Captulo 2

TEORA DE PROBABILIDAD
Competencias:
Al terminar este captulo, el alumno deber estar en capacidad de:

Conocer, entender y manejar los conceptos bsicos de

probabilidad.
Explicar el concepto de probabilidad y las utilidades de su
estudio.
Manejar y aplicar las permutaciones y combinaciones.
Calcular probabilidades, aplicando las reglas de adicin y
multiplicacin en la solucin de diversos problemas.
Explicar la probabilidad condicional y la utilizacin del teorema
de Bayes. 1
La Teora de la Probabilidad constituye la base o fundamento de la
Estadstica, ya que las inferencias que hagamos sobre la poblacin o
poblaciones en estudio se movern dentro de unos mrgenes de error
controlado, el cual ser medido en trminos de probabilidad.

2.1 DEFINICIN DE PROBABILIDAD

Podemos definir la probabilidad en forma muy simple:

Una probabilidad es un nmero comprendido entre cero y uno,

que indica cun posible es la ocurrencia de un suceso; esto es: 0
P(x) 1.

Si un suceso tiene una probabilidad cero, entonces su ocurrencia es

imposible; si tiene probabilidad uno, entonces su ocurrencia es
segura.
2.2 DEFINICIONES DE TRMINOS MS IMPORTANTES
Con la finalidad de facilitar la comprensin de lo que sigue,
definiremos algunos trminos:
2.2.1 EXPERIMENTO ()
Es un proceso mediante el cual se obtiene un resultado de una
observacin.
Un experimento puede ser:
a) Determinstico, cuando el resultado de la observacin es
determinado en forma precisa por las condiciones bajo las cuales
se realiza dicho experimento.
Por ejemplo:
1: Observar la suma de dos nmeros naturales pares.
2: Dejar caer libremente una piedra en el aire; sta caer por la
accin de la gravedad, aun repitindose bajo las mismas
condiciones experimentales.
3: Un capital a un tipo de rdito fijo, en un tiempo determinado,
siempre produce los mismos intereses.
b) Aleatorio o fenmeno aleatorio, cuando los resultados de la
observacin no se puede predecir con exactitud antes de realizar el
experimento. Es decir, un experimento aleatorio es aquel que
proporciona diferentes resultados an cuando se repita siempre de la
misma manera.

Por ejemplo:
1: Lanzar una moneda sobre una meza es un experimento aleatorio;
unas veces resulta cara, otras veces sello.
2: Lanzar un dado y observar el nmero que aparece en la cara
superior.
3: Extraer con o sin reemplazamiento, bolas de una urna que
contiene 5 bolas blancas y 6 negras.
4: Extraer un artculo de un lote que contiene artculos defectuosos y
no defectuosos.
5 : Elegir un delegado de 50 personas; etc.
2.2.2 ESPACIO MUESTRAL O ESPACIO MUESTRA
Es un conjunto formado por todos los resultados posibles
diferentes de un determinado experimento aleatorio. Lo denotaremos
por la letra griega mayscula (omega).
Cada resultado posible de un experimento aleatorio es un elemento
del espacio muestral. A cada elemento del espacio muestral se
denomina tambin punto muestral.

Ejemplo 2.1
Si lanzamos un dado y se observa el nmero que aparece en la cara
superior. Entonces el espacio muestral asociado al experimento ser
= {1, 2, 3, 4, 5, 6 }. El tiene 6 elementos unidimensionales.

Ejemplo 2.2
Si , consiste en lanzar dos monedas, existen 4 posibles resultados
mutuamente excluyentes: nk = 22 = 4.
= {cc, cs, sc, ss}. El tiene 4 elementos bidimensionales.
2.2.4 SUCESO O EVENTO
Se denomina suceso o evento, a cada uno de los posibles
resultados de un experimento. O, un suceso o evento de un
experimento aleatorio , es cualquier subconjunto del espacio
muestral discreto . Generalmente se denota por las letras
maysculas A, B, C, D, E, etc.
Ejemplos 2.5
1 : Lanzar un dado y observar el nmero que aparece en la cara
superior.

El espacio muestral asociado es: = {1, 2, 3, 4, 5, 6}

Evento A: obtener nmero par A = {2, 4, 6}

2 : Lanzar un moneda y observar el resultado. Espacio muestral:

= {c, s}. Suceso B: obtener cara. B = {c}

4 : Lanzar dos dados y observar los puntos obtenidos.
El espacio muestral es:

(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)

(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)

(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
=
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,6)

(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
Sea el evento A: obtener la suma de los puntos iguales o mayor de
10.
A = {(4,6), (5,5), (6,4), (6,5), (5,6), (6,6)}
Sea el suceso B: la suma de los nmeros es 5.
B = {(1,4), (2,3), (3,2), (4,1)}; etc.
 2.2.5 EVENTOS MUTUAMENTE EXCLUYENTES
Dos eventos A y B definidos en el mismo espacio muestral,
se dice que son mutuamente excluyentes (disjuntos), si no pueden
ocurrir juntos; es decir la ocurrencia de uno excluye la ocurrencia del
otro; esto es:
AB=.

Ejemplos 2.6
Los eventos pasar y reprobar, con respecto a un examen
determinado, son mutuamente excluyentes; puesto que ninguna
persona puede al mismo tiempo, pasar y reprobar un examen.

El experimento de tirar un dado, el suceso un nmero par y el

suceso un nmero impar son mutuamente excluyentes. Si cay un
nmero par, no podra caer un nmero impar al mismo tiempo.
2.3 OPERACIONES CON SUCESOS O EVENTOS

La unin de A y B, es el suceso o evento que ocurre, si y slo s A

o B o ambos ocurren; esto es:
A B = {w / w A w B}

La interseccin de A y B, es el evento que ocurre, si y slo s A y

B suceden simultneamente; esto es:
A B = {w / w A w B}

El complemento de un evento A con respecto al espacio muestral

, es el evento que ocurre, si y slo s A no ocurre. Esto es:
Ac = A = = {w / w A}

La diferencia de A B, es el suceso que ocurre, si y slo s ocurre

A y no ocurre B. Esto, es:
A B = {w / w A w B}
Ejemplo 2.9
Un experimento consiste en lanzar un dado y observar el nmero que
aparece en la cara superior. Sean los eventos:
A : observar nmero impar.
B : observar un nmero mayor o igual a 4.
Liste los elementos del evento: A B, A B.
Solucin.-

El espacio muestral es: = {1, 2, 3, 4, 5, 6}.

Los eventos son: A = {1, , 5}; B = {4, 5, 6}

Por lo tanto: A B = {1, 3, 4, 5, 6}; A B = {5}

Ejemplo 2.10
Se analizan muestras de policarbonato plstico para determinar su
resistencia a las rayaduras y a los golpes. A continuacin se presenta
el resumen de los resultados obtenidos con 49 muestras.
resistencia a los golpes
alta baja
resistencia a alta 40 4
las rayaduras baja 2 3
Sean los eventos A: la muestra tiene una alta resistencia a los
golpes, y B: la muestra tiene una alta resistencia a las rayaduras.
Determine el nmero de muestras en A B, A y A B.
Solucin.-El evento A B est formado por 40 muestras referentes a
la resistencia a las rayaduras y a los golpes. Esto es, A B = { 40 }.
El evento A contiene 7 muestras referentes a la resistencia a los
golpes es baja. Esto es, A = { 7 }.
El evento A B esta formado por 46 muestras en las que la
resistencia a las rayaduras o a los golpes ( a a ambos) es alta. Esto es,
A B = { 46 }.
2.4 PRINCIPIOS O TCNICAS DE CONTEO
En general, en el clculo de probabilidades, es necesario
conocer el nmero de elementos o casos en el espacio muestral , y
en los sucesos.

2.4.1 PRINCIPIO DE MULTIPLICACIN

a) Si un experimento aleatorio (u operacin) 1 ocurre de n1 formas

y si para cada una de stas, un experimento 2 ocurre de n2 formas;
entonces los dos experimentos juntos ocurren de:
n1 n2 formas.

b) La generalizacin del principio de multiplicacin a cualquier

nmero de experimentos u operaciones, es como sigue:

n1 n2 n3 . . . nk formas diferentes.
c) Por otra parte, si el nmero de formas que puede presentarse
cada suceso es el mismo; esto es si: n = n1 = n2 = n3 = . . . = nk ,
entonces el nmero de maneras para k sucesos es:
nk
Ejemplo 2.11
Cuntos elementos tiene el espacio muestral del experimento
aleatorio: Lanzar un dado y una moneda simultneamente?
Solucin.-
El dado ocurre de 6 formas, es decir: n1 = 6, y para cada una de stas,
la moneda ocurre de 2 formas, o sea n2 = 2. Por loa tanto, el dado y la
moneda al ser lanzados simultneamente ocurren de: n1 n2 = 6 x 2
= 12 formas diferentes. Es decir, el espacio muestral tiene 12
elementos. La demostracin es:
Dado: 1 2 3 4 5 6 n (A) = 6

Moneda: c s c s c s c s c s c s n (B) = 2
Ejemplo 2.12
Una persona desea construir su casa, para lo cual considera que
puede construir los cimientos de su casa de cualquiera de las dos
maneras (concreto o block de cemento), mientras que las paredes las
puede hacer de adobe, adobn o ladrillo, el techo puede ser de
concreto o lmina galvanizada y por ltimo los acabados los puede
realizar de una sola manera; cuntas maneras tiene sta persona de
construir su casa?
Solucin.-
Considerando que r = 4 pasos.
n1 = maneras de hacer cimientos = 2
n2 = maneras de construir paredes = 3
n3 = maneras de hacer techos = 2
n4 = maneras de hacer acabados = 1

Por lo tanto, el nmero total de maneras de construir la casa es:

n = n1 n2 n3 n4 = 2 x 3 x 2 x 1 = 12.
Ejemplos 2.14
Se lanza una moneda sucesivamente 6 veces. De cuntas formas
ocurre?.
Solucin.-
Se tiene: n1 = n2 = n3 = n4 = n5 = n6 = 2.

La secuencia de los 6 lanzamientos ocurre de nk = 26 = 64

formas diferentes.

Si se lanza dos dados, ocurre: 6 x 6 = 62 = 36 formas diferentes.

Si se lanza tres monedas, ocurre: 2 x 2 x 2 = 23 = 8 formas

diferentes.
2.4.3 PERMUTACIONES
Una permutacin de los elementos u objetos de un conjunto, es
una disposicin ordenada de estos elementos. Es decir, son los
diferentes grupos que pueden formarse con los n objetos dados, de
modo que intervengan todos los elementos en cada grupo y cuya
diferencia est dada en el orden de colocacin.

a) El nmero de permutaciones de n elementos de un

conjunto, todos distintos, tomados de n en n, sin repeticin, es igual a
n! (n factorial). Esto es, n! = n (n 1) (n 2) . . . 3 . 2 . 1; y por
convencin 0! = 1.
Es un caso especial de las variaciones en el que n = r.
Se le representa por: nPn , Pnn P(n, n) ; cuya frmula es:

nPn = n!
Ejemplo 2.16
El nmero de permutaciones de los elementos del conjunto {a, b, c}
tomados de 3 en 3 (o todos a la vez), es:
3P3 = 3! = 3 x 2 x 1 = 6
Estas 6 permutaciones son:
abc, bac, cab
acb, bca, cba

b) El nmero de permutaciones (o variaciones) de n elementos de

un conjunto, todos distintos tomados de r en r, sin repeticin, es
igual a: n(n 1) (n 2) . . . (n r + 1); siendo r < n.

O equivalentemente: El nmero de maneras como se puede extraer

una muestra de tamao r, sin reposicin, de una poblacin de tamao
n, es igual a: n (n 1) (n 2). . . (n r + 1); denotando estas
permutaciones (o variaciones) por: nPr Pnn , , tenemos:
 n!
n Pr = n (n 1) (n 2) . . . (n r + 1)
(n - r ) !

Ejemplo 2.17
El nmero de permutaciones de los elementos del conjunto {a, b, c}
tomados de 2 en 2, es:
3!
3 P2 3x 2 6
(3 - 2)!

Tales permutaciones son: ab, ba, ca

ac, bc, cb.
Ejemplo 2.18
Un grupo esta formado por 5 ingenieros y desean formar una
comisin integrada por presidente y secretario. De cuntas maneras
puede nombrarse esta comisin?
Solucin.-
El cargo de presidente puede ser ocupada de 5 maneras diferentes; y
una vez ocupado el cargo de presidente, el cargo de secretario puede
ser ocupado de 4 maneras diferentes; entonces la eleccin de la
comisin se puede hacer de 5 x 4 = 20 maneras diferentes o
simplemente, nmero de permutaciones de 5 personas tomadas 2 a 2.

5!
5 P2 5 x 4 20 maneras.
(5 - 2) !

Es decir, se pueden formar 20 grupos de 2 miembros cada uno.

2.4.4 COMBINACIONES
Una combinacin de n objetos tomados de r en r, es una
seleccin o subconjunto de r objetos de los n dados, sin importar el
orden de los r escogidos.

O, son arreglos lineales de los elementos de un conjunto en los que

no se toma en cuenta el orden de colocacin en cada arreglo.

El nmero de combinaciones de n objetos, tomados de r en r, siendo

r n ; se denota por: C , C C n n
n r (n, r) r
r

n!
n Cr
r ! (n - r ) !
Ejemplo 2.21
Suponga que para formar un comit se va a elegir a tres miembros de
una organizacin social pequea que tiene en total 10 miembros. El
nmero de grupos diferentes de tres personas que podran elegirse,
sin importar el orden diferente en el que cada uno de los grupos
pueda ser conformado, es:
10 ! (10) (9) (8) (7 ! ) 720
10 C 3 120 grupos.
3 ! (10 - 3) ! 3 ! (7 ! ) 6
Ejemplo 2.22
En una oficina trabajan 8 hombres y 3 mujeres. De cuntas maneras
se pueden escoger un grupo compuesto de 3 hombres y 2 mujeres?
Solucin.-
De 8 hombres se pueden escoger 3 de ( 8 ) maneras.
3

3
.De 3 mujeres se pueden escoger 2 de ( ) maneras.
2
Luego, el comit de 5 personas de 3 hombres y 2 mujeres, se puede
elegir de:
8! 3! 8 x 7 x 6 x 5! 3 x 2!
( 83 ) ( 32 ) x x 56 x 3 168 maneras
3! (8 - 3)! 2! (3 - 2)! 3 ! 5! 2!1!

2.5 PROBABILIDAD DE UN EVENTO

Histricamente se han desarrollado tres enfoques conceptuales
para definir la probabilidad y para determinar valores de
probabilidad: el clsico, el de frecuencia relativa y el subjetivo.
2.5.1 EL CLSICO O A PRIORI

()
= = (. )
()
Ejemplo 2.23
Si se lanza una moneda 3 veces. Calcular la probabilidad que
ocurran: a) dos caras; b) al menos dos caras; y c) a lo ms dos caras.
Solucin.-
El experimento aleatorio es lanzar una moneda 3 veces. El espacio
muestral asociado a este experimento, tiene nk = 23 = 8 elementos;
esto es:
= {ccc, ccs, csc, css, scc, scs, ssc, sss} n ( ) = 8
a) Sea el evento A: ocurra dos caras.
3
A = {ccs, csc, scc} n (A) = 3 P(A) =
8
b) Sea el evento B: ocurra al menos dos caras.
4 1
B = {ccc, ccs, csc, scc} n (B) = 4 P(B) =
8 2
c) Sea el evento C: ocurra a lo ms dos caras.
7
C = { ccs, csc, css, scc, scs, ssc, sss} n (C) = 7 P(C) =
8
Ejemplo 2.24
De cinco funcionarios: a, b, c, d, e; se elige una comisin de tres
miembros.
i ) Detallar el espacio muestral asociado al experimento.
ii) En base al espacio muestral ; determinar los sucesos:
a sea integrante de la comisin.
a o b sean seleccionados.
a y b sean seleccionados.
a no sea seleccionado.
As mismo, determinar el nmero de elementos y sus respectivas
probabilidades.
Solucin.-
b) El espacio muestral asociado al experimento, de entre cinco miembros
elegir tres:
= {abc, abd, abe, acd, ace, ade, bcd, bce, bde, cde}
5!
Entonces, n( ) = 10 n( ) = 5 C 3 10
3! (5 - 3)!
Determinando los sucesos:

A : a sea elegido. A = {abc, abd, abe, acd, ace, ade}

n( A) 6 3
Entonces, el n(A) = 6 P( A)
n() 10 5
B : a o b seleccionados.

B = {abc, abd, abe, acd, ace, ade, bcd, bce, bde} n(B) = 9
n( B ) 9
P( B)
n() 10

C : a y b son seleccionados. C = {abc, abd, abe} n(C) = 3

3
P(C )
10

D : a no sea seleccionado. D = {bcd, bce, bde, cde} n(D) = 4

4 2
P( D)
10 5
2.5.2 EL DE FRECUENCIA RELATIVA O A POSTERIORI

n( A) Nmero de veces que el evento ocurri en el pasado

P( A)
n Nmero total de observaciones

Ejemplo 2.27
Una muestra aleatoria de 10 empresas que emplean un total de
10 000 personas, demostr que ocurrieron 500 accidentes de trabajo
durante un periodo reciente de 12 meses. Determinar la probabilidad
de un accidente de trabajo en una industria determinada.
Solucin.- Se tiene:
n = 10 000, nmero de veces que se repite el experimento.
Sea el evento A : un accidente de trabajo en la industria
determinada.
Entonces: n (A) = 500. 500
Por lo tanto: P( A) 0,05
10 000
2.5.3 EL SUBJETIVO
Se basa en la idea de que la probabilidad que una persona o
investigador da a un suceso, debe depender de su juicio y experiencia
personal; es decir el grado de confianza que tiene, en que el suceso
ocurra, con base en toda evidencia a su disposicin; pudiendo dar dos
personas distintas, probabilidades diferentes a un mismo suceso.

Ejemplo 2.30
Debido a los impuestos y a los posibles usos alternativos de sus
fondos, un inversionista a determinado que la compra de terrenos
vale la pena slo si existe una probabilidad de cuando menos 0,90 de
que el terreno obtenga plusvala por 50 % o ms en los prximos 4
aos. Al evaluar un determinado terreno, el inversionista estudia los
cambios en los precios en el rea en aos recientes, considera los
niveles corrientes de precios, estudia el estado corriente y futuro
probable de los proyectos de desarrollo inmobiliarios y revisa las
estadsticas referentes al desarrollo econmico del rea geogrfica
global.
Con base en esta revisin, concluye que existe una probabilidad de
aproximadamente 0,75 de que se d la plusvala que requiere. Como
esta probabilidad es menor que la mnima que requiere, (0,90), no
debe llevarse a cabo la inversin.

DEFINICIN FORMAL O AXIOMTICA DE PROBA-

BILIDAD
Los anteriores conceptos de lo que debera ser la probabilidad de
un suceso, llevaron a Kolmogorov a dar una definicin axiomtica de
probabilidad. Es decir, a introducir rigor matemtico en el concepto
de probabilidad, de forma que se pudiera desarrollar una teora slida
sobre el concepto definido.
As, llamaremos probabilidad a una aplicacin, P: A [0, 1].
AXIOMAS DE PROBABILIDAD

Todo el campo de la teora de probabilidades para espacios muestrales

finitos, se basa en los tres axiomas o postulados siguientes:

Ax. 1 Principio fundamental de probabilidad.

Para cualquier evento A en , se tiene 0 P(A) 1.
Es decir, la probabilidad de un evento es un nmero real no
negativo; o sea P(A) 0 para cualquier subconjunto A de .

Ax. 2 La probabilidad del suceso seguro o del espacio muestral , es

igual a la unidad.
Esto es: P( ) = 1.
Ax. 3 Si A1, A2, A3, . . . , An , es una serie de sucesos mutuamente
excluyentes (aditiva finita), entonces

P(A1 A2 A3 . . . An) = P(A1) + P(A2) + P(A3) + . . . + P(An)

 n
n
P Ai
i 1
P( A )
i 1
i

2.7 ALGUNAS REGLAS DE PROBABILIDAD

Mediante el uso de los tres axiomas de probabilidad, podemos
deducir muchas otras reglas que tienen importantes aplicaciones.
2.7.1 REGLA ESPECIAL DE ADICIN
Una consecuencia inmediata del Ax. 3 es, si A y B son sucesos
mutuamente excluyentes en , entonces se tiene:
P(A B) = P(A) + P(B)
Ejemplo 2.33
Supngase que hay un grupo de 500 profesionales recin graduados,
de los cuales 175 se especializaron en Mecnica, 150 en Elctrica,
100 en Minas y 75 en Geologa. Si se elige al azar una persona del
grupo; cul es la probabilidad de que la persona elegida se haya
especializado en Mecnica o en Elctrica?
 175 150 325
P(A B) = P(A) + P(B) = 0,65
.
500 500 500

Adems: = {A , B, C, D}

P(A B C D) = P(A) + P(B) + P(C) + P(D) =

175 150 100 75
1
500 500 500 500

Teorema 1. Si A y Ac son eventos complementarios de un espacio

muestral , entonces se cumple que:

P(Ac) = 1 P(A) o P(A) = 1 P(Ac)

Ejemplo 2.34
Si las probabilidades de que un mecnico automotriz d servicio a
tres, cuatro, cinco, seis, siete, ocho o ms autos en un da de trabajo
dado son 0,12; 0,19; 0,28; 0,24; 0,10 y 0,07 respectivamente.
Cul es la probabilidad de que d servicio al menos a cinco autos el
siguiente da de trabajo?.
Solucin.-
Sea A, el evento de que al menos cinco autos reciban servicio. Ahora
bien, P(A) = 1 P(Ac), donde Ac es el evento de que menos de
cinco autos reciban servicio.
Como P(Ac) = 0,12 + 0,19 = 0,31

Por lo tanto: P(A) = 1 P(Ac) = 1 0,31 = 0,69.

 Observacin.- Si los eventos no son mutuamente excluyentes;
.
entonces tienen elementos en comn; esto es,

2.7.2 Regla General de la Adicin de Eventos

Si A y B son dos sucesos que se definen en el mismo espacio muestral
y A B , entonces la probabilidad de que ocurra A o B o ambos,
es igual a la probabilidad de A ms la probabilidad de B, menos la
probabilidad de que ambos sucesos A y B ocurran. Esto es:

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

Ejemplo 2.36
En una empresa comercial trabajan 8 hombres y 18 mujeres, de los
cuales la mitad de los hombres y la mitad de las mujeres han nacido
en Arequipa. Determine la probabilidad de que un trabajador elegido
al azar sea hombre o que haya nacido en Arequipa.
Solucin.- Sean los eventos:
A : el trabajador sea hombre. P(A) = 8/26
B : trabajador nacido en Arequipa. P(B) = 4 + 9 /26 = 13/26
A B : trabajador sea hombre y nacido en Arequipa.
P(A B) = 4/26

Por lo tanto: P(A B) = 8/26 + 13/26 4/26 = 17/26.

Ejemplo 2.37
Los resultados obtenidos de 266 muestras de aire se clasifican segn la presencia o
no de dos molculas raras. En 212 muestras de aire no hay ninguna de esas
molculas, en 24 slo est presente la molcula 1, en 18 slo la molcula 2, y en 12
estn presentes las dos simultneamente.
Solucin.- Definimos los siguientes sucesos:
A : En la muestra est presente la molcula 1
B : En la muestra est presente la molcula 2
Los datos tabulados son:
A Ac
B 12 18 30
Bc 24 212 236
36 230 266
Calculamos las siguientes probabilidades:

a) Probabilidad de encontrar en una muestra la molcula 1.

36
P( A) 0,1353
266
b) Probabilidad de encontrar en una muestra la molcula 2.
30
P( B) 0,1128
266
c) Probabilidad de que una muestra presente las dos molculas.
12
P( A B) 0,0451
266
a) Probabilidad de que una muestra presente alguna de las molculas.
P( A B) P( A) P( B) P( A B) 0,203
e) Probabilidad de que ninguna de las molculas est presente.
212
P( A B )
c c
P( AB) 1 P( A B) 0,7971
266

f) Probabilidad de que slo est presente la molcula 1.

24
P( A B )
c
0,0902
266
g) Probabilidad de que slo est presente la molcula 2.
18
P( B A )
c
0,0677
266

Se observa que efectivamente las molculas rara vez aparecen, pero cuando
aparecen suelen hacerlo juntas.
2.8 PROBABILIDAD CONDICIONAL
Definicin.- Sean A y B dos sucesos, tal que P(B) > 0 ; la probabilidad
condicional de que ocurra el suceso A, dado que ha ocurrido el suceso B; se le
define por:

P A
B

P( A B )
P( B)
(2.14)

En particular, si es un espacio finito equiprobable, y n (B) denota el nmero de

elementos de un suceso B; entonces:

n( A B) n( B)
P( A B) ; P( B) ; reemplazando en (14), se tiene:
n() n()
n (A B)
P( A B ) n ( ) n ( A B)
P(A / B) =
P( B) n (B) n ( B)
n ( )

B
P A
n ( A B)
n ( B)
(2.14)
Ejemplo 2.39
Segn las estadsticas, la probabilidad de que un auto que llega a
cierta gasolinera cargue gasolina es de 0,79; mientras que la
probabilidad de que ponga aceite al motor es de 0,11 y la probabilidad
de que ponga gasolina y aceite al motor es de 0,07. a) Si un auto
carga gasolina; cul es la probabilidad de que ponga aceite?; b) Si
un auto pone aceite al motor; cul es la probabilidad de que ponga
gasolina?.
Solucin.- Sean los eventos:
G : de que un auto cargue gasolina P(G) = 0,79
A : de que un auto ponga aceite al motor P(A) = 0,11
A G : de que un auto ponga gasolina y aceite P(A G) = 0,07

a) La probabilidad de que ponga aceite, dado que ha llenado gasolina,

es:
P
A
G

P( A G) 0,07
P(G)

0,79
0,0886
b) La probabilidad de que cargue gasolina, dado que pone aceite, es

PG A P(PA(A)G) 00,,0711 0,6364

2.9 EVENTOS O SUCESOS DEPENDIENTES

(Teorema de la Multiplicacin)
De la definicin de probabilidad condicional, obtenemos una
frmula para hallar la probabilidad de la Interseccin (o producto) de
los sucesos A y B:

B
P A
P ( A B)
P( B)
P (B) > 0 (1)

A
P B
P ( A B)
P ( A)
P (A) > 0 (2)
;
Multiplicando ambos miembros de la expresin (1) por P (B), y por P
(A) la expresin (2), se obtiene las ecuaciones siguientes:

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

P (A B) = P (A) P B
A
Este resultado, se denomina Regla de Multiplicacin o probabilidad de
la Interseccin.

Para tres sucesos: A, B y C de , tales que P (A) 0 y P (A B) 0,

se tiene:

P( A B C ) P ( A) P B A P C A B
En general, si A1, A2, A3, . . . , An son eventos de un espacio muestral
finito y P (A1 A2 A3 . . . An-1) 0, entonces:
P (A1 A2 A3 . . . An) = P (A1) P (A2/A1) P (A3/A1 A2) . . .
P (An/A1 A2 A3 . . . An-1)

Ejemplo 2.45
Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar
sucesivamente y sin reposicin o reemplazo, dos bolas. Cul es la
probabilidad que las dos resulten blancas ?.
Solucin.- Sean los eventos:
A1 : la primera bola resulta blanca.
A2 : la segunda bola resulta blanca.
E : las dos bolas resultan blancas.
Por lo tanto, la probabilidad pedida es la del evento:
E = A1 A2 = A1 A2
Es decir, E es la interseccin de los dos eventos y la ocurrencia de A1
influye en la de A2, o sea:

P(E) = P (A1 A2) = P (A1) P (A2 / A1)

En la urna hay 11 bolas, de las cuales 5 son blancas, entonces:

P (A1) = 5 / 11. Despus de la ocurrencia de A1, queda 10 bolas, de
las cuales 4 son blancas, luego: P (A2 / A1) = 4 / 10.
Por lo tanto:

5 4 20 2
P( A1 A2 )
11 10 110 11
Ejemplo 2.48
En un lote de 10 artculos hay 3 defectuosos. Si se toman al azar tres
artculos uno tras otro. Cul es la probabilidad de que los tres
artculos sean buenos?.
Solucin.-
P(A1 A2 A3 ) = P( A1 ) P A2 A P A3 A A
1 1 2

7 6 5 210 7
P(A1 A2 A3 ) =
10 9 8 720 24
 2.10 EVENTOS O SUCESOS INDEPENDIENTES
Sean los sucesos A y B; se dice que B es independiente de A,
si la ocurrencia del suceso B no es influenciado o condicionado por la
ocurrencia de A.

Definicin 1.- Dos sucesos A y B son independientes si y slo s:

P(A B) = P(A) P(B) con P(A) 0 y P(B) 0

Definicin 2.- Tres sucesos A, B y C, se dice que son mutuamente

independientes si y slo si, se cumple las siguientes condiciones:
P(A B) = P(A) P(B)
P(A C) = P(A) P(C)
P(B C) = P(B) P(C)
P(A B C) = P(A) P(B) P(C)
Ejemplo 2.50
La probabilidad de que un distribuidor de repuestos, venda dentro de
un mes, un lote de pistones para autos es y la probabilidad de
vender un lote de discos de embrague dentro de un mes es 1/3.
Calcular la probabilidad de que:
a) vende los dos lotes de artculos dentro de un mes.
b) vende al menos uno de los lotes dentro de un mes.
c) vende ninguno de los lotes dentro de un mes.
d) solamente vende el lote de pistones dentro de un mes.
Solucin.- Sean los sucesos:
A : venta de pistones de auto dentro de un mes P(A) = 1 / 4
B : venta de discos de embrague dentro de un mes P(B) = 1 / 3
Luego:
a) P(A B) = P(A) P(B) = (1 / 4) (1 / 3) = 1 / 12; puesto que A y B
son independientes.
b) P(A B) = P(A) + P(B) P(A B) = 1/4 + 1/3 - 1/12 = 6 / 12
c) No vende los pistones (Ac) y no vende los discos de embrague
(Bc), es decir buscamos: P(Ac Bc).

Previamente:
P(Ac) = 1 P(A) = 1 1 / 4 = 3 / 4; y

P(Bc) = 1 P(B) = 1 1 / 3 = 2 / 3

Como Ac y Bc son independientes, entonces:

P(Ac Bc) = P(Ac) P(Bc) = (3 / 4) (2 / 3) = 6 / 12 = 1 / 2

d) Slo se vende los pistones (A) y no se vende los discos de

embrague (Bc), entonces:

P(A Bc) = P(A) P(Bc) = (1 / 4) (2 / 3) = 2 /12 = 1 / 6.

 2.11 PARTICIN DEL ESPACIO MUESTRAL
Se dice que una coleccin de eventos A1, A2, A3, . . . , An que
pertenecen a representa una particin del espacio muestral , si
cumplen con las condiciones siguientes:
a) Los eventos A1, A2, . . . , An son mutuamente excluyentes.
En smbolos Ai Aj = ; i j ; i , j = 1 , 2 , 3, . . . , n.

a) Los eventos A1, A2, . . . , An son colectivamente exhaustivos. En smbolo:

n

A
i 1
i

A1 A3 .
b) P(Ai) > 0,
An
i = 1, 2, 3, . . . , n
Ejemplo 2.51
En el lanzamiento de un dado, = {1, 2, 3, 4, 5, 6}. Si A1 = {1, 2};
A2 = {3, 4, 5}; A3 = {6}. Entonces, A1 , A2, A3 representa una
particin del espacio muestral .

En cambio, si: B1 = {1, 2}; B2 = {4}; B3 = {3, 6}.

B1 B2 B3 ; por lo tanto: B1, B2 y B3 no representan una
particin de .

2.12 TEOREMA DE PROBABILIDAD TOTAL

Sean los sucesos A1, A2, . . . An una particin del espacio
muestral , entonces para cualquier evento B en , se cumple:

n n
P( B) P( A B) P( A )P(B / A )
i 1
i
i 1
i i

o en forma desarrollada:
 n
P( B) P(A ) P( B / A ) P( A ) P( B / A ) P( A ) P( B / A ) ...
i 1
i i 1 1 2 2

P( An ) P( B / An )
Este resultado se conoce con el nombre de teorema de Probabilidad
Total.

Ejemplo 2.52
En determinada industria, se conoce que cierta mquina que produce
tornillos, trabaja correctamente el 90 % del tiempo. Si la mquina no
est trabajando correctamente, el 5 % de los tornillos producidos son
defectuosos. Cuando est trabajando bien solamente el 0,5 % de los
tornillos son defectuosos. Si se escoge un tornillo aleatoriamente;
cul es la probabilidad que sea defectuoso?
Solucin.- Sean los eventos:
D : el tornillo es defectuoso. P(D) = ?
M : la mquina est trabajando correctamente. P(M) = 0,90
M: la mquina no trabaja correctamente P(M) = 1 - ,90 =
0,10
= M M y D = MD MD

Aplicando el corolario del teorema de probabilidad total:

P(D) = P(M)P(D / M) + P(M ) P(D / M )

P(D) = (0,90) (0,005) + (0,10) (0,05) = 0,0095

2.13 TEOREMA DE BAYES

Si A1, A2, . . . , An son sucesos mutuamente excluyentes, de
los cuales al menos uno de los Ai (i = 1, 2, 3, . . . , n) debe ocurrir; y
sea B un suceso cualesquiera en , la probabilidad condicional de la
ocurrencia de Ai cuando el evento B ha ocurrido, es:
 Ai P( Ai ) P( B / Ai )
P
B P( A1 ) P( B / A1 ) P( A2 ) P( B / A2 ) ... P( An ) P( B / An )

Por lo tanto, abreviando la suma:

Ai P( Ai B) P( Ai ) P( B / Ai )
P
B P( B) n

P( A ) P( B / A )
i 1
i i

Este resultado, conocido como el teorema de Bayes, permite conocer

el cambio que experimenta la probabilidad de Ai como consecuencia
de haber ocurrido B. En el lenguaje habitual del Clculo de
Probabilidades a P(Ai) se le denomina probabilidad a priori y a P(Ai
/B) probabilidad a posteriori, siendo la ocurrencia de B la que
establece la frontera entre el antes y el despus.
Ejemplo 2.53
En cierta planta de montaje, tres mquinas B1, B2 y B3, montan 30 %,
45% y 25% de los productos respectivamente. Se sabe de la
experiencia pasada que 2 %, 3 % y 2% de los productos
ensamblados por cada mquina, respectivamente, tienen defectos.
Ahora, suponga que se selecciona de forma aleatoria un producto
terminado. Cul es la probabilidad de que est defectuoso?
Solucin.-
Sean los eventos siguientes:
A : el producto est defectuoso P(A) = ?
B1: el producto est ensamblado por la mquina B1 P(B1) = 0,30
B2: el producto est ensamblado por la mquina B2 P(B2) = 0,45
B3: el producto est ensamblado por la mquina B3 P(B3) = 0,25

Adems: P(A/B1) = 0,02; P(A/B2) = 0,03; P(A/B3) = 0,02.

Al aplicar el teorema de probabilidad total o regla de eliminacin, se
puede escribir:
n
P( A) P( B ) P ( A / B )
i 1
i i

Por lo tanto:
P(A) = (0,30)(0,02) + (0,45)(0,03) + (0,25)(0,02)

P(A) = 0,006 + 0,0135 + 0,005 = 0,0245

Ejemplo 2.54
Con referencia al ejemplo 2.53; si se elige al azar un producto y se
encuentra que es defectuoso; cul es la probabilidad de que est
ensamblado por la mquina B3?
Solucin.- Aplicando el teorema de Bayes, se tiene:
P( B3 ) P( A / B 3 )
P( B3 / A)
P( B1 ) P( A / B1 ) P( B2 ) P( A / B2 ) P( B3 ) P( A / B3 )
 0,005 0,005 10
P( B3 / A) 0,2041
0,006 0,0135 0,005 0,0245 49
Ejemplo 2.55
Una empresa dispone de tres fbricas: A, B, y C para producir un
cierto artculo. La fbrica A produce el 30 % de la cantidad total, la
fbrica B produce otro 30 %, y la fbrica C el 40 % restante. Se sabe
que e1 2 % de la produccin de A, el 3 % de la de B y el 5 % de la de
C es defectuosa. a) Cul es la probabilidad de que un artculo
producido sea defectuoso?.
b) Si al hacer un control de la calidad se detecta un artculo
defectuoso; cul es la probabilidad de que provenga de cada una de
las fbricas?.
Solucin.- Si llamamos:
A : Artculo producido en la fbrica A.
B : Artculo producido en la fbrica B.
C : Artculo producido en la fbrica C.
D : Artculo defectuoso.
a) La probabilidad de que un artculo producido sea defectuoso, es:
P(D) = P(A)P(D/ A) + P(B)P(D/ B) + P(C)P(D/C)

P(D) = (0,30)(0,02) + (0,30)(0,03) + (0,40)(0,05) = 0,035.

Es decir, un 3.5% de la produccin es defectuosa.

b) La probabilidad de que provenga de cada una de las fbricas es:

P( A D) P( A) P( D / A)
P( A / D)
P( D) P( A) P( D / A) P( B) P( D / B) P(C ) P( D / C )

P( A D) (0,30)(0,02)
P( A / D) 0,17
P( D) 0,035
P( B D) (0,30)(0,03)
P ( B / D) 0,26
P ( D) 0,035

P(C D) (0,40)(0,05)
P(C / D) 0,57
P( D) 0,035