sima sacada entonces,
E1 = {1234; 1243; 1324; 1342; 1423; 1432}
E2 = {1234; 1243; 3214; 3241; 4231; 4213}
E3 = {1234; 1432; 2134; 2431; 4132; 4231}
E4 = {1234; 1324; 2314; 2134; 3124; 3214}
Por tanto, P(Ei) = 6/24 = 2! / 4!; en tanto que :
E1E2 = {1234; 1243}
E1E3 = {1234; 1234}
E1E4 = {1234; 1324}
E2E3 = {1234; 4231}
E2E4 = {1234; 3214}
E3E4 = {1234; 2134}
De acuerdo con estos resultados, EiEj no son eventos
mutuamente excluyentes.
Siendo P(EiEj) = 2/24= 2!/4! ; para i , j = 1, 2, 3, 4; i j.
Finalmente,
EiEjEk = {1234} siendo por tanto P(EiEjEk) = 1/24
= 1!/6! ; para i, j, k = 1, 2, 3, 4; ijk.
Estas son las probabilidades que deben considerar los jugadores
al participar en la competencia.

Pasamos ahora a demostrar un teorema interesante relacionado

con probabilidad condicional.

33

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Teorema 2.9. Si P es una Funcin de Probabilidades y E1 y E2

son eventos mutuamente excluyentes en un espacio muestral (,
S), entonces
P(E1 E1E2 ) = P(E1) / [P(E1) + P(E2)]

Prueba
P(E1 E1E2 ) = P[(E1)(E1E2 )] / P( E1E2 )
= P(E1) / P( E1E2 )
= P(E1) / [P(E1) + P(E2)]
Lo cual completa la prueba.

Ejemplo 2.13
En el lanzamiento de un dado legal se sabe que ha salido
nmero menor que tres o nmero mayor que tres. Se pide, que
con la informacin dada, determinemos cual es la probabilidad
que haya salido nmero menor que tres.
Desarrollo.
Sea E1= sale nmero menor que tres.
Sea E2= sale nmero mayor que tres.
Evidentemente que E1 y E2 son eventos mutuamente excluyentes
y que se nos pide determinar P(E1 E1E2 ).
Puesto que:
P(E1) = 2/6 y P(E2) = 3/6
Entonces:
P(E1 E1E2) = P(E1) / [P(E1) + P(E2)]
= (2/6) / [ 2/6 + 3/6] = 2/5

2.6.- INDEPENDENCIA ESTOCSTICA DE EVENTOS

Como ya hemos establecido
P(E2E1) = P(E1E2) / P(E1); siempre que E1 ;
Esta ltima expresin hace posible que obtengamos la
denominada regla de multiplicacin para probabilidad
condicional que es:
34

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

P(E1E2) = P(E2E1)P(E1);
o tambin:
P(E1E2) = P(E1E2)P(E2)
Segn sea el caso. Es obvio que si ha ocurrido E1, y este hecho
afecta la probabilidad de que E2 ocurra, entonces es verdad que
P(E2E1) P(E2); pero tambin puede ocurrir que tal situacin
no se d y que P(E2E1) = P(E2).
Es lo que nos proponemos analizar a continuacin.
Sean E1 y E2 eventos de un mismo espacio muestral, diremos
que el evento E1 es estocsticamente independiente del
evento E2 cuando y solo cuando:
P(E2E1) = P(E2), as como P(E1E2) = P(E1).
Lo usual es decir que los eventos E1 y E2 son independientes,
evitando la palabra estocsticamente; sin embargo hay que
tener en cuenta esta palabra, ya que en muchos casos se
confunde la independencia estocstica de eventos con el
concepto algebraico de independencia lineal de vectores.
Ntese que la definicin de independencia de un par de eventos
implica que si E1 y E2 son eventos independientes:
P(E1E2) = P(E1)P(E2)

Ejemplo 2.14
Si se tienen eventos E1 y E2 que se conoce son independientes y
se sabe adems que P(E1) = 0.8 y P(E2) = 0.30, determinar
P(E1E2) y P(E1E2).
Desarrollo.
Si los dos eventos son por hiptesis independientes,
P(E1E2) = P(E1)P( E2) = 0.8(0.3) = 0.24
Mientras que
P(E1E2) = P(E1) + P( E2) - P(E1E2) = 0.8 + 0.3 - 0.24 = 0.86
Es muy importante notar que los eventos E1 y E2 son
estocsticamente independientes pero no son mutuamente
excluyentes pues P(E1E2) 0.
Si en este mismo problema nos preguntasen cul es la
probabilidad de que ocurra el complemento de E1 sin duda

35

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

alguna diramos que P(E1C) = 1 - 0.8 = 0.2; mientras que , si nos

pidieran calcular P(E1CE2), podramos hacerlo suponiendo
que los eventos E1C y E2 son independientes? Verifiquemos
esto.

Teorema 2.10. Si E1 y E2 son eventos independientes en un

mismo espacio muestral (, S) entonces, tambin son
independientes los siguientes pares de eventos:
i) E1 y E2C
ii) E1C y E2; y,
iii) E1C y E2C
Prueba
i) Por hiptesis P(E1E2) = P(E1)P( E2) ya que los dos eventos
son independientes adems se tiene que el evento E1E2C
expresado como la diferencia de dos eventos mutuamente
excluyentes, es tal que
E1E2 C = [E1 (E1E2)] = { E1 (E1E2)};
por lo que,
P(E1E2C) = P[E1 (E1E2 )] = P(E1 ) - P(E1E2 )
= P(E1) - P(E1)P( E2)
= P(E1)[ 1 - P(E2)] = P(E1)P( E2C)
Lo cual verifica la independencia de E1 y E2C, bajo la hiptesis
dada.
E2
E1E2C

E1E2

E1
E2E1C

ii) La prueba de independencia entre E1C y E2 es similar a la

previa solo que ahora utilizaremos el hecho de que:
E1CE2 = [E2 (E1E2)] = { E2 (E1E2)}
Para llegar a que,
P(E1C E2) = P( E1C)P(E2)
iii) Probemos ahora el tercer resultado.
36

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

P(E1CE2C) = P[ - (E1E2)] = 1 [P(E1) + P(E2) - P(E1E2)]

= 1 - P(E1) - P(E2) + P(E1)P(E2)
= [1 - P(E1)] - P(E2)[1 - P(E2)]
= [1 - P(E1)][1 - P(E2)]
= P(E1C)P(E2C)
Lo cual concluye la prueba.

En el Ejemplo 2.14 que propusimos, nos preguntbamos, si nos

pidieran calcular P(E1CE2), podramos hacerlo suponiendo

que lo dos eventos presentados en la interseccin son
independientes?.
Estamos ahora en condiciones de decir s y proceder al clculo.
P(E1CE2) = P(E1C)P(E2)
= [1 - P(E1)]P(E2) = 0.20(0.30) = 0.06

Veamos las novedades acerca de la independencia de mas de

dos eventos. Tres eventos E1, E2 y E3 se dicen son
estocsticamente independientes, cuando y solo cuando es
verdad que se cumplen las siguientes cuatro condiciones:
i) P(E1E2) = P(E1)P(E2);
ii) P(E1E3) = P(E1)P(E3);
iii) P(E2E3) = P(E2)P(E3); y,
iv) P(E1E2E3) = P(E1)P(E2)P(E3).
En un primer vistazo pensaramos que la ltima condicin
implica las tres primeras, o que las tres primeras implican la
cuarta, pero aquello no es cierto, presentaremos algunas
ilustraciones sobre el particular. Tngase en cuenta que en
general,
P(E1E2E3) = P(E1)P(E2E1)P(E3E1E2).

Ejemplo 2.15
Se conoce que tres eventos son tales que se cumplen las
siguientes condiciones:
P(E1) = P(E2) = P(E3) = 1/2;
P(E1E2) = P(E1E3) = P(E2E3) = 1/4; y,

37

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

P(E1E2E3) = 1/4.
Se desea determinar si los tres eventos as relacionados son
estocsticamente independientes.
Desarrollo.
En este caso:
P(E1E2) = P(E1)P(E2) = (1/2)(1/2) = 1/4
P(E1E3) = P(E1)P(E3) = (1/2)(1/2) = 1/4
P(E2E3) = P(E2)P(E3) = (1/2)(1/2) = 1/4
Lo cual significa que los tres eventos son independientes de dos
en dos; pero
P(E1E2E3) P(E1)P(E2)P(E3)
Pues el trmino de la izquierda en la expresin previa es igual a
, por hiptesis; mientras que el de la derecha es igual a (1/2)2
= 1/8 por deduccin.
Por lo que los tres eventos no son independientes de tres en tres
y por tanto no se los puede considerar como estocsticamente
independientes entre s.

Ejemplo 2.16
Un experimento consiste en lanzar de manera independiente,
dos veces una moneda legal. Se define como E1, al evento,
sale cara en el primer lanzamiento; E2 es sale cara en el
segundo lanzamiento y E3 es el lado que sale en el primer
lanzamiento es el mismo que el segundo. Se desea verificar si
estos tres eventos son estocsticamente independientes.
Desarrollo.
En este caso = {ss; sc; cs; cc}, en tanto que E1 = {cs; cc};
E2 = {cc ; sc}; E3 = {ss ; cc}
E1 E2 = {cc};
E1 E3 = {cc};
E2 E3 = {cc};
E1E2E3 = {cc}
De donde:
P(E1) = P(E2) = P(E3) = 2/4 = 1/2.
P(E1E2) = P(E2E3) = P(E2E3) = 1/4.
P(E1E2E3) = 1/4.
P(E1)P(E2)P(E3) = (1/2)3 = 1/8

38

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Siendo
P(E1E2E3) P(E1) P(E2)P(E3),
los tres eventos no son estocsticamente independientes, aunque
s lo son de par en par.

Ejemplo 2.17
De un mazo de barajas se extraen de manera sucesiva y sin
reemplazo cuatro cartas, se desea calcular la probabilidad que
todas las cartas sean reyes.
Desarrollo.
Se sabe que son cuatro reyes en el mazo, si Ei representa sale
rey en la i-sima extraccin
Se nos pide calcular P(E1E2E3E4) que en este caso es
igual a
P(E1 E2 E3 E4 ) = P(E1) P(E2 E1) P(E3 E1 E2 ) P(E4 E1 E2 E3 )

4 3 2 1
24

=
52 51 50 49 6497400

A continuacin enunciamos dos teoremas que son importantes

en cuanto a independencia de eventos y que sugerimos al lector
haga su mejor esfuerzo por demostrarlos,

Teorema 2.11. Si E1, E2 y E3 son eventos independientes en un

espacio muestral (,S), entonces es verdad que deben:
i) E1 y E2E3 ser estocsticamente independientes
ii) E1 y E2E3 ser estocsticamente independientes
iii) E1C y E2E3C ser estocsticamente independientes

Teorema 2.12. Cualquier evento E en (, S) es independiente

del evento imposible .

Ejemplo 2.18
Se lanzan cuatro dados legales de manera sucesiva, determine la
probabilidad que en los cuatro dados salga un nmero par.
Desarrollo.

39

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Tenemos: = {1111 ; 1112 ; ; 4444}

Se debe suponer que cada lanzamiento es independiente de los
dems por lo que si denominamos Ei al evento sale nmero par
en el i-simo dado lanzado, tenemos que,
2134 E1 pero 1234 E1
P(E1) = P(E2) = P(E3) = P(E4) = 3/6 = 1/2
P(E1E2) = P(E1E3) = P(E1E4) = P(E2E3) = P(E2E4)
1 1 1
= P(E3E4) = x =
2 2 4
P(E1E2E3) = P(E1E2E4) = P(E1E3E4)
1 1 1 1
= P(E2E3E4) = 2 x 2 x 2 = 8
1 1 1 1 1
x x x =
P(E1E2E3E4) =

2 2 2 2 16

Ejemplo 2.19
Se sabe que dos eventos E1 y E2 de un mismo espacio muestral
son tales que P(E1) = 0.35 , P(E2) = 0.45 y P(E1E2) = 0.18.
Son independientes este par de eventos?
Desarrollo.
Si fuesen independiente E1 y E2, debera cumplirse que
P(E1)P(E2)v= P(E1E2),
mas,

P(E1)P(E2) = (0.35)(0.45) = 0.1575 0.18

Consecuentemente E1 y E2 no son eventos estocsticamente

independientes.

Ejemplo 2.20
Se tienen dos eventos E1 y E2 tales que P(E1) = 0.20, P(E2) =
0.50 y P(E1E2) = 0.10. Determinar P(E1E2), P(E2E1),
P(E1E2c).
Desarrollo.
Ntese que:
P(E1)P(E2) = 0.20(0.50) = 0.10 = P(E1E2)
Lo cual hace independiente a los dos eventos, por lo que

40

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

P(E1E2) = P(E1) = 0.20

P(E2E1) = P(E2) = 0.50; y,
P(E1E2c) = P(E1)=0.20
Esto es consecuencia de lo demostrado previamente en el
sentido de que si E1 y E2 son independientes, tambin lo son
sus complementos E1c y E2c, as como tambin E1c con E2 y E2c
con E1.

2.7.- REGLA DE LA PROBABILIDAD TOTAL Y TEOREMA DE BAYES

Supongamos que el conjunto de los resultados posibles de un

experimento es particionado en k eventos, a los que
denominaremos E1, E2,..., Ek. Particionado significa que los k
conjuntos son exhaustivos y mutuamente excluyentes. (vase
Figura 2.5). La primera condicin, exhaustividad, implica que:
k

UE =
i

i =1

y la segunda, ser disjuntos, que: EiEj = , para i j.

Supngase adems que A es un evento cualquiera en . Es
nuestro propsito encontrar P(A) para lo cual debemos expresar
A como la unin de k eventos mutuamente excluyentes, lo que
conseguimos de la siguiente manera:
A = (AE1)(AE2) ... (AEk) =

(AEi)

i =1

Vase Figura 2.5, donde es claro que hemos expresado al

evento A como la unin de k eventos mutuamente excluyentes
en el espacio muestral (, S) y por tanto la probabilidad de esta
unin de eventos, es igual a la suma de sus correspondientes
probabilidades, por lo que,
k

P(A) = P(AE1) + P(AE2) + ... +P(AEk) = P(AEi);

i =1

Adems,

P(AEi) = P(AEi)P(Ei)

por lo que finalmente tenemos :

k

P(A) = P(AEi)P(Ei).
i =1

41

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Este resultado es conocido como la Regla de Probabilidad

Total y es la puerta de ingreso a la demostracin del reputado
Teorema de Bayes que luego de un par de ilustraciones
probaremos.
Figura 2.5
Probabilidad Total
E2

E1

Ek

E3

E5

E4
E6

Ejemplo 2.21
Una granja camaronera adquiere el alimento para sus
langostinos de tres proveedores distintos a los que llamaremos
E1, E2 y E3; E1 provee el 45% del alimento consumido; E2
provee el 25%; y, E3 el restante 30%; es importante para la
granja que los proveedores entreguen cada pedido con la
cantidad requerida de protenas. Por los registros
administrativos de la compaa propietaria de la granja, se sabe
que no siempre los proveedores entregan el alimento con la
cantidad de protenas que se requiere; E1 comete este error en
el 2% de sus entregas; E2 el 3% y E3 el 1.5% de las veces que
entrega. Se nos pregunta Cul es la probabilidad que ocurra
una entrega que no cumpla con el requerimiento proteico
establecido?.
Desarrollo.
Procedamos a la solucin del problema planteado.
Sea Ei el evento el i-simo proveedor entrega su pedido, y sea
A el evento, el alimento entregado no contiene la cantidad
requerida de protenas.
Lo que se pregunta entonces, es el valor de P(A).
Nuestros datos son:
P(E1) = 0.45 ; P(E2) = 0.25 y P(E3) = 0.30;
adems,
P(AE1) = 0.020 ; P(AE2) = 0.030 ; y, P(AE3) = 0.015;

42

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Por lo tanto:
3

P(A) =

P(AEi)P(Ei)

i =1

= 0.020(0.45) + 0.030(0.25) + 0.015(0.30)

= 0.0090 + 0.0075 + 0.0045 = 0.021
Hemos encontrado entonces que la probabilidad de que, bajo las
condiciones dadas, el evento A ocurra es 0.021, en otras
palabras que de mil entregas, alrededor de veintiuna no
reunirn los requisitos proteicos que exige el comprador en la
granja camaronera.

Teorema 2.12. Si P(E1E2) = P(E1E2C), entonces E1 y E2 son

independientes.
Prueba
Considerando que E2E2C = , que E1 es un subconjunto
cualquiera de y aplicando la Regla de la Probabilidad Total
obtenemos:
P(E1) = P(E1E2) P(E2) + P(E1E2C) P(E2C ) ,
Utilizando la informacin que la hiptesis del teorema
proporciona, esto es,
P(E1E2) = P( E1E2C ),
tenemos:
P(E1) = P(E1E2) P(E2) + P(E1E2) P(E2C )
= P(E1E2)[P(E2)+ P(E2C )] = P(E1E2) (1) = P(E1E2)
Lo cual significa que E1 y E2 son independientes, ya que
P(E1) = P(E1E2).
De manera similar se llega a la conclusin que
P(E2) = P(E2E1).
Lo cual consigue el resultado que buscamos

Pasamos ahora a enunciar y probar el denominado Teorema de

Bayes.

43

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Teorema de Bayes. Sea (,S) el espacio muestral de un

experimento estadstico; sean adems E1, E2, ... , Ek eventos
exhaustivos y mutuamente excluyentes en dicho espacio
muestral. Sea A un evento cualquiera que resulta en el
experimento. Bajo estas condiciones,
k

P(ErA) = P(AEr)P(Er) / P(AEi)P(Ei).

i =1

Para r entero positivo constante no mayor que k.

Prueba.
Por la aplicacin de la definicin de probabilidad condicional,
P(ErA) = P(AEr) / P(A)
= P(AEr)P(Er) / P(A)
Aplicando el resultado encontrado en el teorema previo donde,
k

P(A) = P(AEi)P(Ei)
i =1

Llegamos a que,
k

P(ErA) = P(AEr)P(Er) / P(AEi)P(Ei).

i =1

Con lo que se completa la prueba del denominado Teorema de

Bayes.

En el contexto del Teorema de Bayes, P(Ei) es denominada la

probabilidad a priori del evento Ei, en tanto que P(EiA) es la
probabilidad a posteriori de Ei.

Ejemplo 2.22
En una ensambladora de vehculos, los empleados que trabajan
en los procesos de ingeniera son entrenados de tres diferentes
maneras para cumplir con sus tareas especficas; la una forma es
entrenarlos en una planta que funciona fuera del pas, la otra
forma es entrenarlos en la misma fbrica en la que van a
trabajar y la tercera forma es entrenarlos en el pas pero en una
fbrica que no es en la que van a trabajar. El 10% de los
empleados son entrenados de la primera forma, el 55% en la
segunda forma y el restante 35% de la tercera. Se sabe por el
uso de registros administrativos que el primer tipo de personas
cumplen con sus labores especficas el 98% de las veces, el
segundo tipo el 97% de las veces y los de tercer tipo solo el
95% de las veces. Se encuentra un da cualquiera que alguien no
cumpli sus tareas especficas, Cul es la probabilidad de que
quien no cumpli fue entrenado en el exterior?.

44

G. Zurita

ESTADSTICA
Fundamentos y Aplicaciones

Desarrollo.
Llamemos A al evento alguien no cumple sus labores
especficas, mientras que Ei es el evento alguien tuvo
entrenamiento de tipo i , i = 1 , 2, 3.
Las probabilidades a priori de Ei son
P(E1) = 0.10; P(E2) = 0.55; P(E3) = 0.35
mientras que ,
P(AE1) = 1- 0.98 = 0.02;
P(AE2) = 1- 0.97 = 0.03; y,
P(AE3) = 1- 0.95 = 0.05
Debemos calcular la probabilidad a posteriori P(E1A).
Como paso previo se debe calcular P(A) que es la probabilidad
que alguien no cumpla sus labores especficas.
Para el efecto, aplicando la Regla de
tenemos:

Probabilidad Total,

P(A) =

P(AEi)P(Ei)

i =1

= 0.02(0.10) + 0.03(0.55) + 0.05(0.35)

= 0.036
Por lo que
P(E1A) = P(AEr)P(Er) /

P(AEi)P(Ei)

i =1

= 0.02 / 0.036 = 0,555

45

G. Zurita