Capítulo 1

INTRODUCCION A LA PROBABILIDAD

En la interpretación del concepto de probabilidad se han seguido dos

escuelas. La primera, clásica u objetivista, interpreta la probabilidad como la
frecuencia relativa de la ocurrencia de algún evento o resultado (consecuencia) en
el desempeño final o la repetición de un experimento, entendida esta última
palabra como una actividad que pudiera conducir a los resultados previstos, sin
olvidar que el resultado particular observado en cualquier etapa del experimento
también está generado por el azar.

La escuela clásica u objetivista, del siglo XVII, tendría como principal interés
determinar la probabilidad de éxito en los juegos de azar. En este caso, los
experimentos en cuestión eran tirar un dado, girar la ruleta, manejar las cartas,
etc.

Los matemáticos de ese siglo B. Pascal, R Ferment y R S. Laplace, entre

otros, fueron los que más contribuyeron a formalizar los conceptos de
probabilidad,

La segunda escuela es la subjetivista o bayesiana, la cual utiliza los

resultados a priori para calcular la probabilidad de ocurrencia de varios estados
del universo (también llamado espacio de eventos), en una etapa particular del
experimento de que se trata.

El conocimiento a priori es la forma en que emergerá la distribución de

probabilidades, dado el conocimiento de la naturaleza del experimento que se va
a realizar.

El enfoque subjetivista permite al investigador asignar probabilidades o

eventos particulares (algunos posibles resultados del experimento que se esté
llevando a cabo).

Como mencionamos, la escuela subjetivista también se conoce como

bayesiana, (en este libro, la etiqueta bayesiana significa deseo de incorporar
probabilidades subjetivas en el análisis estadístico), en contraparte con los
seguidores de la escuela objetivista, que no desean incorporar presentimientos
subjetivos en probabilidad a la estructura formal del análisis estadístico, pues no
creen que el concepto de probabilidad pueda aplicarse a la verosimilitud de
ocurrencia de varios acontecimientos en un experimento sin repetición.

El uso de las probabilidades a posteriori implica la aceptación de la creencia

de que ciertas fuerzas que operaron en el pasado causan que un modelo
particular de distribución de probabilidad continúe de la misma manera.

Como muchos sistemas matemáticos, la teoría de probabilidad se convierte

en un modelo útil cuando sus elementos se relacionan e identifican con cosas
particulares; en este caso, los resultados de experimentos reales o conceptuales.
De ese modo, la teoría nos permite deducir ciertas proposiciones acerca de la
verosimilitud de varios resultados.

Debido a que el observador tiene una ignorancia total o parcial, es decir, una
incertidumbre acerca del resultado de una investigación, su actitud será
eventualmente inferior a adivinar qué ocurrirá. En un sentido, la probabilidad
refleja la incertidumbre acerca del resultado de un experimento, por lo que la
probabilidad puede pensarse como el lenguaje matemático de la incertidumbre, y
esta es igual para el investigador y para el jugador de azar.

En los últimos años se ha incrementado el uso de los modelos probabilísticos,

debido a que presentan muchas ventajas al aplicarse a situaciones reales. En los
modelos probabilísticos interviene un conjunto de variables aleatorias, las cuales
se rigen por algún parámetro, como tiempo o espacio. A los procesos aleatorios
también se les conoce como procesos estocásticos.

En toda investigación o estudio, una vez que se han recopilado datos

empíricos se adopta un modelo teórico (alguna distribución teórica), con el objeto
de extraer más información de los datos. Si la adaptación es buena, las
propiedades del conjunto de datos pueden aproximarse a las del modelo teórico.
De manera similar, a un proceso real que posea la característica de un proceso
aleatorio se le podrá adaptar un proceso estocástico. De este modo, el
conocimiento de las propiedades y características del proceso estocástico es
altamente deseable para una mejor comprensión del fenómeno real en estudio.

Las incertidumbres asociadas con el comportamiento humano, en diferentes

situaciones, se adaptan de una manera adecuada a los modelos probabilísticos y
a los procesos estocásticos.

Estos modelos podrían utilizarse para analizar:

• Movilidad social de los individuos.
• Movilidad industrial de trabajadores o empleados.
• Sistemas educativos.
• Procesos de una enfermedad.
• Sistemas de información.

SÍMBOLOS Y TERMINOLOGÍA

Experimento. Es cualquier actividad bien definida capaz de repetirse en

condiciones esencialmente estables; una situación en la que está presente la
incertidumbre.

Ejemplo: Lanzamiento de un dado imparcial es un experimento aleatorio,

puesto que antes de lanzar no tenemos la seguridad plena acerca de qué
cara quedará hacia arriba.

Espacio muestral. Es el conjunto que está formado por todos los posibles
resultados de un experimento, denotado por .

Ejemplo: El espacio muestral para el ejemplo anterior será:

  = {1; 2; 3; 4; 5; 6}

Porque un dado tiene o caras, y al lanzar el dado puede quedar hacia arriba
cualesquiera de los lados.

Punto muestral. A cada elemento del espacio muestral  se le llama punto

muestral, lo que es equivalente a decir, que cada resultado posible del
experimento aleatorio es llamado "punto muestral".

Ejemplo: Lanzamiento de dos monedas imparciales.

c s

c (c, c) (c, s)

s (s, c) (s, s)

El espacio muestral  está formado por 4 puntos muéstrales.

Evento o suceso. Es un subconjunto del espacio muestral. Si el subconjunto está

formado por más de un resultado posible, se llama evento compuesto; ambos se
denotan con una letra mayúscula (A, E, etcétera).

Ejemplo. Se lanza un par de dados legales, considerar los siguientes eventos

o sucesos:

A: Obtener una suma de puntos igual a 9.

A = {(4; 5); (5; 4); (ó; 3); (3; 6)}

B: Obtener tres en el primer dado.

B = {(3; 1); (3; 2); (3; 3); (3; 4); (3; 5); (3; 6)}

Dado que A y B son subconjuntos del Q.

1.1 DEFINICIÓN DE PROBABILIDAD

La definición de probabilidad fue dada por Laplace y desde entonces se ha

repetido en casi todos los libros sobre teoría de probabilidades. En su forma
primitiva dice: "Probabilidad es la razón del número de casos favorables al
número total de casos igualmente posibles".

La probabilidad se puede estudiar desde dos puntos de vista:

 A priori o clásico. A priori significa aquello que se puede deducir usando

solo la razón, sin la experiencia. Desde este punto de vista se define la
probabilidad:

Número de eventos clasificables como A

P( A )=
Cantidad total de eventos posibles
 El símbolo P(A) se lee como "la probabilidad de ocurrencia del evento A".
Así, la ecuación establece que la probabilidad de ocurrencia del evento A
es igual al número de eventos clasificables como A dividido entre la
cantidad de eventos posibles.

El número de eventos clasificados como A, es el número de casos

favorables y la cantidad total de eventos posibles es el número de casos
posibles.

n( A ) Número de casos favorables a A

P( A )= =
n(Ω) Número total de casos posibles

Ejemplo: ¿Cuál es la probabilidad de que el dado se detenga con un dos

hacia arriba?

Solución:
Como existen 6 números posibles y solo uno de ellos es un 2, la
probabilidad de un dos en una tirada de un dado es:

Posibles resultados:  = {1; 2; 3; 4; 5; 6}  n() = 6

Casos favorables: A = {2}  n(A) = 1

n( A ) 1
P( A )= = =0 , 1667
n(Ω) 6
Ejemplo: ¿Cuál es la probabilidad de obtener un número mayor que 4 en
una tirada de un dado?

Solución:
Ahora existen dos eventos clasificados como A (obtener un 5 o un 6). Así:
P(A) = P(5 ó 6)

Número de eventos clasificados como 5 ó 6 2

= =0 ,3333
Cantidad total de eventos posibles 6

 A posteriori. A posteriori significa "después del hecho"; en el contexto de

la probabilidad, significa después de reunir algunos datos. Desde el punto
de vista a posteriori se define como:

Número de veces que A ha ocurrido

P( A )=
Cantidad total de ocurrencias

Ejemplo: ¿Cuál es la probabilidad de obtener un dos después de lanzar el

dado 100 000 veces y que un dos apareció en l6 000 ocasiones?

Solución:
Mientras más arrojemos el dado, será mejor. Para este problema:
 Número de veces que A ha ocurrido 2 16 000
P( A )= = =0 , 16
Cantidad total de ocurrencias 100 000

Observe que con este punto de vista, es necesario tener el

dado real y reunir algunos datos antes de determinar la
probabilidad. El punto interesante es que si el dado no está
cargado (se dice que es un dado honesto), al tirarlo muchas veces la
probabilidad a posteriori se acerca a la probabilidad a priori.

PROPIEDADES:
1. La probabilidad de un suceso A, está comprendido entre: 0  P(A)  1
2. Si P(A) = 0  A = 0, en este caso el suceso es imposible.
3. Si P(A) = 1  A = , en este caso el suceso es seguro.
4. La aplicación del evento contrario o complemento:
P(A) = 1- P(A’) o P(A) + P(A’) = 1

Ejemplo: ¿Cuál es la probabilidad de que al extraer una bola de úna

urna donde hay 3 bolas rojas, 7 bolas azules, 4 bolas blancas y 2 bolas
negras; esta no sea roja?

Solución:
A: evento de extraer una bola que no sea roja.
A’: evento de extraer una bola roja.

 P(A) = 1 - P(A’)
3 →rojasdisponibles
P(A) = 1 - 16 →total de bolas
13
 P(A) = 16
Ejemplo: ¿Cuál es la probabilidad de obtener al menos un sello en el
lanzamiento de 3 monedas?

Solución:
A: Evento de obtener al menos un sello; lo cual puede ser un sello, dos
sellos o tres sellos.
A’:Evento de no sacar ningún sello, es decir todos los resultados deben ser
caras.
A’ = {ccc} = n(A’) = 1
P(A)= 1 - P(A’)
1 7
1 – = =0 , 875
P(A)= 8 8
P(A) = 0,875 o 87,5 %

La probabilidad de un suceso A se puede expresar por medio de una

fracción ordinaria, una fracción decimal o en porcentaje.
1.2 REGLAS DE LA PROBABILIDAD

La regla de la adición
La regla de la suma permite determinar la probabilidad de que ocurra alguno de
varios eventos posibles. Para comenzar nuestro análisis, supongamos
que solo existen dos eventos posibles: A y B.

Definición 1. La probabilidad de ocurrencia de Ao B es igual a la probabilidad de

ocurrencia de A más la probabilidad que ocurra B menos la probabilidad de que
ocurra A y B.

En forma de ecuación, la regla de la suma establece que:

P(A o B) = P(A) + P(B) - P(A y B)

De la relación anterior se puede derivar:

P(A  B) = P(A) + P(B) - P(A  B)

La función del término P(A  B) rectifica el doble conteo que se lleva a cabo
cuando se suman P(A) y P(B). La regla general de adición puede extenderse a la
probabilidad de la unión de tres eventos. La regla general para tres eventos es:
P(A  B  C) = P(A) + P(B) + P(C) - P(An B) -P(A  C) - P(B  C) + P(A  B 
C).

Ejemplo: Determinar la probabilidad de elegir al azar un as o un trébol en una

extracción de una baraja de cartas ordinarias.

Solución:
Eventos favorables a A:

Eventos favorables a B:
 Eventos favorables de A a B:

P(A  B) = P(A) + P(B) - P(A  B)

4 13 1 16
+ − = =0 , 3077
P(A  B) = 52 52 52 52
P(A  B) = 30,77 %

Definición 2. Dos eventos son mutuamente excluyentes si no pueden ocurrir al

mismo tiempo. Otra forma de decir esto es que dos eventos son mutuamente
excluyentes si la ocurrencia de uno impide la ocurrencia del otro.

Si los eventos son mutuamente excluyentes entonces: P(A y B) = 0, luego:

P(A o B) = P(A) + P(B) - P(A y B)

= P(A) + P(B) - 0
P(A o B) = P(A) + P(B)

De la relación anterior se tiene que:

P(A  B) = P(A) + P(B), si A  B = 

La regla especial de adición no tiene-el término P(A  B), debido a que se aplica
a eventos mutuamente excluyentes, ya que en este caso no hay intersección y,
por tanto, no hay doble conteo.

Ejemplo: ¿Cuál es la probabilidad de elegir un dos o un as al extraer una carta

de la baraja ordinaria?

Solución:
 Como queremos un 2 o un as y como estos eventos son mutuamente
excluyentes, aplicamos la regla anterior.
P(A o B) = P(A) + P(B)
P(2 o as) = P(2) + P(as)
4 4
+ =0 ,1538
P(2 o as) = 52 52
P(2 o as) = 15,38 %

La regla del producto

La regla del producto analiza la ocurrencia conjunta o sucesiva de varios eventos.
Observe que la regla del producto analiza con frecuencia lo que ocurre en más de
un lanzamiento o extracción, mientras que la regla de la suma estudia solo un
lanzamiento o extracción.

Definición 1. La probabilidad de ocurrencia de Ay B es igual a la probabilidad de

ocurrencia de A por la probabilidad de que B ocurra, dado que A ha ocurrido. En
forma de ecuación, la regla del producto es:
P(A y B) = P(A) P(B/A)

Observe que el símbolo P(A/B) se lee como la "probabilidad de que ocurra B dado
que A ha ocurrido". Esto significa B entre A.

Definición 2. Dos eventos son independientes si la ocurrencia de un evento no

tiene efecto sobre la probabilidad de ocurrencia del otro.

Si A y B son independientes, entonces la probabilidad de B no es afectada por A.

Por lo tanto, P(B/A) = P(B). Bajo esta condición, la regla del producto se convierte
en:

P(A y B) = P(A) P(B/A)

= P(A) P(B)

La igualdad anterior también puede expresarse de la manera siguiente:

P(A  B) = P(A) P(B)

Ejemplo: ¿Cuál es la probabilidad de que ambas cartas sean ases?

Solución:
Como el problema pide un as en la primera y segunda extracción, podemos
aplicar la regla del producto. Sea A un as en la primera extracción y B un as en
la segunda.

Eventos favorables a A: Eventos favorables a B:

P(A  B) = P(A) P(B)

 P(A  B) =
(524 )(524 )
16
P(A  B) = 2704
P(A  B) = 0,0059

La regla del producto para eventos independientes también se aplica en situaciones con
más de dos eventos. En tales casos, la probabilidad de la ocurrencia conjunta de
los eventos es igual al producto de las probabilidades individuales de cada
evento. En forma de ecuación:

P(A y B y C y ... y Z) = P(A)P(B)P(C) ... P(Z)

Ejemplo: La población está constituida por 50 hombres y 60 mujeres. El

muestreo es de un individuo a la vez, con reemplazo. ¿Cuál es la probabilidad
de obtener 3 mujeres y un hombre, en ese mismo orden?

Solución:
Como el problema pide una mujer en la primera, segunda y tercera extracción y
un hombre en la cuarta, y como el muestreo es con reemplazo, aplicamos la
regla del producto para dos eventos independientes;

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

P(A y B y C y D) =
(60110 ) (60110 ) (60110 ) ( 50110 )
P(A y B y C y D) = 0,0738

Definición 3. Cuando Ay B son dependientes, la probabilidad de que ocurra B se

ve afectado por la ocurrencia de A. En este caso, no podemos simplificarla
ecuación para la probabilidad de A y B. Debemos usarla en forma original. Así, si
A y B son independientes:

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

El muestreo sin reemplazo proporciona una buena ilustración de los eventos

dependientes.

Ejemplo: Extraer dos cartas, una a la vez, sin reemplazo, de una baraja
ordinaria. ¿Cuál es la probabilidad de que ambas cartas sean ases?

Solución:
A representa un as en la primera extracción y B representa un as en la
segunda extracción. Como el muestreo es sin reemplazo (la carta obtenida la
primera vez se retira de la baraja), la ocurrencia de A realmente afecta la
probabilidad de B. A y B son dependientes.
 Eventos favorables a A: Eventos favorables a B:

P(A y B) = P(A)P(B/A)
4 3
P(A y B) =
( )( )
52 51
12
P(A y B) = 2652
 P(A y B) = 0,0045

Como el caso de la regla del producto para eventos independientes, la del

producto para eventos dependientes también se aplica a situaciones con más de
dos eventos. En tales casos, la ecuación es:

P(A y B y C y ... y Z) = P(A)P(B/A)P(C/AB) ... P(Z/ABC...Z)

Ejemplo: En cierto grupo hay 15 estudiantes de música, 24 de historia y 46 de

psicología. Se extrae al azar 4 alumnos del grupo. Si el muestreo es de una
persona a la vez, sin reemplazo, ¿cuál es la probabilidad de obtener 4
estudiantes de historia?

Solución:
Como el problema pide un estudiante de historia en la primera, segunda,
tercera y cuarta extracción, y como el muestreo es sin reemplazo, aplicamos la
regla anterior:

P(A y B y C y D) = P(A)P(B/A)P(C/AB)P(D/ABC)

=
(2485 ) (2384 ) (2283 ) (2182 )
255 024
= 48 594 840
 P(A y B y C y D) = 0,0052

1.3 PROBABILIDAD TOTAL

Consideramos un espacio S igual a la unión de los eventos mutuamente
excluyentes: E1; E2; E3;… ; Ek. Ek y un evento cualquiera R en S, como se muestra
en el siguiente gráfico:
R: un evento arbitrario
a = E1  R
b = E2  R
a = E3  R
.
.
.
a = E1  R

La probabilidad de R es:

k
∑ P( E1 )
P(R) = i=1 . P(R/E1)

Demostración:

1. Del gráfico anterior:

R = (E1  R)  (E2  R)  (E3  R)  …  (Ek  R)

2. Debido a que las intersecciones son mutuamente excluyentes (no tiene

elementos comunes):
R = (E1  R) + (E2  R) + (E3  R) + … + (Ek  R)

3. Aplicando la regla de la multiplicación:

P(R) = P(E1) . P(R/E1) + P(E2) . P(R/E2) + P(E3) . P(R/E3) + ... + P(Ek) . P(R/Ek)

4. Expresando en forma de sumatoria, se obtiene la fórmula anterior.

k
∑ P( E1 )
P(R) = i=1 . P(R/E1)

La fórmula anterior recibe el nombre de: principio de expansión, probabilidad

marginal, entre otros.

Ejemplo: En un salón de clase, el 32 % de los estudiantes son hombres.

Asimismo, se sabe que el 10 % de los estudiantes son de provincia, mientras
que el 60 % de las mujeres son de Lima. Si de la lista de estudiantes del salón
 se selecciona al azar uno de ellos, ¿cuál es la probabilidad que sea de Lima?

Solución:
Evento M: seleccionar estudiante mujer.
Evento H: seleccionar estudiante hombre.

P(M): 0,68 P(H): 0,32

P(L/H): probabilidad de que un estudiante varón sea de Lima.

 P(L/H) = 0,90

P(L/M): probabilidad de que un estudiante mujer sea de Lima.

 P(L/M) = 0,60

Aplicando la fórmula resulta:

P(L) = P(H) . P(L/H) + P(M) . P(L/M)

= (0,32) . (0,90) + (0,68) . (0,60)
= 0,696

1.4 TEOREMA DE BAYES

Si los eventos E1, E2, E3, … , Ek forman una partición del espacio S, y R un evento
cualquiera de S, entonces considerando las condiciones anteriores dadas en la
probabilidad total y además siendo P(R) ≠ 0. En efecto se tiene:

P( E 1 ) P( E1 / R)
P(E1/R) = P( R )

Ejemplo: Considere 1 8 tiradores clasificados en 4 grupos. En el primer grupo hay

5 tiradores con probabilidad 0,8 de dar en el blanco, en el segundo hay 7 con
probabilidad 0,7, en el tercero hay 4 con probabilidad de 0,6 y en el último con
probabilidad de 0,5 de dar en el blanco. Se elige al azar un tirador, dispara y no
da en el blanco. ¿A qué grupo es más probable que pertenezca?

Solución:
Evento E1: tirador elegido pertenece al grupo E1.
Evento E2: tirador elegido pertenece al grupo E2.
Evento E3: tirador elegido pertenece al grupo E3.
Evento E4: tirador elegido pertenece al grupo E4.
Evento R: al disparar no da en el blanco.
Las probabilidades de los eventos Ei son:

5 7 4 2
P(E1) = 18 P(E2) = 18 P(E3) = 18 P(E4)= 18

Si ocurre E1, entonces P(R/E1) = 0,8

Si ocurre E2, entonces P(R/E2) = 0,7
Si ocurre E3, entonces P(R/E3) = 0,6
Si ocurre E4, entonces P(R/E4) = 0,5

Luego aplicando la fórmula de la probabilidad total se tiene:

5 7 4 2
(0,8 )+ (0,7 )+ (0,6 )+ (0,5 )
P(R) = 18 18 18 18
P(R) = 0,683

Calculemos ahora P(Ei /R),( i = 1; 2; 3; 4)

5
P( E 1 ) (R / E1 ) 18 (0,8)
= =0 , 3252
P(E1/R) = P( R) 0 , 683

7
P( E 2 ) (R / E2 ) 18 (0,7 )
= =0 ,3984
P(E2/R) = P( R) 0 ,683

4
P( E 3 ) ( R/ E3 ) 18 (0,8 )
= =0 ,1951
P(E3/R) = P( R) 0 ,683

2
P( E 4 ) ( R /E 4 ) 18 (0,8 )
= =0 ,0813
P(E4/R) = P( R ) 0 ,683

Probabilidad y variables continuas con distribución normal

Hasta este punto, en nuestro análisis de probabilidad, hemos considerado
variables discretas, por ejemplo, el muestreo de una baraja de cartas o el
lanzamiento de un par de dados. Sin embargo, muchas de las variables
dependientes que deben evaluarse en los experimentos son continuas, no
discretas. Cuando una variable es continua:

Área debajo de la curva, correspondiente a A

P(A) = Área total bajo la curva

Como es frecuente que estas variables se distribuyan de manera normal,

concentraremos nuestro análisis en las variables continuas con distribución
normal.
1.5 DISTRIBUCIÓN NORMAL

La distribución normal es sin duda la más conocida y usada de todas. Muchos

fenómenos naturales tienden a dar como resultado una distribución normal. Entre
otras: longitud, altura y grosor de animales o plantas; mediciones de cantidades
de azúcar en la sangre; cantidad de glóbulos blancos; incidencia de las
enfermedades del oído interno; medidas en el aspecto conductista, emocional o
psicológico de las acciones, aptitudes o capacidades humanas. La distribución de
los errores de medida (desviaciones en relación con un valor específico en los
diámetros de pistones, cilindros o cañones de armas de fuego; pesos de
productos empaquetados e incluso las longitudes de las cintas métricas) tiende a
ser normal, al igual que la distribución del grado de perfección de diversos
procesos de producción.

Debido a que la distribución normal describe de manera satisfactoria muchos

fenómenos naturales, se ha convertido en un patrón de referencia para muchos
problemas probabilísticos. Además, en ciertas condiciones, las distribuciones
binomial y de Poisson se aproximan mediante la distribución normal.

La distribución normal es continua, en la que la variable aleatoria x es capaz de

adoptar cualquier valor comprendido en el siguiente intervalo

{ - < x <  }

Dos parámetros describen a la distribución normal:

2 = media
 = varianza

La función de densidad normal es:

2
1 x− μ x
1 −
e
2[ ]
σ

√ 2 πσ
f(r) = x2 ; x  IR

Donde:
 = E(x), tal que - <  < + 
var(x) = 2, 2 > 0
e = 2,71828
 = 3,14159
La gráfica de la expresión anterior es la siguiente:

El área bajo la curva se llama masa de probabilidad o simplemente probabilidad.

Esta se calculará por medio de tablas.

Se retornará el concepto de la desigualdad de Chebyshev.

Caso 1. Funciones de densidad de tres variables normales con la misma media y

diferentes desviaciones estándar (1 < 2 < 3).

Como se comentó al considerar la desigualdad de Chebyshev, cuanto mayor sea

el valor de la desviación estándar, existe mayor dispersión de los datos.

Caso 2. Funciones de densidad de dos variables normales con diferente media y

la misma varianza, por ejemplo (1 < 2).
Por la forma de la distribución se observan dos propiedades:
a) La distribución normal es simétrica alrededor de x
b) La media, moda y mediana coinciden por la forma simétrica.

Si una variable X (puntuaciones, datos, calificaciones, etc.) se halla normalmente

distribuida, entonces las estadísticas tipificadas o estandarizadas estarán
definidas por:

X−μ
Z= σ

Esta nueva variable estará normalmente distribuida con media 0 y varianza 1;

como se ve, Z es en realidad el número de desviaciones estándar en que se
encuentra la puntuación X respecto a la media aritmética, la cual se presenta en
la figura siguiente:

Para conocer el área bajo la curva que se encuentra entre la media aritmética (p)
y una desviación estándar (±).

Ejemplo: Sean los pesos de todas las mujeres inscritas en el cuarto semestre
de una universidad X en la que estudia. Imagínese que este es un conjunto de
datos pertenecientes a una población de distribución normal, con una media
de 54 kilos y una desviación de 3. Si elegimos al azar un dato de esta
población, ¿cuál es la probabilidad de que el dato seleccionado sea mayor o
igual a 61?

Solución:
La media de 54 kilos y el dato de 61 se localizan en el eje X. El área
sombreada representa a todos los datos mayores o iguales a 61. Como los
datos se distribuyen de forma normal, podemos determinar esta proporción
convirtiendo el dato crudo en su valor Z, transformando, para luego buscar el
área en la tabla de distribución binomial del apéndice A. Así:

X−μ 61−54
Z= σ = 3
7
Z= 3
Z = 2,33

De la columna C en la tabla A: P(X  61) = 0,0099

Ejemplo: A un grupo de niños se le aplica una prueba de inteligencia (WISC);

supóngase que las puntuaciones se distribuyen en forma normal y tienen los
parámetros siguientes:  = 100 y  = 15. Determinar:

a) Si la proporción normal de inteligencia en términos del Cl está entre 90 y

110, ¿qué porcentaje de niños están en este intervalo; P(90  X  110)?
b) ¿Qué porcentaje de niños obtuvieron un Cl mayor que 110?, es decir,
P(X110).
c) ¿Qué porcentaje de niños tienen menor que el término medio o menos de
90; P(X90)?

Solución:
a) Paso 1. Se calculan los valores de Z para 90 y 110, o sea: X 1 = 90 y X2 =
110.

Puntuación Z para 90;

x 1 −μ 90−100 −10
= = =−0 ,67
Z= σ 15 15

Puntuación Z para 110:

x 2 −μ 110−100 10
= = =−0 ,67
Z= σ 15 15

Donde el signo menos indica que la puntuación Z se encuentra a la

izquierda de la media aritmética.

Paso 2. Se determina el porcentaje entre la media y cada una de las

puntuaciones Z obtenidas anteriormente, utilizando la tabla de distribución
binomial Z del apéndice A, se obtiene que el área bajo la curva entre la
media y la puntuación Z(-0,67) es 24,86 %; y para Z(0,67) es 24,86 %, lo
 que da un total de 49,72 %.

Será 49,72 % el porcentaje esperado de niños que presentan un Cl

normal (entre 90 y 110).

b) Paso 1. Se calculan los valores Z de 110.

Puntuación Z para 110:

X−μ 110−100 10
= = =0 , 67
Z= σ 15 15

Paso 2. Se ubica en una gráfica el valor de Z obtenido

Como se localizó en la tabla de distribución binomial el valor del área del

extremo derecho y el valor anterior, 24,86% es el área de la media a 110;
y dado que dicha área es de 50%, se resta a 50% el valor de 24,86% y
este será el porcentaje del área buscado: 50 - 24,86 = 25,14 por ciento.

Esta área en la gráfica equivalente a 25,14% significa el porcentaje de

niños superiores al término medio.

a) Calculamos la puntuación Z para 90:

X−μ 90−100 −10

= = =−0 , 67
Z= σ 15 15
 Esta área en la gráfica equivalente a 25,14% significa el porcentaje de niños
inferiores al término medio.

P(X  90) = 25,14%

Ejemplos de aplicación

Ejemplo 1:
Un experimento consiste en lanzar dos monedas simultáneamente. Escribir:
a) Todos los puntos muéstrales del espacio muestral .
b) Los puntos muéstrales de  contenidos en el evento que salga
exactamente una cara.
c) Los puntos muéstrales de  contenidos en el suceso que salga al menos
una cara.

Solución:
a) Consideremos C = cara y S = sello

A = {C; S} B = {C; S}

 = { CC ; CS ; SC ; SS }

a) Que salga exactamente una cara:  = {CS; SC}

b) Que salga al menos una cara:  = {CC; CS; SC}

Ejemplo 2:
Se lanzan dos dados imparciales simultáneamente. Calcular cuántos
elementos tiene el espacio muestral.
Solución:

A = { 1; 2; 3; 4; 5; 6 }  n(A) = 6
B = { 1; 2; 3; 4; 5; 6 }  n(B) = 6
 n(A) . n(B) = 36

Ejemplo 3:
Si se lanza un dado real, ¿cuál es la probabilidad de obtener un número
impar?

Solución:
La cantidad de eventos posibles de obtener un número impar es 3 (1; 3 y 5);
entonces:

n( A ) 3
= =0,5 ó 50%
P(A) = n(Ω) 6

La probabilidad de un evento A se puede expresar por medio de una fracción

ordinaria, una fracción decimal o en porcentaje.

Ejemplo 4:
Se lanzan dos dados reales. ¿Cuál es la probabilidad de obtener una suma de
puntos igual a 6?

Solución:
A = {(1;5), (2; 4), (3; 3), (4; 2), (5; 1)}
n(A) = 5
E = {(1; 1), (1; 2), (1; 3), ..., (1; 6), (2; 1), (2; 2), ..., (2; 6), ..., (6; 6)}
n() = 36
n( A ) 5
= =0 , 1388
Por lo tanto: P(A) = n(Ω) 36

Ejemplo 5:
Al lanzar dos dados, ¿cuál es la probabilidad de que el resultado de los dos
dados no sea 7?

Solución:
Aplicamos el evento contrario o complemento.
P(A) = 1 - P(A')
P(no sea 7) = 1 - P(sea 7)
1
P(no sea 7) =1- 6
 P(no sea 7) = 83,33 %

Ejemplo 6:

Las probabilidades que tienen Alejandro, Benito y Carlos de resolver un

1 3 1
, y
mismo problema son: 2 5 6 respectivamente. Si intentan hacerlo los tres,
determinar la probabilidad de que se resuelva el problema.

Solución:
Como P(A), P(B) y P(C) son las probabilidades de resolver el problema,
entonces P(A'), P(B') y P(C') serán las probabilidades de que no puedan
resolver el problema, luego:

P(A) = 1 - P(A')
1 1
=
P(A') = 1 - P(A)  P(A') = 1 - 2 2
3 2
=
P(B') = 1 - P(B)  P(B') = 1 - 5 5
1 5
=
P(C') = 1 - P(C)  P(C') = 1 - 6 6
La probabilidad de que no puedan resolver el problema los tres ¡untos será:
P(A' B' C') = P(A') x P(B') x P(C')
1 2 5
x x
= 2 5 6

1
= 6

La probabilidad de que resuelvan los tres juntos:

P(Resuelvan los tres juntos) = 1 – P(A’ B’ C’ )
1
=1- 6
5
= 6 ó 83,33 %

Ejemplo 7:
Determinar la probabilidad de elegir al azar un as o un trébol en una
extracción de una baraja de cartas ordinarias.

Solución:
Por enumeración, utilizando la definición básica de probabilidad.

Eventos favorables a A:

n( A ) 16
= =0 , 3077
P(A) = n(Ω) 52

Ejemplo 8:
Se lanza un dado no cargado, ¿cuál es la probabilidad de obtener:

a) un número mayor que tres?

b) un número mayor que seis?
Solución:
a) Un número mayor que tres:

Eventos favorables a A: Eventos posibles a B:

n(A) = 3

n() = 6
n( A ) 3
= =0,5 ó 50 %
P(A) = n(Ω) 6

b) Un número mayor que seis:

Eventos favorables a A: Eventos posibles a B:


n(A) = 0
n() = 6
n( A ) 0
= =0 ó 0 %
P(A) = n(Ω) 6 . Porque en el dado no existe ningún número
mayor que 6.

Ejemplo 9:
Si usted extrae una sola carta de una baraja ordinaria, ¿cuál es la
probabilidad de que sea un 10?

Solución:
Eventos favorables a A:

n( A ) 4
= =0 , 0769 ó 7,7 %
P(A) = n(Ω) 52
Ejemplo 10:
Al lanzar un dado que no está cargado una vez, ¿cuál es la probabilidad de
obtener un 1 o un número par?

Solución:
Como los eventos son mutuamente excluyentes y el problema pide uno o un
número par:

Eventos favorables a A: Eventos favorables a B:

n(A) = 1 n(B) = 3

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

1 3
+
P(A o B) = 6 6
P(A o B) = 0,0667

Ejemplo 11:
Si usted realiza un muestreo aleatorio, tomando un elemento a la vez, con
reemplazo, de una bolsa que contiene ocho canicas azules, siete canicas
rojas y cinco canicas verdes, ¿cuál es la probabilidad de obtener:
a) tres canicas azules en tres extracciones de la bolsa?
b) una canica roja, una verde y una azul, en ese orden en tres extracciones?

Solución:
Eventos de A: seleccionar una canica azul.
Eventos de B: seleccionar una canica roja.
Eventos de C: seleccionar una canica verde.
a) Como los eventos son independientes; además el muestreo es con
reemplazo aplicamos la regla:

P(A y A y A) = P(A) P(A) P(A)

=
(208 ) ( 208 ) (208 )
512
= 8000

= 0,0640

b) Como los eventos son independientes; además el muestreo es con

 reemplazo aplicamos la regla:

P(B y C y A) = P(B) P(C) P(A)

P(B y C y A) =
(207 ) ( 205 ) (208 )
280
P(B y C y A) = 8000
P(B y C y A) = 0,035

Ejemplo 12:
Respondemos la misma pregunta del ejemplo 11, excepto que ahora el
muestreo es de una canica a la vez sin reemplazo.

Solución:
a) Debemos de tener presente que el muestreo es de una canica a la vez sin
reemplazo; aplicamos la regla del producto para eventos dependientes.

P(A y A y A) = P(A)P(A/A)P(A/AA)
 8   7  6
     
P(A y A y A) =  20   19   18 

336
P(A y A y A) = 6840

P(A y A y A) = 0,0491

b) Debemos de tener presente que el muestreo es de una canica a la vez sin

reemplazo; aplicamos la regla del producto para eventos dependientes.

P(B y C y A) = P(B)P(C/B)P(A/CB)

=
(207 ) ( 195 ) (188 )
280
= 6840
= 0,0409

Ejemplo 13:
¿Cuál es la probabilidad de que un matrimonio tenga dos hijas mujeres
seguidas?
Solución:
Evento favorable A: primer nacimiento sea mujer.
Evento favorable B: segundo nacimiento sea mujer.

1
Luego: P(A) = 2 = 0,50
1
P(B) = 2 = 0,50

Por lo tanto, para dos nacimientos se tiene:

P(A  B)=
( 12 ) ( 12 )= 14 = 0z25
P(A  B) = 25 %

Ejemplo 14:
De 150 pacientes examinados en una clínica, se encontró que 90 tenían
retardo mental leve, 50 padecían de gripe y 30 tenían ambas enfermedades.
Si se elige un paciente al azar, ¿cuál es la probabilidad de que tenga una u
otra de las enfermedades?

Solución:
Sean los eventos:
A: Pacientes con retardo mental leve.
B: Pacientes con gripe.
A  B: Pacientes con ambas enfermedades.

90
Luego: Si A = 90  P(A) = 150 = 0,60
50
Si B = 50  P(A) = 150 = 0,33
30
Si A  B = 30  P(A  B) = 150 = 0,20

Por lo tanto:
P (A  B) = P(A) + P(B) - P(A  B)
P (A  B) = 0,6 + 0,33 - 0,2
 P (A  B) = 0,73
P (A  B) = 73 %

Ejemplo 15:
De los pacientes del hospital Carbón, el 40 % son varones y el 9 % padecen
de gripe desde la infancia. Si se elige un paciente al azar, ¿cuál es la
probabilidad de que padezca de gripe, dado que es varón?

Solución:
Sean los eventos:
A: Pacientes varones.
B: Pacientes que padecen gripe.
A  B: Pacientes varones que padecen gripe.

Según los datos:

P(A) = 0,40
P(A  B) = 0,09

P( A∩B)
El problema nos pide: P(B/A) = P(A)
0,90
P(B/A) = 0,40 = 0,225
P(B/A) = 22,5 %

Entonces la probabilidad de que un paciente padezca de gripe, dado que es

varón, es de 22,5 %.
 HOJA DE TRABAJO N° 01

1. ¿Cuál de los siguientes ejemplos son eventos independientes?

a) Obtener un 3 y un 4 al lanzar un par de dados honestos.
b) Obtener un as y un rey, en ese orden, al extraer dos cartas, sin
reemplazo, de una baraja.
c) Obtener un as y un rey, en ese orden, al extraer dos cartas, con
reemplazo, de una baraja.
d) Un cielo nublado seguido por lluvia.
e) Una luna llena y comer un queso.

2. ¿Cuáles de los siguientes ejemplos, son eventos mutuamente excluyentes?

a) Obtener un 4 y un 7 al extraer una carta de una baraja ordinaria.
b) Obtener un 3 y un 4 al lanzar dos dados honestos.
c) Ser hombre y estar embarazado.
d) Obtener un 1 y un número par en el lanzamiento de un dado honesto.
e) Casarse y seguir soltero.

3. Se lanza un par de dados. Escribir:

a) Los puntos muéstrales del espacio .
b) Los puntos muéstrales contenidos en el suceso: la suma de los puntos
sea 9.
c) Los puntos muéstrales contenidos en el suceso "obtener 4 en uno de los
dados por lo menos".

4. Calcular las siguientes probabilidades para un dado no cargado:

a) P(6) b) P(2 ó 4) c) P(2, luego 3, luego 4)

5. Calcular las siguientes probabilidades para un dado no cargado:

a) P(5) b) P(5 luego 4) c) P(1 ó 3 ó 4)

6. Supongamos que Ud. tiene una caja con 100 bolas rojas, 50 azules y 50
verdes. Calcular las probabilidades de sacar al azar las siguientes bolas de la
 caja:
a) P(roja, luego roja, luego verde) sin reemplazo.
b) P(roja, luego roja, luego verde) con reemplazo.
c) P(azul, luego roja, luego verde) solo con reemplazo de las rojas.

7. Se lanza un dado no cargado. ¿Cuál es la probabilidad de obtener:

a) un número par?
b) un número mayor que 3?
c) un número mayor que 6?

8. En cierta ciudad la probabilidad de que una pareja de familia tenga cocina a

gas es 0,80; que tenga televisión es 0,50 y que tenga ambos artefactos es
0,45. ¿Cuál es la probabilidad de que la pareja de dicha ciudad tenga:
a) televisión o cocina a gas?
b) solo televisión?
c) solo cocina a gas?

9. Usted quiere llamar a una amiga por teléfono. Solo recuerda los tres primeros
dígitos de su número telefónico y ha olvidado los últimos cuatro. ¿Cuál es la
probabilidad de que marque al azar el número correcto?

10. Usted planea "hacer su agosto" en el hipódromo. En cierta carrera participan

siete caballos. Si los caballos están clasificados de la misma manera, ¿cuál
es la probabilidad de que elija en forma correcta al ganador y al segundo
lugar?

11. Tres ratones: X, Y y Z se esconden al azar en dos huecos A y B. ¿Cuál es la

probabilidad de que X e Y no se escondan en el mismo hueco?

12. Se escogen al azar dos números del 1 al 19. Si la suma es par, hallar la
probabilidad de que ambos números sean impares.

13. Las probabilidades de que tres hombres acierten en el blanco son,

 respectivamente: 1/6, 1/4 y 1/3, cada uno dispara una vez al blanco.
a) Hallar la probabilidad de que exactamente uno de ellos acierte en el
blanco.
b) Si solamente uno acierta en el blanco, ¿cuál es la probabilidad de que
sea el primer hombre?

14. Tres estudiantes se disponen a matricularse simultáneamente en uno de los

cinco colegios disponibles. Hallar la probabilidad de que los niños se
matriculen en colegios diferentes.

15. Una máquina con gomas de mascar tiene 38 chicles de color naranja, 30
morados y 1 8 amarillos. La máquina opera de modo que al introducir una
moneda, se obtiene una goma de mascar.
a) Al usar tres monedas, ¿cuál es la probabilidad de obtener 3 gomas de
mascar en el orden: naranja, morado, naranja?
b) Al utilizar una moneda, ¿cuál es la probabilidad de conseguir una goma de
mascar morada o amarrilla?
c) Al emplear tres monedas, ¿cuál es la probabilidad de que las 3 gomas
conseguidas, una sea morada y la otra amarilla?