2017

Unidad II: Probabilidad

Por Oscar R. Díaz

1-1-2017
1
 Introducción. ¿Por qué es importante estudiar la teo-
El término probabilidad está muy ligado al es- ría de las probabilidades?
tudio de situaciones donde está presente la alea-
toriedad y la incertidumbre.
La teoría matemática clásica ha resultado de
mucho éxito para describir el mundo como una Las probabilidades son una herramienta fundamental
serie de eventos fijos y observables, pero a par- en el desarrollo de un individuo. Son una forma de
tir del siglo veinte se vio la necesidad de una entender el mundo, de ampliar nuestra forma de
teoría que ayudara a comprender los eventos pensar y por lo tanto de cambiar nuestra realidad in-
que presentan incertidumbre. mediata. Permiten esclarecer el conocimiento me-
diante la evaluación de información del tipo probabi-
En la actualidad, la teoría de las probabilidades
lística. Las probabilidades son el traductor con el que
es reconocida como una de las teorías matemá-
ticas más usadas en diversos ámbitos de la vida disponemos de ese mundo incierto y complejo.
como las finanzas, el control de calidad, el aná-
Más que adquirir conocimientos, las probabilidades
lisis de la confiabilidad de sistemas, la interpre-
amplían nuestra forma de ver y entender el mundo,
tación de la exactitud en las mediciones entre
ya que desarrollan nuestro pensamiento estadístico.
otros, por lo que resulta de interés particular
para las distintas disciplinas de la ingeniería.

1
PROBABILIDAD
Experimentos Aleatorios, Espacios
muestrales y Eventos |
U
n experimento es cualquier acción, proceso bien
definido de medir determinadas características o
variables, o cualquier cadena de circunstancias que
generan una observación o medida. En este curso nos cen-
traremos en los experimentos aleatorios: aquellos que pue-
den producir resultados diferentes, aunque se repitan siem-
pre de la misma manera.
Recordemos las mediciones del diámetro de la pieza metá-
lica presentadas en el capítulo 1, donde se utilizaron dos ins-
trumentos: un micrómetro y un Vernier.
Inspector Micrómetro Vernier
De inmediato
notamos como
las medidas va-
rían para am-
bos instrumen-
tos y para los
distintos ins-
pectores.
¿A qué pueden
atribuirse estas
variaciones? A
pesar de que los
12 inspectores han hecho las mediciones bajo las mismas
condiciones, por ejemplo, usando los mismos instrumentos,
realizando las medidas en el mismo lugar, a la misma tem-
peratura y humedad; las diferencias en las mediciones se de-
ben a pequeñas variaciones en algunas variables que escapan
del control del investigador, como los cambios en la tempe-
ratura ambiente que podrían dilatar la pieza o la técnica con
la que cada inspector realiza la medición. Experimentos de
este tipo se dice que tienen un componente aleatorio. En al-
gunos casos estas variaciones son despreciables comparadas
con los objetivos del experimento, y pueden ignorarse. Sin
embargo, sin importar que tan cuidadosamente se planee el
experimento, siempre habrá variaciones en las medidas, y en
ocasiones pueden hacer que las conclusiones del experi-
mento no sean obvias.
Nuestro objetivo es entender, cuantificar y modelar estos fe-
nómenos aleatorios que nos encontraremos en muchas áreas
de ingeniería. El objetivo de la teoría de la probabilidad es
facilitar una estructura matemática para un mejor entendi-
miento o explicación de las distintas probabilidades asocia-
das a cada uno de los resultados posibles del experimento.
Estas estructuras matemáticas por lo general consisten en
modelos probabilísticos.
Modelos Probabilísticos.
Un modelo probabilístico es una descripción cuantitativa de
una situación, de un fenómeno o de un experimento cuyo
resultado es incierto, y que se construye con el propósito de
estudiar los posibles resultados del experimento y predecir
su comportamiento futuro cuando se repite bajo las mismas
condiciones dadas inicialmente.
La puesta en marcha de un modelo probabilístico requiere
de dos pasos: en primer lugar, necesitamos describir el con-
junto de posibles resultados del experimento o fenómeno de
interés. Esto los hacemos especificando el espacio mues-
tral. El segundo paso para hacer funcional nuestro modelo,
consiste en describir nuestras creencias acerca de la proba-
bilidad de ocurrencia de los diferentes resultados posibles
del experimento aleatorio. Estudiemos en primer lugar los
espacios muestrales.
Espacio Muestral.
El espacio muestral 𝑆 de un experimento aleatorio es
el conjunto de todos los resultados posibles de ese ex-
perimento.
Los siguientes ejemplos ilustran el concepto de espacio
muestral.
Ejemplo 1: Un ingeniero encargado del mantenimiento de
una determinada máquina nota que las fallas de ésta se pue-
den clasificar como fallas de tipo eléctrico, originadas den-
tro de la máquina, fallas
de origen mecánico
por el fallo de algún
componente de la má-
quina y fallas debido al
operador. Cuando la
máquina está funcio-
1
nando existe incertidumbre acerca de cuál será el origen de
la próxima falla. Entonces podemos conceptualizar el pro-
blema como un experimento aleatorio con el siguiente espa-
cio muestral
𝑆 = {electrico, mecánico, operario}
Como el espacio muestral está formado por estos tres resul-
tados, decimos que el espacio muestral es finito (podemos
escribir y contar todos los posibles resultados del experi-
mento aleatorio)
Ejemplo 2: Cierta compañía vende chips para teléfonos
móviles en cajas de 500 unidades. Cada chip puede ser cla-
sificado como defectuoso o no de-
fectuoso. Cuando un distribui-
dor adquiere una de estas cajas
existe incertidumbre acerca del
número de chips defectuosos
en ella. El espacio muestral es
𝑆 = {0, 1, 2, 3, ⋯ , 499, 500}, de
modo que, como en el ejemplo 1, el espacio muestral es fi-
nito.
Ejemplo 3: El control de errores en un software de compu-
tadora resulta de mucha importancia. Consideremos el nú-
mero de errores separados en
una parte aislada del código.
Cuando el software es utili-
zado, existe incertidumbre so-
bre el número de errores que
generará esta parte del código.
El espacio muestral es
𝑆 = {0, 1, 2, ⋯ }. En este caso no podemos listar todos los
resultados posibles del experimento, solo tenemos una ma-
nera de mostrar la progresión de valores, pero estos pueden
crecer hasta el infinito. Decimos entonces que el espacio
muestral es infinito contable.
Nota: en la práctica existirá un límite superior para el posible número de errores
cuando se corra el programa, sin embargo, conceptualmente el espacio muestral
puede considerarse como el conjunto de todos los enteros.
Eventos y Álgebra de Eventos.
Otro concepto importante, muy ligado al concepto de espa-
cio muestral, es el de Evento. Definiremos un evento como
un subconjunto bien definido del espacio muestral cuyos
1
John Venn (Drypool, 4 de agosto de 1834 - Cambridge, 4 de abril de 1923), fue un
matemático y lógico británico miembro de la Real Sociedad de Londres. Es especial-
mente conocido por su método de representación gráfica conocido como los diagra-
mas de Venn
elementos comparten alguna característica común. Bien de-
finido significa que existe alguna regla de definición por me-
dio de la cual podemos decidir si un elemento pertenece o
no al evento.
Representación de Espacios Muestrales y
Eventos.
Podemos representar un espacio muestral y los eventos aso-
ciados a él haciendo uso de los diagramas de Venn1.
El espacio muestral, denotado con la letra 𝑆, lo representa-
remos con un rectángulo y el conjunto de posibles resultados
del experimento por medio de
puntos muestrales, como en la
figura de la izquierda.
Algunos puntos muestrales
tendrán ciertas características
de interés para el experimenta-
dor. Al agruparlos, formaremos eventos que denotaremos
con letras del inicio del alfa-
beto. En la figura de la derecha
se muestran los eventos 𝐴 y 𝐵.
Estos eventos están formados
B
por algunos de los elementos A
del espacio muestral, en este
caso los que tienen la característica 𝐴 y la característica 𝐵.
Cuando un experimento aleatorio es realizado, si el resul-
tado experimental u observación está contenido en el evento
de interés, es decir que tiene la característica que nos in-
teresa, entonces decimos que el evento ha ocurrido.
Los elementos de un espacio muestral deben cumplir ciertas
propiedades:
 Los elementos deben ser mutuamente excluyentes. Si al
realizar el experimento observamos que el resultado 𝐸𝑖
ha ocurrido, entonces no es posible que otro resultado
haya ocurrido al mismo tiempo. Al final del experi-
mento sólo puede haber ocurrido un solo resultado del
espacio muestral.
 Los elementos deben ser colectivamente exhaustivos.
Esto significa que juntos, forman el espacio muestral.
2
Ejemplo 4: Un ingeniero de control de calidad en una em-
presa manufacturera inspecciona tres piezas directamente de
la línea de producción y las clasifica como éxito (E) si la
pieza es defectuosa, y fracaso (F) si la pieza no es defec-
tuosa.
a) Especifique el espacio muestral adecuado para este ex-
perimento.
b) ¿Qué resultados están contenidos en el evento 𝐴: el se-
gundo éxito ocurre en la tercera inspección?
c) ¿Qué resultados están contenidos en el evento B: ocurre
exactamente un éxito.
d) ¿Qué resultados están contenidos en el evento C: ocurre
al menos un fracaso?
e) ¿Qué resultados están contenidos en el evento D: ocu-
rren a lo sumo dos éxitos?
Solución.
a) El espacio muestral lo podemos construir a partir de un
diagrama de árbol como el que se muestra a continua-
ción.
𝐴 = {𝐸𝐹𝐸, 𝐹𝐸𝐸}.
c) En este caso, debemos tomar en cuenta sólo aquellos re-
sultados que contengan exactamente una E. entonces
B= {𝐸𝐹𝐹, 𝐹𝐸𝐹, 𝐹𝐹𝐸}
d) Al menos un fracaso significa que pueden haber 1, 2 o
tres fracasos. Entonces
𝐶 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸, 𝐸𝐹𝐹, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐹𝐹𝐹}
e) A lo sumo dos éxitos significa que podemos tener 0, 1 o
2 éxitos. Entonces
𝐷 = {𝐹𝐹𝐹, 𝐸𝐹𝐹, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}
Ejemplo 5:
A PepsiCo no le resulta fácil romper los há-
bitos de los consumidores.
Aunque la gente dice que quiere consumir alimen-
tos más saludables, a menudo lo que desea son
chips.
Por
MIKE ESTERL
lunes, 12 de diciembre de 2016 18:40 EDT.

La interpretación del Fuente: The Wall Street Journal.

diagrama es la si- En este artículo se describe como PepsiCo y otras transna-

guiente: la primera ins- cionales han tratado de aumentar la oferta de productos sa-
pección puede resultar ludables durante años, pero los consumidores no han dejado
en una pieza defectuosa de lado su pasión por lo dulce y lo salado. En el artículo se
o no defectuosa (pri- presenta el siguiente gráfico
mera generación de ra-
mas) Si resulta ser de-
fectuosa (rama supe-
rior), la segunda pieza
inspeccionada puede
ser defectuosa o no de-
fectuosa (segunda ge-
neración de ramas). De
igual manera sucede en
la rama inferior. A con-
tinuación, agregamos la a) Describa el espacio muestral para las diferentes catego-
tercera generación de rías de snacks consideradas en el estudio.
ramas, donde también b) Liste los elementos del evento A: snacks cuyas ganan-
la pieza inspeccionada puede ser defectuosa o no defectuosa. cias son menores a los US$4,000 millones de dólares.
El espacio muestral queda descrito por el diagrama de árbol Solución:
o podemos listar los elementos encerrándolos entre llaves:
De la gráfica podemos notar que
𝑆 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐸𝐹𝐹, 𝐹𝐸𝐸, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐹𝐹𝐹} a) 𝑆 = {𝐿𝑎𝑦´𝑠, 𝐷𝑜𝑟𝑖𝑡𝑜𝑠, 𝐶ℎ𝑒𝑒𝑡𝑜𝑠, 𝑃𝑟𝑖𝑛𝑔𝑙𝑒𝑠, 𝑅𝑢𝑓𝑓𝑙𝑒𝑠}
b) Ahora buscamos, en los 8 posibles resultados, los que b) 𝐴 = {𝐶ℎ𝑒𝑒𝑡𝑜𝑠, 𝑃𝑟𝑖𝑛𝑔𝑙𝑒𝑠, 𝑅𝑢𝑓𝑓𝑙𝑒𝑠}
tengan la característica buscada: que el segundo éxito
ocurra en la tercera inspección. Entonces
3
Algebra de Eventos. de varios eventos que son, entre sí, mutuamente excluyentes,
ya que ninguno de los posibles pares de eventos tiene resul-
Podemos generar nuevos eventos a partir de la combinación tados en común.
de eventos existentes. Como los eventos son conjuntos, po-
deos utilizar el álgebra de conjuntos para generar nuevos 𝐸2
eventos.
⋯
Complemento de Unión de dos even-
un evento A tos A y B 𝐸3 𝐸𝑘
𝐸1
El complemento de un La unión de dos eventos 𝐴 𝐸1 ∩ 𝐸2 = ∅ 𝐸𝑖 ∩ 𝐸𝑗 = ∅ para 𝑖 ≠ 𝑗
evento 𝐴 respecto a 𝑆 es y 𝐵 es el conjunto for-
el conjunto de resulta- mado por todos los resul- Partición de un Espacio Muestral.
dos en el espacio mues- tados que pertenecen al
tral que no están conte- evento 𝐴 o al 𝐵 o a ambos. Una colección de eventos forma una partición de un espacio
nidos en el evento 𝐴. La unión se denota por
muestral si los eventos de la colección son mutuamente ex-
Denotaremos este con- 𝐴 ∪ 𝐵.
junto por 𝐴𝑐 . cluyentes y su unión es el espacio muestral, es decir, si se
cumple que:
S 𝐸𝑖 ∩ 𝐸𝑗 = ∅ para 𝑖 ≠ 𝑗 y
S 𝐴𝑐 B
𝐸1 ∪ 𝐸2 ∪ ⋯ ∪ 𝐸𝑘 = 𝑆, Como en la siguiente figura.
𝐴 𝐸2
𝐸1
A

𝐴𝑐 = {𝑥/𝑥 ∈ 𝑆 𝑦 𝑥 ∉ 𝐴} 𝐴 ∪ 𝐵 = {𝑥/𝑥 ∈ 𝐴 𝑜 𝑥 ∈ 𝐵}
𝐸3 𝐸4
Intersección de Diferencia de dos
dos eventos A y B eventos A y B
Algunos resultados importantes.
Es el evento formado La diferencia entre dos
por todos los resultados eventos 𝐴 y 𝐵 es el evento 1. 𝑆𝑐 = ∅
que están contenidos en denotado por 𝐴 − 𝐵 tal 2. ∅𝑐 = 𝑆
los dos eventos. La in- que contiene todos los re- 3. (𝐴𝑐 )𝑐 = 𝐴
tersección se denota por sultados de 𝐴 que no per- 4. 𝐴 ∪ 𝐴𝑐 = 𝑆
𝐴 ∩ 𝐵. tenecen a 𝐵. 5. 𝐴 ∩ 𝐴𝑐 = ∅
6. 𝐴∪𝐴 =𝐴
S S 7. 𝐴∩𝐴 =𝐴
8. 𝐴∪∅=𝐴
9. 𝐴∩𝑆 =𝐴
B B
10. 𝐴∪𝐵 =𝐵∪𝐴
11. 𝐴∩𝐵 =𝐵∩𝐴
A A 12. (𝐴 ∪ 𝐵) ∪ 𝐶 = 𝐴 ∪ (𝐵 ∪ 𝐶)
13. (𝐴 ∩ 𝐵) ∩ 𝐶 = 𝐴 ∩ (𝐵 ∩ 𝐶)
14. 𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶)
𝐴 ∩ 𝐵 = {𝑥⁄𝑥 ∈ 𝐴 𝑦 𝑥 ∈ 𝐵} 𝐴 − 𝐵 = {𝑥⁄𝑥 ∈ 𝐴 𝑦 𝑥 ∉ 𝐵} 15. 𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶)
16. (𝐴 ∪ 𝐵)𝑐 = 𝐴𝑐 ∩ 𝐵𝑐
17. (𝐴 ∩ 𝐵)𝑐 = 𝐴𝑐 ∪ 𝐵𝑐
Eventos Mutuamente Excluyentes. 18. 𝐴 − 𝐵 = 𝐴 ∩ 𝐵𝑐
Dos eventos son mutuamente excluyentes si su intersección 19. (𝐴 − 𝐵) ∪ 𝐵 = 𝐴 ∪ 𝐵
20. (𝐴 − 𝐵) ∩ 𝐵 = ∅
es el conjunto vacío, el cual denotaremos por ∅. En las si- 21. 𝐴 − (𝐵 ∩ 𝐶) = (𝐴 − 𝐵) ∪ (𝐴 − 𝐶)
guientes figuras se muestra, a la izquierda, un par de eventos 22. 𝐴 − (𝐵 ∪ 𝐶) = (𝐴 − 𝐵) ∩ (𝐴 − 𝐶)
𝐸1 y 𝐸2 mutuamente excluyentes y, a la derecha, un conjunto 23. 𝐴 − (𝐵𝑈𝐶) = (𝐴 − 𝐵) ∩ (𝐴 − 𝐶)
4
Diagramas de Venn para dos y tres eventos.
Cuando trabajamos con dos y tres eventos, puede resultar de
mucha ayuda tener en cuenta el significado de las distintas
regiones que se forman.
Dos eventos:
𝐴 ∩ 𝐵𝑐 : los que tienen la ca-
𝐴 𝐵 racterística A pero no la B.
𝐴 ∩ 𝐵: los que tienen ambas
𝐴 ∩ 𝐵𝑐 𝐴 ∩ 𝐵 𝐵 ∩ 𝐴𝑐
características.
𝐵 ∩ 𝐴𝑐 : los que tienen la ca-
racterística B pero no la A.
𝐴𝑐 ∩ 𝐵𝑐 : los que no tienen
𝐴𝑐 ∩ 𝐵 𝑐
ninguna de las dos caracterís-
ticas.
Tres eventos:
𝐴 ∩ 𝐵𝑐 ∩ 𝐶 𝑐 : los que sólo
tienen la característica 𝐴.
𝐴 𝐵 𝐴 ∩ 𝐵 ∩ 𝐶 𝑐 : los que tienen la
característica 𝐴 y 𝐵, pero no
𝐴∩𝐵∩𝐶 𝑐 gramas de Venn. Iniciamos definiendo los eventos de interés
la 𝐶.
𝐴∩𝐵∩𝐶 𝐵 ∩ 𝐴𝑐 ∩ 𝐶 𝑐 : los que sólo
tienen la característica 𝐵.
𝐴 ∩ 𝐶 ∩ 𝐵𝑐 : los que tienen la
𝐶 ∩ 𝐴𝑐 ∩ 𝐵 𝑐 característica 𝐴 y 𝐶, pero no
𝐶 la 𝐵.
𝐴 ∩ 𝐵 ∩ 𝐶: los que tienen las
𝐴𝑐 ∩ 𝐵 𝑐 ∩ 𝐶 𝑐
tres características
𝐵 ∩ 𝐶 ∩ 𝐴𝑐 : los que tienen la característica 𝐵 y 𝐶, pero no la 𝐴.
𝐶 ∩ 𝐴𝑐 ∩ 𝐵𝑐 : los que sólo tienen la característica 𝐶.
𝐴𝑐 ∩ 𝐵𝑐 ∩ 𝐶 𝑐 : los que no tienen ninguna de las tres características.
embargo, el 20% de los residentes contaban con los tres ser-
vicios, 10% no disponía de los tres servicios, 12% estaban
sin electricidad y agua, pero aún con telefonía y el 4% estaba
sin electricidad y telefonía, pero aún con agua. Un residente
de esta ciudad es seleccionado al azar y se registra si el resi-
dente estaba sin los servicios de agua, electricidad o telefo-
nía. Represente los siguientes eventos en notación de con-
juntos y encuentre los porcentajes de residentes de la ciudad
representados en cada evento.
1. El residente seleccionado no disponía de electricidad,
pero sí de agua y telefonía.
2. El residente seleccionado no contaba con uno de los ser-
vicios, pero si con los otros dos.
3. El residente seleccionado no contaba con exactamente
dos de los servicios.
4. El residente seleccionado no contaba con al menos uno
de los servicios.
Solución:
En problemas de este tipo resultan de mucha utilidad los dia-
𝐴: el residente seleccionado no dispone de electricidad.
𝐵: el residente seleccionado no dispone de agua.
𝐶: el residente seleccionado no dispone de servicios de tele-
fonía.
Estos tres eventos representados en un diagrama de Venn
lucen de la siguiente manera: (se ha agregado una numera-
ción para cada una de las regiones para facilitar la descrip-
ción, pero no es necesario hacerlo)

Entonces, procedemos a
Las siguientes relaciones serán de utilidad para determinar 𝐴 𝐵 llenar la región ① que
el número de elementos en las regiones. representa el evento
② donde el residente selec-
1. 𝑛(𝐴 ∪ 𝐵) = 𝑛(𝐴) + 𝑛(𝐵) − 𝑛(𝐴 ∩ 𝐵) ⑤ ⑥
cionado no dispone de
2. 𝑛(𝐴 ∪ 𝐵) = 𝑛(𝐴) + 𝑛(𝐵) ⟺ 𝐴 𝑦 𝐵 son mutua-
① ninguno de los tres ser-
mente excluyentes. ③ ④ vicios considerados. Se-
3. 𝑛(𝐴 − 𝐵) = 𝑛(𝐴) − 𝑛(𝐴 ∩ 𝐵)
gún la información dada
4. 𝑛(𝐴 ∪ 𝐵 ∪ 𝐶) = 𝑛(𝐴) + 𝑛(𝐵) + 𝑛(𝐶) − 𝑛(𝐴 ∩ ⑦
⑧ este porcentaje es del
𝐵) − 𝑛(𝐴 ∩ 𝐶) − 𝑛(𝐵 ∩ 𝐶) + 𝑛(𝐴 ∩ 𝐵 ∩ 𝐶)
𝐶 10%.
5. 𝑛(𝐴𝑐 ∪ 𝐵𝑐 ) = 𝑛(𝐴 ∩ 𝐵)𝑐 = 𝑛(𝑆) − 𝑛(𝐴 ∩ 𝐵)
6. 𝑛(𝐴𝑐 ∩ 𝐵𝑐 ) = 𝑛(𝐴 ∪ 𝐵)𝑐 = 𝑛(𝑆) − 𝑛(𝐴 ∪ 𝐵) A continuación, procedemos a completar la región ② que
representa el evento donde el residente no dispone de
Ejemplo 6: Después de una fuerte tormenta en cierta ciu- electricidad ni agua, pero sí de telefonía. Este porcentaje
dad, el 50% de los residentes carecen de electricidad, 47% corresponde al 12%.
carecen de agua y 38% estaban si servicios de telefonía. Sin

5
 𝐴 El 4% que estaba sin En notación de conjuntos: (𝐴 ∩ 𝐵𝑐 ∩ 𝐶 𝑐 ) ∪ (𝐵 ∩ 𝐴𝑐 ∩
𝐵
electricidad y telefonía, 𝐶 𝑐 ) ∪ (𝐶 ∩ 𝐴𝑐 ∩ 𝐵𝑐 ) (regiones ⑤, ⑥ y ⑦) que repre-
0.12
pero aún con agua, está sentan un 24 + 6 + 5 = 35% de los residentes.
0.24 representado en la re- c) El residente seleccionado no contaba con exactamente
gión ③. dos de los servicios.
0.10
0.04 En notación de conjuntos: (𝐴 ∩ 𝐵 ∩ 𝐶 𝑐 ) ∪ (𝐴 ∩ 𝐶 ∩
El evento 𝐴 se puede es- 𝐵𝑐 ) ∪ (𝐵 ∩ 𝐶 ∩ 𝐴𝑐 ) (Regiones ②, ③ y ④) represen-
𝐶 cribir como 𝐴=
tando un porcentaje del 12 + 4 + 19 = 35% de los re-
0.20 ①∪②∪③∪⑤. Esto
sidentes.
significa que la suma de d) El residente seleccionado no contaba con al menos uno
estas regiones debe tota- de los servicios.
lizar el 50%, de manera que la región ⑤ debe llenarse con En notación de conjuntos: 𝐴 ∪ 𝐵 ∪ 𝐶 (regiones ①, ②,
50 − 12 − 10 − 4 = 24%. ③, ④, ⑤, ⑥ y ⑦) que representan al 80% de los
Los que cuentan con los tres servicios, el 20%, están repre- residentes.
sentados en la región ⑧. Probabilidad.
Para completar el diagrama, notemos que 𝑛(𝐵 ∪ 𝐶) =
100 − 20 − 24 = 56%. Con este resultado, podemos usar Asignación de Probabilidades.
la ecuación 𝑛(𝐵 ∪ 𝐶) = 𝑛(𝐵) + 𝑛(𝐶) − 𝑛(𝐵 ∩ 𝐶) para en-
El segundo paso para hacer funcional nuestro modelo pro-
contrar 𝑛(𝐵 ∩ 𝐶) = 𝑛(𝐵) + 𝑛(𝐶) − 𝑛(𝐵 ∪ 𝐶). Entonces:
babilístico consiste en describir nuestras creencias acerca de
𝑛(𝐵 ∩ 𝐶) = 47 + 38 − 56 = 29%. Este porcentaje corres-
la probabilidad de ocurrencia de los diferentes resultados po-
ponde a las regiones ① y ④, por lo que debemos completar
sibles del experimento aleatorio.
el diagrama de manera que n(𝐵 ∩ 𝐶) = 29% por lo que la
región ④ debe comple- En 1933, Kolmogorov2 propuso en Foundations of the
𝐴 𝐵 tarse con 19%. Calculus of Probabilities tres axiomas, muy intuitivos y sen-
cillos, que proporcionan la base matemática que sustenta la
0.12 Finalmente, la región ⑥
0.24 0.06 teoría de probabilidad. Además, implican una serie de pro-
se completa teniendo en piedades muy útiles para el cálculo de probabilidades.
0.10 mente que 𝑛(𝐵) = 47%
0.04 0.19 por lo que debe comple- Axiomas de Probabilidad.
tarse con 47 − 12 −
0.05 𝐶 10 − 19 = 6% y la re- Suponga que un experimento aleatorio tiene asociado un es-
0.20
gión ⑦ con 38 − 4 − pacio muestral 𝑆. Una probabilidad es una función que
10 − 19 = 5%. asigna un número 𝑃(𝐴) a cada evento 𝐴 de manera que se
cumplan los siguientes axiomas:
Ahora, con el diagrama completo, es más fácil contestar a
las preguntas planteadas 1. 𝑃(𝐴) ≥ 0
2. 𝑃(𝑆) = 1
a) El residente seleccionado no disponía de electricidad, 3. Si 𝐴1 , 𝐴2 , ⋯ es un conjunto de eventos mutuamente ex-
pero sí de agua y telefonía. cluyentes, entonces
En notación de conjuntos: 𝐴 ∩ 𝐵𝑐 ∩ 𝐶 𝑐 (región ⑤) que ∞ ∞
representa el 24% de residentes. 𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 )
b) El residente seleccionado no contaba con uno de los ser- 𝑖=1 𝑖=1
vicios, pero si con los otros dos. Para el caso de dos y tres eventos tenemos:

𝑃(𝐴1 ∪ 𝐴2 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 )

2
𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + 𝑃(𝐴3 )
Andréi Nikoláyevich Kolmogórov (1903-1987) fue un matemático ruso que hizo pro-
gresos importantes en los campos de la teoría de la probabilidad y de la topología.
6
Estos tres axiomas implican algunas propiedades básicas de Del diagrama también podemos notar que 𝐵 se puede es-
la teoría de probabilidades que mostramos a continuación: cribir como 𝐵 = (𝐴 ∩ 𝐵) ∪ (𝐵 ∩ 𝐴𝑐 )
estas dos regiones también son mutuamente excluyen-
Considere un evento 𝐴 y su complemento 𝐴𝑐
tes y por tanto
𝑃(𝐵) = 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵 ∩ 𝐴𝑐 ). De esta ecuación pode-
𝑆 𝐴𝑐 mos escribir
𝑃(𝐵 ∩ 𝐴𝑐 ) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) (B)
𝐴
Si sustituimos (B) en (A) obtenemos

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) ③

A partir de este resultado obtenemos dos consecuencias im-

En este caso 𝐴 ∪ 𝐴𝑐 = 𝑆 y 𝐴 ∩ 𝐴𝑐 = ∅, es decir que ambos
portantes: como 𝑃(𝐴𝑐 ) ≥ 0, (por el axioma 1), el lado dere-
eventos son mutuamente excluyentes. Entonces, a partir del
cho de la siguiente ecuación tiene que ser menor o igual que
axioma 2
uno.
𝑃(𝑆) = 1
⏟ 𝑐) ≤ 1
𝑃(𝐴) = 1 − 𝑃(𝐴
𝑃(𝐴 ∪ 𝐴𝑐 ) = 1 ; sustituyendo 𝐴 ∪ 𝐴𝑐 = 𝑆 𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜
𝑃(𝐴) + 𝑃(𝐴𝑐 ) = 1 ; por el axioma 3
Esta es la primera propiedad que generalmente escribimos Esto, junto con el axioma 1, nos lleva al siguiente resultado
de la siguiente manera: que no debemos de olvidar cuando calculemos probabilida-
des:
𝑃(𝐴) = 1 − 𝑃(𝐴𝑐 ) ①
0 ≤ 𝑃(𝐴) ≤ 1 ④
Otro resultado importante se obtiene a partir de ①:
para el caso de tres eventos ③ toma la forma
𝑃(𝑆) = 1 − 𝑃(𝑆 𝑐 ); pero 𝑆 𝑐 = ∅ . Entonces
1 = 1 − 𝑃(∅) ⇒ 𝑃(∅) = 0 𝑃(𝐴 ∪ 𝐵 ∪ 𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐵)
− 𝑃(𝐴 ∩ 𝐶) − 𝑃(𝐵 ∩ 𝐶) + 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)
𝑃(∅) = 0 ②
Los axiomas sólo son un conjunto de propiedades que la fun-
En el caso de que los eventos no sean mutuamente exclu- ción probabilidad debe de cumplir. La asignación de proba-
yentes, se obtienen las siguientes relaciones: bilidades a un evento usualmente está basada en la evidencia
empírica o en un cuidadoso análisis del experimento. Lo que
𝑆 deseamos es expresar, a través de un número, qué tan facti-
𝐴 𝐵 ble es que un evento en particular ocurra. Esta factibilidad o
probabilidad es cuantificada asignando un número del inter-
valo [0,1] de manera que, si el número resulta cercano a
𝐴 ∩ 𝐵𝑐 𝐴∩𝐵 𝐵 ∩ 𝐴𝑐
cero, entonces es poco factible o poco probable que el evento
ocurra. Si por el contrario el número asignado es cercano a
uno, entonces decimos que es muy factible o muy probable
que el evento ocurra. En los extremos, cero indica un evento
De la figura notamos que que no puede ocurrir (evento imposible) y uno indica un
𝐴 ∪ 𝐵 = 𝐴 ∪ (𝐵 ∩ 𝐴𝑐 ) Entonces evento que ocurrirá con certeza (evento seguro).
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵 ∩ 𝐴𝑐 ) (A)
La asignación se hace basados en algunas suposiciones ra-
ya que las regiones son mutuamente excluyentes.
zonables del modelo en estudio. En 1825 Laplace3 propuso

3
Pierre-Simon Laplace (Beaumont-en-Auge, Normandía, Francia, 28 de
marzo de 1749 -París, 5 de marzo de 1827) fue un astrónomo, físico y matemá-
tico francés.
7
un modelo en el que todos los resultados, tienen la misma donde 𝐸𝑖 indica que la i-ésima batería es defectuosa. Como
probabilidad de ocurrir (conocido como enfoque clásico o no pueden ocurrir simultáneamente dos resultados, podemos
Laplaciano). Por ejemplo, suponga que un inspector de cali- escribir
dad dispone de un lote de 100 baterías para celular, de las 𝑃(𝐴) = 𝑃(𝐸1) + 𝑃(𝐸2) + ⋯ + 𝑃(𝐸𝑛 )
cuales seleccionará una al azar para inspeccionarla y decidir
1 1 1 1 𝑛
si aceptar o rechazar el lote. Al azar significa que es razona- 𝑃(𝐴) = ⏟+ + ⋯+ = 𝑛( ) =
𝑁 𝑁 𝑁 𝑁 𝑁
ble asumir que cada batería en el lote tiene la misma proba- 𝑛 𝑣𝑒𝑐𝑒𝑠
bilidad de ser seleccionada ya que no existe ninguna razón
para suponer lo contrario, es decir, la ausencia de conoci- Lo que nos lleva al siguiente resultado
miento sobre el estado del modelo equivale a afirmar que
Cálculo de Probabilidades.
todos los resultados son equiprobables.
Considere un experimento aleatorio que puede resultar
Como la suma de las probabilidades debe ser uno, por el se- en cualquiera de 𝑁 resultados posibles 𝐸1 , 𝐸2 , ⋯ , 𝐸𝑁 . Si
gundo axioma, un modelo razonable sería asignar a cada ba- podemos asumir que estos resultados tienen la misma
tería una probabilidad de 0.01 de ser seleccionada. Concep- probabilidad de ocurrir, entonces, para cualquier
tualmente podemos imaginar nuestro modelo como un con- evento 𝐴
junto de 100 puntos muestrales (que representan las baterías) número de resultados en A 𝑛
𝑃(𝐴) = =
cada uno con una probabilidad de 0.01 como en la siguiente 𝑁 𝑁
figura.

● ● ● ● ● ● ● ● ● ●
Ejemplo 7: Si el último dígito de una balanza digital
● ● ● ● ● ● ● ● ● ● puede ser cualquier dígito entre 0 y 9 con la misma probabi-
lidad,
⋮ A ⋮
n resultados a) ¿Cuál es la probabilidad que el último dígito sea un 0?
● ● ● ● ● ● ● ● ● ● b) ¿Cuál es la probabilidad que el último dígito sea mayor
o igual que 4?
● ● ● ● ● ● ● ● ● ● c) ¿Cuál es la probabilidad que el último dígito sea impar?
Entonces, en el supuesto que todos los 𝑁 resultados del es- Solución
pacio muestral tengan la misma probabilidad de ocurrir,
cada uno tendrá una probabilidad dada por El espacio muestral es 𝑆 = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}. Con
𝑁 = 10 y sabiendo que cualquier dígito tiene la misma pro-
1 1
𝑃(𝐸𝑖 ) = babilidad de ocurrir, asignamos una probabilidad de a
𝑁 10
cada uno de los diez puntos muestrales. Entonces,
Suponga ahora que nos interesan las baterías que tienen al-
gún tipo de defecto. Definimos entonces el evento 𝐴: la ba- a) Sea el evento 𝐴: el último dígito es un 0
tería es defectuosa. Después de inspeccionar el lote com- El evento contiene un solo elemento 𝐴 = {0}
1
pleto, el inspector tendrá el número total de defectuosas y no Por tanto 𝑃(𝐴) = 10
defectuosas. Si en total encuentra que de las 𝑁 baterías 𝑛 son b) Sea el evento 𝐵: el último dígito es mayor o igual que 4.
defectuosas (de manera que hay 𝑛 puntos muestrales dentro Entonces 𝐵 = {4, 5, 6, 7, 8, 9} lo que nos lleva a concluir
del rectángulo sombreado de la figura) entonces, la probabi- 6 3
que 𝑃(𝐵) = =
lidad de seleccionar una batería al azar y que ésta sea defec- 10 5
tuosa está dada por la suma de las probabilidades de los 𝑛 c) Sea el evento 𝐶: el último dígito es impar. Entonces 𝐶 =
5 1
puntos muestrales que forman el evento 𝐴, de manera que {1, 3, 5, 7, 9} por lo que 𝑃(𝐶) = =
10 2
podemos escribir
El enfoque clásico no siempre es factible de aplicar a un ex-
𝐴 = 𝐸1 ∪ 𝐸2 ∪ … ∪ 𝐸𝑛 perimento aleatorio. En caso de no poder suponer que todos
los resultados son igualmente probables, debemos hacer un
8
estimado basado en resultados experimentales repetidos, en c) A partir de los registros de la tienda de los últimos 5 años
simulaciones o en datos históricos. se elabora la siguiente tabla (conocida como tabla de
contingencia)
Pasta Dura Pasta Blanda Digital Audio
Ficción 0.15 0.45 0.10 0.10
No ficción 0.08 0.04 0.02 0.06

¿Cuál es la probabilidad de que la siguiente compra he-

cha por un cliente seleccionado al azar sea de un libro
en formato impreso?
d) Calcule de dos maneras diferentes la probabilidad de
que la siguiente compra hecha por un cliente seleccio-
nado al azar sea de un libro que no sea en formato im-
preso.
e) Calcule la probabilidad de que la siguiente compra he-
cha por un cliente seleccionado al azar sea de: i) un libro
Interpretando Probabili- de ficción y ii) un libro de ficción y en formato digital.

dades. Solución:

¿Cómo podemos interpretar la probabilidad de
que un evento ocurra? Por ejemplo, ¿qué significa
que la probabilidad de que el último dígito sea un
1 𝑆 = {𝐹𝐷, 𝐹𝐵, 𝐹𝐷𝑖, 𝐹𝐴, 𝑁𝐷, 𝑁𝐵, 𝑁𝐷𝑖, 𝑁𝐴}
0 sea de 10
? Imagine que usamos muchas, mu-
chas veces la balanza bajo las mismas condicio-
nes. A la larga, aproximadamente el 10% de las
veces, el último dígito sería un cero. En otras pa-
labras, la probabilidad del evento es la proporción
de veces que esperaríamos obtener un cero si re-
petimos muchas veces el experimento.
En resumen, una probabilidad siempre nos da una
idea de lo que sucedería con nuestro experimento
a largo plazo.
a) En este caso el espacio muestral consta de 8 eventos
simples y se han listado, por facilidad, haciendo uso de
las letras en negrita indicadas en la tabla.
b) No podemos suponer que los 8 resultados son igual-
mente factibles de ocurrir. Por ejemplo, un libro de pasta
dura es considerablemente más caro que uno de pasta
blanda. El comprador promedio preferirá uno de pasta
blanda y no es razonable pensar que todos los resultados
tengan la misma probabilidad de ocurrir. ¿Puede el lec-
tor pensar en otras razones?
c) Sea el evento 𝐼: el libro comprado está en formato im-
preso. En una tabla de contingencia los eventos se iden-
tifican en filas o en columnas. Por ejemplo, si el libro es
comprado en formato impreso, éste pudo ser en pasta
dura o blanda, que son dos eventos, 𝐷 y 𝐵, que identifi-
camos en columnas como se indica a continuación

Pasta Dura Pasta Blanda Digital Audio

Ejemplo 8: Una tienda de libros vende dos tipos de libros Ficción 0.15 0.45 0.10 0.10
de ficción y de no ficción en varios formatos: pasta dura, No ficción 0.08 0.04 0.02 0.06
pasta blanda, digital y audio book. Suponga que el gerente
de la tienda está interesado en observar el tipo y formato del 𝐷 𝐵
próximo libro que adquiere determinado cliente. Entonces 𝐼 = 𝐷 ∪ 𝐵, y por ser mutuamente excluyentes
𝑃(𝐼) = 𝑃(𝐷 ∪ 𝐵) = 𝑃(𝐷) + 𝑃(𝐵)
a) ¿Cuál es el espacio muestral para este experimento? 𝑃(𝐼) = 0.15 + 0.08 + 0.45 + 0.04 = 0.72
b) ¿Considera que es razonable suponer que los resultados d) Alternativa 1: el evento donde el libro no es en formato
de este experimento son igualmente probables? impreso está representado por 𝐼 𝑐 , por lo que podemos
usar el resultado del literal c) y 𝑃(𝐼 𝑐 ) = 1 − 𝑃(𝐼)
𝑃(𝐼 𝑐 ) = 1 − 0.72 = 0.28
9
 Alternativa 2: de la tabla podemos ver que, si el libro Ejemplo 9: Un ingeniero que distribuye y da manteni-
no es impreso, entonces tiene que ser digital o de audio. miento a plantas eléctricas puede tomar tres rutas desde su
Por to que podemos sumar las columnas correspondien- planta hasta la empresa A, cuatro desde la empresa A a la
tes a estas categorías empresa B y tres de la empresa B a la empresa C. Si cuando
Pasta Dura Pasta Blanda Digital Audio
hace una visita técnica debe manejar de la planta a la em-
Ficción 0.15 0.45 0.10 0.10
No ficción 0.08 0.04 0.02 0.06 presa A, luego de A a B y finalmente de B a C en ese orden,
¿Cuántas rutas son posibles desde la planta a la empresa C?
𝐷𝑖 𝐴
𝑃(𝐼 𝑐 ) = 𝑃(𝐷𝑖 ∪ 𝐴) Solución:
𝑃(𝐼 𝑐 ) = 𝑃(𝐷𝑖) + 𝑃(𝐴) = 0.10 + 0.02 + 0.10 + 0.06 Sean:
𝑃(𝐼 𝑐 ) = 0.28 𝑛1 = número de rutas de la planta a la empresa A = 3
𝑛2 = número de rutas de la empresa A a la B = 4
e) i) En este caso el evento 𝐹: el libro comprado es de fic- 𝑛3 = número de rutas de la empresa B a la C = 3
ción lo leemos en la fila indicada.
Pasta Dura Pasta Blanda Digital Audio Entonces, el número total de rutas para completar el reco-
𝐹 Ficción 0.15 0.45 0.10 0.10
No ficción 0.08 0.04 0.02 0.06 rrido desde la planta hasta C es
𝑛1 ×𝑛2 ×𝑛3 = 3×4×3 = 36
𝑃(𝐹) = 0.15 + 0.45 + 0.10 + 0.10 = 0.80
ii) Se pide 𝑃(𝐹 ∩ 𝐷𝑖) que leemos en la celda donde am- Permutaciones y Combinaciones.
bos eventos se cruzan.
Pasta Dura Pasta Blanda Digital Audio Las permutaciones y combinaciones nos proporcionan un
Ficción 0.15 0.45 0.10 0.10 método algebraico rápido de conteo.
No ficción 0.08 0.04 0.02 0.06

𝑃(𝐹 ∩ 𝐷𝑖) = 0.10 Una permutación es un arreglo de todos o de una parte de

Técnicas de Conteo.
En ingeniería nos resultarán de mucha ayuda las técnicas de
conteo cuando necesitemos conocer el número de elementos
en el espacio muestral o en algún evento en particular sin
hacer la lista completa de resultados.
Regla del producto.
La técnica de conteo más simple se basa en el supuesto que
una operación puede ser descrita como una secuencia de 𝑘
pasos donde,
 El número de maneras de completar el primer paso
es 𝑛1 , y
 El número de maneras de completar el segundo
paso es 𝑛2 para cada manera de completar 𝑛1 , y
 El número de maneras de completar el tercer paso
es 𝑛3 , para cada manera de completar 𝑛2 y así su-
cesivamente.
El número de formas de completar la operación es
𝑛1 ×𝑛2 × ⋯×𝑛𝑘
un conjunto de ítems. El número de permutaciones es el nú-
mero de arreglos diferentes en los que pueden colocarse los
ítems, de manera que si el orden de los ítems es alterado te-
nemos una permutación diferente. Suponga que tenemos 𝑛
ítems diferentes que serán colocados en arreglos de tamaño
𝑟 con 𝑟 ≤ 𝑛. El número de permutaciones (arreglos diferen-
tes) de 𝑛 ítems, tomando 𝑟 a la vez es
𝑛!
𝑛𝑃𝑟 =
(𝑛 − 𝑟)!
por definición 0! = 1 y, por tanto, el número de permuta-
ciones de 𝑛 ítems, tomando 𝑛 a la vez es
𝑛𝑃𝑛 = 𝑛!
Ejemplo 10: Un ingeniero de mantenimiento debe visitar
plantas de producción ubicadas en las zonas francas Ex-
portsalva, American Park, Miramar y El Pedregal i) ¿De
cuántas maneras diferentes puede programar sus visitas a las
plantas si tiene que visitarlas todas en un mismo día? ii) ¿De
cuántas maneras diferentes puede programar sus visitas si en
un día en particular sólo puede visitar dos plantas?
Solución:

10
 i. El número de secuencias diferentes es igual a
4𝑃4 = 4! = 24.
ii. El número de secuencias diferentes es igual a
4!
4𝑃3 = (4−2)! = 12

El cálculo del número de permutaciones se modifica si algu-

nos de los ítems no se pueden distinguir unos de otros. Si
tenemos un total de 𝑛 ítems de los cuales 𝑛1 son de la misma
clase, 𝑛2 de otra clase, hasta una k-ésima clase 𝑛𝑘 tal que
𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 = 𝑛, entonces, el número de permutacio-
nes posibles es
𝑛! Probabilidad en Acción.
𝑛1 ! 𝑛2 ! … 𝑛𝑘 !
Un área de la industria donde las leyes de la pro-
Ejemplo 11: Un técnico en mecánica produce 22 ítems babilidad son importantes es en el control esta-
durante un turno de producción. Tres de los 22 ítems son dístico de la calidad, y de manera especial en el
defectuosos y el resto no. ¿De cuantas maneras diferentes se muestreo de aceptación, donde una muestra to-
pueden ordenar los 22 ítems si tanto los ítems defectuosos y mada de un lote de productos permite tomar la
los no defectuosos son considerados iguales, pero de dife- decisión de aceptar o rechazar el lote. Los méto-
rentes categorías? dos de muestreo pueden clasificarse en dos cate-
Solución: gorías: muestreo sin reemplazo y muestreo con
reemplazo. La mayoría de los métodos inferencia-
El número de maneras de ordenar 3 ítems defectuosos y 19
22! les presentados en un curso básico de probabili-
no defectuosos es 3!19! = 1540 dad y estadística están basado en el supuesto de
muestreo con reemplazo, pero cuando muestrea-
Una combinación es parecida a una permutación, pero con
mos de una población real casi siempre lo hace-
la diferencia de que una combinación no toma en cuenta el
orden. Así, AB y BA son permutaciones diferentes pero la mos sin reemplazo.
misma combinación de letras. En general, el número de
El muestreo es con reemplazo si, una vez seleccio-
combinaciones de 𝑛 ítems, tomando 𝑟 a la vez es
nado, el ítem es puesto de nuevo en la población
𝑛 𝑛! antes de la siguiente selección. Si el ítem no es re-
( ) = 𝑛𝐶𝑟 =
𝑟 𝑟! (𝑛 − 𝑟)! gresado a la población, hablamos de muestreo sin
reemplazo.
Ejemplo 12: En una tarjeta impresa usada para ensam-
blar un componente electrónico se pueden acomodar 12
chips en posiciones diferentes. Si 5 chips del mismo tipo se
ensamblan ¿de cuántas maneras diferentes se pueden aco-
Ejemplo 13: Un Mini USB MP3 Media Player se pro-
duce en lotes de tamaño 𝑁 = 25. El comprador utiliza un
modar los chips en la tarjeta?
procedimiento de prueba de acepta-
Solución: ción para protegerse de lotes que
contienen demasiados dispositivos
Como los chips a colocar son idénticos, entonces el número disconformes. El plan de muestreo
total de posibles arreglos es consiste en seleccionar una muestra
12 12! de cinco dispositivos al azar del lote
( )= = 792 maneras diferentes.
5 5!(12−5)! (sin reemplazo) y probarlos. Si nin-
guno de los componentes es disconforme, el lote se acepta.

11
a) Si el lote contiene tres dispositivos disconformes, ¿cuál 𝑃(𝐶) = 1 − 𝑃(𝐶 𝑐 )
es la probabilidad de aceptación del lote? 𝑃(𝐶) = 1 − [𝑃(0 disconformes) + 𝑃(1 disconforme)]
b) ¿Cuál es la probabilidad de encontrar exactamente un
dispositivo disconforme en la muestra? 𝑃(𝐶) = 1 − [0.4957
⏟ − 0.4130
⏟ ] = 0.0913
literal a) literal b)
c) ¿Cuál es la probabilidad de encontrar al menos dos dis-
positivos disconformes en la muestra? Probabilidad condicional.
Solución: La probabilidad condicional es una probabilidad asociada
con un modelo probabilístico «revisado» que toma en cuenta
a) Sea el evento A: ningún dispositivo en la muestra es dis-
alguna información adicional acerca del resultado de un ex-
conforme.
𝑛(𝐴)
perimento aleatorio.
Entonces 𝑃(𝐴) = 𝑁 ¿Cómo se realiza la revisión del modelo? Considere el si-
Calculemos primero el denominador de la ecuación an- 1
terior. Como estamos analizando un proceso de mues- guiente modelo probabilístico en el que 𝑃(𝐸𝑖 ) = 12
treo, el espacio muestral consiste en todas las muestras
posibles de tamaño 5 que es posible hacer del lote. 𝑆

𝐵
...
𝐴

25
En total existen 𝑁 = ( ) = 53130 muestras diferen-
5 5 6
tes de tamaño 5. Según el modelo 𝑃(𝐴) = 12 y 𝑃(𝐵) = 12
El numerador de la ecuación está formado por todas las Suponga ahora que disponemos de la información siguiente:
muestras (de las 53130 posibles) que no contienen dis- el evento 𝐵 ha ocurrido. ¿Cómo cambia el modelo ante la
positivos disconformes, es decir todas aquellas que pro- presencia de esta nueva pieza de información? Con la infor-
vengan de los 22 dispositivos conformes. En total hay mación que 𝐵
22 3 𝑆
𝑛(𝐴) = ( ) ( ) = 26334. Entonces ha ocurrido, el
5 0
𝑛(𝐴) 26334 57 modelo sería
𝑃(𝐴) = = = = 0.4957
𝑁 53130 115 como el de la
b) Sea el evento B: se encuentra exactamente un disposi- 𝐵
izquierda. El
tivo disconforme en la muestra. 𝐴 nuevo espacio
(22 3
4 )(1) 7315×3 19 muestral es 𝐵.
𝑃(𝐵) = = = 46 = 0.4130
(25) 53130 En esta situa-
5
c) Sea el evento C: se encuentran al menos dos dispositivos 1
ción 𝑃(𝐸𝑖 ) = 6
disconformes en la muestra.
y por tanto, la probabilidad del evento 𝐴, tomando en consi-
Al menos dos dispositivos significa que en la muestra se
deración que ha ocurrido primero el evento 𝐵, o en forma
observan 2 ó 3 dispositivos disconformes. Entonces
más sencilla la probabilidad de 𝑨 dado 𝑩 es
𝑃(𝐶) = 𝑃(2 disconformes)+𝑃(3 disconformes)
2
(22 3
3 )(2) (22)(3) 2 1 21 𝑃(𝐴\𝐵) = 6 (los dos puntos muestrales de la intersección
2 3
𝑃(𝐶) = + = 23 + 230 = 230 = 0.0913
(25) (25) divididos por el total de puntos). En general
5 5
Solución alterna: en ocasiones, el complemento del
𝑃(𝐴 ∩ 𝐵)
evento bajos consideración puede llevarnos a resultados 𝑃(𝐴\𝐵) = , 𝑃(𝐵) > 0
𝑃(𝐵)
más rápidos.
𝐶 𝑐 = se encuentran menos de dos disconformes
12
Ejemplo 14: Los siguientes datos han sido tomados del 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴\𝐵)𝑃(𝐵)
artículo «Characteristics of Buyers of Hybrid Honda Civic La cual se conoce como la regla de la multiplicación para
IMA: Preferences,Decision,Process,Vehicle, Ownership probabilidades. Podemos usar esta ecuación para calcular la
and Willingnes-to-pay» (Institute for Enviromental Deci- probabilidad de la intersección de dos eventos y construir un
sions, November 2006) Donde, cada comprador de un modelo multietapa de un experimento aleatorio, donde se
Honda Civic, fue Clasificado de acuerdo a su género y si puede intuir una situación condicionante entre los eventos
compró o no un modelo híbrido. involucrados.
Híbrido No Híbrido La ecuación puede generalizarse a tres o más eventos
Hombres 77 117 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵\𝐴)𝑃(𝐶\𝐴 ∩ 𝐵)
Mujeres 34 83
Ejemplo 15: Suponga que un lote de 500 chips contiene
9 que son defectuosos. Una muestra aleatoria de tamaño 3
Suponga que uno de éstos compradores es seleccionado al
es tomada del lote sin reemplazo. Sean los eventos 𝐴, 𝐵 y 𝐶
azar. Calcule las siguientes probabilidades:
los eventos donde el primero, el segundo y el tercer chip se-
a) 𝑃(𝐻𝑜𝑚𝑏𝑟𝑒) leccionado, respectivamente es defectuoso. Cada chip ins-
b) 𝑃(𝐻í𝑏𝑟𝑖𝑑𝑜) peccionado es marcado como defectuoso (1) o no defectuoso
c) 𝑃(𝐻í𝑏𝑟𝑖𝑑𝑜\𝐻𝑜𝑚𝑏𝑟𝑒) (0).
d) 𝑃(𝐻í𝑏𝑟𝑖𝑑𝑜\𝑀𝑢𝑗𝑒𝑟)
a) Construya un diagrama de árbol que represente el espa-
e) 𝑃(𝑀𝑢𝑗𝑒𝑟\𝐻í𝑏𝑟𝑖𝑑𝑜)
cio muestral asociado al experimento.
Solución: b) Calcule: 𝑃(𝐴), 𝑃(𝐵\𝐴), 𝑃(𝐵\𝐴𝑐 ) y 𝑃(𝐶\𝐴 ∩ 𝐵)
De la tabla encontramos que 𝑁 = 311 c) Calcule 𝑃(𝐴 ∩ 𝐵)𝑦 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

34+83 117 Solución:

a) 𝑃(𝑀𝑢𝑗𝑒𝑟) = = = 0.3762
311 311
77+34 111 a) En el muestreo sin reemplazo cada unidad muestreada
b) 𝑃(𝐻í𝑏𝑟𝑖𝑑𝑜) = = = 0.3569
311 311 disminuye en uno la cantidad de chips en el lote. El árbol
c) En el caso de las probabilidades condicionales, recorde- es el siguiente:
mos que consideraremos sólo los resultados del evento
condicionante, es decir que el espacio muestral se ha re-
𝐶
ducido a los Hombres para este literal.
77
𝑃(𝐻í𝑏𝑟𝑖𝑑𝑜\𝐻𝑜𝑚𝑏𝑟𝑒) = 194 = 0.3969 𝐵
34
d) 𝑃(𝐻í𝑏𝑟𝑖𝑑𝑜\𝑀𝑢𝑗𝑒𝑟) = = 0.2906
117 𝐶𝑐
34 𝐴
e) 𝑃(𝑀𝑢𝑗𝑒𝑟\𝐻í𝑏𝑟𝑖𝑑𝑜) = 111
= 0.3063 𝐶
Nota adicional: 𝑃(𝑀𝑢𝑗𝑒𝑟) y 𝑃(𝑀𝑢𝑗𝑒𝑟\𝐻í𝑏𝑟𝑖𝑑𝑜) son las proba-
𝐵𝑐
bilidades del mismo evento: que la persona seleccionada sea mu-
jer; pero calculadas con piezas de información diferentes. La pri- 𝐶𝑐
mera considera todo el espacio muestral (las 311 personas del es-
tudio) mientras que la segunda sólo toma en cuenta las que han 𝐶
comprado un auto híbrido (111). Un error muy común es pensar
que se trata de eventos diferentes (evidentemente los valores nu-
𝐵
méricos sí lo son).
𝐴𝑐 𝐶𝑐
Regla de la multiplicación. 𝐶

A menudo nos interesa calcular la probabilidad de la inter- 𝐵𝑐

sección de dos eventos. La ecuación de la probabilidad con-
dicional puede ser reescrita de la siguiente manera: 𝐶𝑐

13
b) Las probabilidades buscadas las encontramos directa- Ejemplo 16: Una compañía produce componentes para
mente del diagrama de árbol máquinas, con una tasa de 5% de defectuosos, que pasan por
9
𝑃(𝐴) = 500
un proceso de inspección automatizado. Sin embargo, el
8 proceso no es completamente confiable, de manera que, si
𝑃(𝐵\𝐴) = 499
un componente es defectuoso, existe una probabilidad de
9
𝑃(𝐵\𝐴𝑐 ) = 499 4% de que el componente no sea rechazado. Y si un compo-
7 nente no es defectuoso, existe una probabilidad de 7% de
𝑃(𝐶\𝐴 ∩ 𝐵) = 498
que sea rechazado. ¿Qué fracción de todos los componentes
c) Ahora aplicamos la regla del producto
9 8 18 son rechazados?
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵\𝐴) = 500 499 = 62375
Solución:
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵\𝐴)𝑃(𝐶\𝐴 ∩ 𝐵)
9 8 7 21 Sean los eventos:
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 500 499 498 = 5177125
𝐷: el componente es defectuoso.
Por lo general la aplicación de esta regla se facilita si
𝐺: el componente no es defectuoso.
construimos un diagrama como el del ejemplo.
𝑅: el componente es rechazado.
𝐴: el componente no es rechazado.
Regla de la Probabilidad Total
Con la información brindada podemos construir un dia-
Muchas veces un evento puede suceder bajo diferentes es-
grama de árbol como el siguiente:
cenarios. La regla de la probabilidad total nos permite re-
construir la probabilidad de un evento a partir de las proba- R
bilidades individuales de estos escenarios. Suponga que el
evento 𝐵 puede ocurrir bajo los escenarios 𝐴1 , ⋯ , 𝐴5 . D

𝐴2 A
𝐴1 𝐴3
R

B G

A
𝐴5 𝐴4 Nota importante: en un diagrama de árbol las ramas a partir de la
segunda generación son probabilidades condicionales. Por ejem-
plo, en la rama superior tenemos las probabilidades 0.05 y 0.96. la
De la figura resulta claro que primera corresponde a 𝑃(𝐷) y la segunda a 𝑃(𝑅\𝐷) que es una
𝐵 = (𝐴1 ∩ 𝐵) ∪ (𝐴2 ∩ 𝐵) ∪ ⋯ ∪ (𝐴5 ∩ 𝐵) entonces probabilidad condicional (imagine que para llegar a R primero
tiene que pasar por D y por lo tanto D es el evento condicionante)
𝑃(𝐵) = 𝑃(𝐴1 ∩ 𝐵) + 𝑃(𝐴2 ∩ 𝐵) + ⋯ + 𝑃(𝐴5 ∩ 𝐵)
Utilizando la regla del producto tenemos:
Nos interesa calcular 𝑃(𝑅), y este evento puede ocurrir de
𝑃(𝐵) = 𝑃(𝐵\𝐴1 )𝑃(𝐴1 ) + 𝑃(𝐵\𝐴2 )𝑃(𝐴2 ) + ⋯ + 𝑃(𝐵\𝐴5 )𝑃(𝐴5 ) dos maneras (las rutas señaladas en el diagrama)
En general, esta ecuación tiene la forma
R
Probabili- Probabili- Probabili-
dad que el D
= dad de ocu- dad del es-
evento rrir bajo x cenario A
ocurra cada esce-
nario R

A 14
Esta misma situación la podemos representar en un dia- las probabilidades de los eventos 𝐴1 , ⋯ , 𝐴𝑘 condicionadas
grama de Venn de la siguiente manera: por el evento 𝐵.

A partir de la ley de la probabilidad total las probabilidades

D G a posteriori pueden ser calculadas como

𝑃(𝐴𝑖 ∩ 𝐵) 𝑃(𝐴𝑖 )𝑃(𝐵\𝐴𝑖 )

𝑃(𝐴𝑖 \𝐵) = =
R 𝑃(𝐵) 𝑃(𝐵)

que se conoce como teorema de Bayes6.

Ejemplo 17: Con la información del ejemplo 16, su-

𝑅 es la unión de las regiones mutuamente excluyentes ponga que tenemos la información de que el componente ha
𝑅 = (𝐷 ∩ 𝑅) ∪ (𝐺 ∩ 𝑅) sido rechazado i) ¿Cuál es la probabilidad de que en realidad
𝑃(𝑅) = 𝑃(𝐷 ∩ 𝑅) + 𝑃(𝐺 ∩ 𝑅) no sea defectuoso? ii) ¿Qué fracción de los componentes no
𝑃(𝑅) = 𝑃(𝑅\𝐷)𝑃(𝐷) + 𝑃(𝑅\𝐺)𝑃(𝐺) rechazados son en realidad defectuosos?
𝑃(𝑅) = 0.96×0.05 + 0.07×0.95 = 0.0480 + 0.0665
Solución:
𝑃(𝑅) = 0.1145
A la larga, la fracción de componentes rechazados será cer- i) En este caso, el evento condicionante es 𝑅 (sabemos que
cana al 11.45% el componente ha sido rechazado) y se pide 𝑃(𝐺\𝑅)
𝑃(𝐺)𝑃(𝑅\G) 0.95×0.07
Nota: 𝑃(𝐺\𝑅) = = = 0.5808
𝑃(𝑅) 0.1145
𝑃(𝐷 ∩ 𝑅) = 𝑃(𝑅\𝐷)𝑃(𝐷) = 0.96×0.05 = 0.0480
R
no es más que el producto de las probabilidades que nos en-
contramos por la rama superior. De igual manera por la rama
D
inferior:
𝑃(𝐺 ∩ 𝑅) = 𝑃(𝑅\𝐺)𝑃(𝐺) = 0.07×0.95 = 0.0665 A
Teorema de Bayes. R
Una situación adicional de interés es cómo usar las probabi-
lidades 𝑃(𝐴𝑖 ) y 𝑃(𝐵\𝐴𝑖 ) para calcular probabilidades G
𝑃(𝐴𝑖 \𝐵), las probabilidades revisadas de los eventos 𝐴𝑖
condicionadas por el evento 𝐵. A
ii) Se pide
𝑃(𝐷)𝑃(𝐴\𝐷) 𝑃(𝐷)𝑃(𝐴\𝐷)
Las probabilidades 𝑃(𝐴1 ), 𝑃(𝐴2 ), ⋯ , 𝑃(𝐴𝑘 ) pueden ser 𝑃(𝐷\𝐴) = =
𝑃(𝐴) 𝑃(𝐷)𝑃(𝐴\𝐷) + 𝑃(𝐺)𝑃(𝐴\G)
conceptualizadas como las probabilidades a priori4 de los 0.05×0.04
eventos 𝐴1 , ⋯ , 𝐴𝑘 . Sin embargo, la observación de la ocu- 𝑃(𝐷\𝐴) = = 0.0023
0.05×0.04 + 0.95×0.93
rrencia del evento 𝐵 provee alguna información adicional
que nos permite actualizar estas probabilidades a priori en A la larga, el 0.23% de los componentes no rechazados
un conjunto de probabilidades a las que llamaremos proba- son en realidad defectuosos.
bilidades a posteriori5 𝑃(𝐴1 \𝐵), ⋯ , 𝑃(𝐴𝑘 \𝐵) las cuales son

4 que lleva su nombre se refiere a la probabilidad de un suceso que se presenta como

(Del latín: por lo que precede). A priori significa lo que está dado de antemano, antes
suma de diversos sucesos mutuamente excluyentes. Actualmente, con base en su
de la experiencia, antes de los hechos. De aquí que una “afirmación apriorística” sig-
obra, se ha desarrollado una poderosa teoría que ha conseguido notables aplicacio-
nifica una afirmación que sólo se fundamenta en abstractas consideraciones previas
nes en las más diversas áreas del conocimiento. Especial connotación han tenido los
y que no se apoya en la experiencia y en la práctica.
sistemas para detección de spam en el ambiente de Internet. En el campo sanitario,
5
Por oposición a a priori significa: después de la experiencia, a partir de la experien- el enfoque de la inferencia bayesiana experimenta un desarrollo sostenido, especial-
cia, a partir de los hechos. mente en lo que concierne al análisis de ensayos clínicos, donde dicho enfoque ha
6 venido interesando de manera creciente a las agencias reguladoras de los medica-
Thomas Bayes, fue un matemático británico. Estudió el problema de la determina-
mentos, tales como la norteamericana FDA (Food and Drug Agency).
ción de la probabilidad de las causas a través de los efectos observados. El teorema
15
Independencia. Ejemplo 18: Una compañía de seguros atiende emergen-
cias viales y de asistencia médica. El gerente asegura que el
En la probabilidad condicional hemos aprendido que el co-
85% de las llamadas entrantes son por accidentes viales.
nocimiento sobre la ocurrencia de un evento puede alterar
Asumiendo que llamadas sucesivas son independientes una
nuestras creencias sobre la ocurrencia de otro evento. Sin
de la otra
embargo, también es posible que la probabilidad de un
evento no se vea afectada por la ocurrencia de otro evento. a) Calcule la probabilidad que dos llamadas sucesivas sean
Dos eventos 𝐴 y 𝐵 son independientes si se cumple cual- ambas para asistencia vial.
quiera de las siguientes propiedades b) Calcule la probabilidad de que, en dos llamadas sucesi-
vas, la primera sea para asistencia vial y la otra no.
𝑃(𝐴\𝐵) = 𝑃(𝐴)
c) Calcule la probabilidad que exactamente una de las dos
𝑃(𝐵\𝐴) = 𝑃(𝐵) siguientes llamadas sea para asistencia vial.
Si 𝐴 y 𝐵 no son independientes, se dice que son eventos de- d) ¿Cree que es razonable suponer que llamadas sucesivas
son independientes? Explique
pendientes.
La independencia de los eventos 𝐴 y 𝐵 implica las tres rela- Solución:
ciones siguientes:
Sean los eventos
𝑐 𝑐
𝑃(𝐴 \𝐵) = 𝑃(𝐴 ) 𝐸1 : la primera llamada es para asistencia vial.
𝐸2 : la segunda llamada es para asistencia vial.
𝑃(𝐴\𝐵𝑐 ) = 𝑃(𝐴)
a) Se pide 𝑃(𝐸1 ∩ 𝐸2 ) = 𝑃(𝐸1 )𝑃(𝐸2 ) = 0.85×0.85
𝑃(𝐴𝑐 \𝐵𝑐 ) = 𝑃(𝐴𝑐 )
𝑃(𝐸1 ∩ 𝐸2 ) = 0.7225
Lo anterior significa si 𝐴 y 𝐵 son independientes, nada de lo b) Se pide 𝑃(𝐸1 ∩ 𝐸2𝑐 ) = 0.85×0.15 = 0.1275
que podamos aprender de 𝐵 cambiará nuestra creencia sobre c) Se pide 𝑃(𝐸1 ∩ 𝐸2𝑐 ) + 𝑃(𝐸1𝑐 ∩ 𝐸2 )
la probabilidad de ocurrencia de 𝐴 o 𝐴𝑐 . 𝑃(𝐸1 ∩ 𝐸2𝑐 ) + 𝑃(𝐸1𝑐 ∩ 𝐸2 ) = 0.85×0.15 + 0.15×0.85
Sin embargo, la relación más importante cuando estudiamos 𝑃(𝐸1 ∩ 𝐸2𝑐 ) + 𝑃(𝐸1𝑐 ∩ 𝐸2 ) = 0.2550
independencia es la siguiente: d) No es razonable suponer independencia. Piense en un
accidente vial, donde se ven involucrados varios vehícu-
A partir de la fórmula de la probabilidad condicional
los. Es de esperar que llamadas sucesivas estén relacio-
𝑃(𝐴 ∩ 𝐵) nadas (solicitando ambos servicios por ejemplo)
𝑃(𝐴\𝐵) =
𝑃(𝐵)
Ejemplo 19: Un lote de 10,000 chips usados para una
Podemos despejar 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴\𝐵)𝑃(𝐵)
calculadora gráfica consta de 2,500 chips de la marca A y
Si los eventos son independientes 𝑃(𝐴\𝐵) = 𝑃(𝐴) 7,500 de la marca B. Los chips se mezclan perfectamente y
Lo que al final nos lleva al resultado se seleccionan 3 sin reemplazo. Sean los eventos
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) 𝐸1 : El primer chip seleccionado es de la marca A.
Esta ecuación es usada por lo general cuando la independen- 𝐸2 : El segundo chip seleccionado es de la marca A.
cia de los eventos se puede asumir7 de las condiciones del 𝐸3 : El tercer chip seleccionado es de la marca A.
problema y nos interesa calcular la intersección de los even-
Para efectos prácticos ¿Se puede asumir independencia entre
tos. La expresión puede generalizarse para un conjunto de
los tres eventos? Si es así ¿bajo qué condiciones?
eventos independientes 𝐸1 , 𝐸2 , ⋯ , 𝐸𝑘 de la siguiente ma-
nera:
Solución:
𝑃(𝐸1 ∩ 𝐸2 ∩ ⋯ ∩ 𝐸𝑘 ) = 𝑃(𝐸1 )𝑃(𝐸2 ) ⋯ 𝑃(𝐸𝑘 ) 2498
Calculemos 𝑃(𝐸3 \𝐸1 ∩ 𝐸2 ) = 9998 = 0.2499 y

7
Cuando decimos que se puede asumir independencia significa que el investigador
reconoce que, para efectos prácticos, los resultados obtenidos no diferirán mucho de
los resultados «correctos».
16
 2500
𝑃(𝐸3 \𝐸1𝑐 ∩ 𝐸2𝑐 ) = 9998 = 0.2501

Notamos que las probabilidades son levemente diferentes,

pero al redondearlas a tres decimales ambas son 0.250. Con-
cluimos que, para efectos prácticos, la ocurrencia o no ocu-
rrencia de 𝐸1 o 𝐸2 no tiene efecto en la probabilidad que 𝐸3
ocurra y los tres eventos se pueden considerar independien-
tes si redondeamos a tres cifras.
En situaciones prácticas, podemos asumir independencia
para el cálculo de probabilidades si el tamaño de muestra 𝑛
no es mayor que el 5% de 𝑁, el tamaño del lote.

Independencia y Causali-
dad.
Se puede condicionar un evento por otro que apa-
rece antes o después de él y este condiciona-
miento puede cambiar la probabilidad inicial del
suceso.

Si un suceso 𝐴 es la causa estricta de un suceso 𝐵

entonces 𝐵 depende de 𝐴, pero el contrario no
siempre se cumple. Un suceso 𝐵 puede ser de-
pendiente de otro suceso 𝐴 sin que uno sea la
causa del otro. Por ejemplo, se sabe que el cáncer
de pulmón depende del hábito de fumar, pero
fumar, en sí mismo, no es siempre la causa del
cáncer.
Causa
𝐴 𝐵 ⇒ 𝐵 𝑑𝑒𝑝𝑒𝑛𝑑𝑒 𝑑𝑒 𝐴

17