PROBABILIDADES

El objetivo fundamental de la estadística es realizar inferencias acerca de una variable en la población

a partir del cocimiento de una muestra. La teoría de la probabilidad es el fundamento para la
inferencia estadística; esta proporciona y estudia modelos para las distribuciones de algunas
variables importantes.

En la mayoría de los problemas hay que tomar decisiones en base a experimentos, así pues,
definiremos lo que es un experimento aleatorio para poder entender el concepto de probabilidad.

EXPERIMENTO ALEATORIO Y ESPACIO MUESTRAL

Existen dos tipos de experimentos:

Experimento Determinístico: Al repetirlos bajo las mismas condiciones siempre dan el mismo
resultado (predecible). Ejemplos: Fenómenos físicos y químicos.
Ejemplos:
- El resultado de una reacción química
- La velocidad de llegada de un cuerpo a tierra al dejarlo caer desde una torre con altura conocida.

Experimento Aleatorio o no determinístico (  ): Conjunto de pruebas realizadas bajo las mismas

condiciones y cuyos resultados son impredecibles. Los simbolizaremos como  . Estos también son
conocidos como experimentos estocásticos. Los rasgos que distinguen a los experimentos aleatorios
son:
i. Todos los posibles resultados del experimento son conocidos con anterioridad a su
realización.
ii. No se puede predecir el resultado del experimento.
iii. El experimento puede repetirse en condiciones idénticas.

Ejemplos

1 : Lanzar una moneda y observar su cara superior.

2 : Extraer al azar un artículo de un lote que contiene 50 artículos defectuosos y 15 artículos no
defectuosos.
3 : Observar el tiempo de vida de una lámpara desde que se enciende hasta que falla.
4 : Elegir un punto al azar en el intervalo cerrado  0,1
5 : Lanzar una moneda y contar el número de lanzamientos hasta que salga cara.
6 : Contar el número de artículos fabricados en un día por una máquina, hasta que resulte un artículo
defectuoso.
Espacio Muestral (Ω): Es el conjunto de todos los resultados posibles asociados a un experimento
aleatorio. Se denota por Ω.

Ejemplos:
- Al experimento aleatorio 1 : Lanzar moneda y observar su cara superior, le corresponde el
espacio muestral:
1  C, S
- Al experimento aleatorio 2 : Extraer un artículo de un lote que contiene 50 artículos
defectuosos (D) y 15 artículos no defectuosos (ND), le corresponde
2  D, ND

- Al experimento aleatorio 3 : Observar el tiempo de vida de una lámpara desde que se

enciende hasta que falla, le corresponde:
3  t   / 0  t  M dónde M es el tiempo máximo de vida de la lámpara.

- Al experimento aleatorio 4 : Elegir un punto al azar en el intervalo cerrado 0,1 le

corresponde:
4   x   / 0  x  1

- Al experimento aleatorio 5 : Lanzar una moneda y contar el número de lanzamientos hasta

que salga cara le corresponde:
5  1,2,3,4,... 

- Al experimento aleatorio 6 : Contar el número de artículos fabricados en un día por una

máquina, hasta que resulte un artículo defectuoso.
le corresponde 6  1,2,3,4,...M
dónde M es el número máximo de artículos fabricados en un día por la máquina.

Los espacios muestrales pueden ser:

Espacio muestral discreto:

Si tiene un número finito o infinito numerable de elementos.

Espacio muestral continuo

Si tiene un número no numerable de elementos. Es decir, cuyos elementos son todos los puntos de
algún intervalo.

MG. PEDRO SAENZ R. Página 2

En los ejemplos vistos, únicamente Ω3 y Ω4 son continuos, los restantes son de tipo discreto.

Evento: Dado un experimento aleatorio cuyo espacio muestral es  , se llama

Evento a cualquier subconjunto de  y lo denotaremos por A, B, C, D…
Sea el evento E, entonces: E  

Suceso: Es todo elemento del espacio muestral y lo denotaremos por w, x, y, etc.

Sea el suceso w, entonces w

Distinguimos los siguientes tipos de eventos:

- Evento simple o elemental: consta de un solo elemento

- Evento compuesto: consta de dos o más elementos
- Evento imposible: es el que nunca puede realizarse (viene determinado por el conjunto
vacío,  )
- Evento seguro: es el que siempre se cumple (viene determinado por
el conjunto total,  )
- Eventos disjuntos o mutuamente excluyentes: aquellos eventos A y B que no pueden
realizarse a la vez, A  B = 

Ejemplos:

MG. PEDRO SAENZ R. Página 3

Clarifiquemos estos conceptos con unos ejemplos:

- Realizamos el experimento aleatorio  : “Lanzar un dado y observar la cara superior”

Espacio muestral:  = {1, 2, 3, 4, 5, 6}

Evento simple: “Sacar un 2” = { 2 }

Evento compuesto:“Sacar un número impar” = { 1, 3, 5 }

Evento imposible: “Sacar un 7” = 

Evento seguro: “Sacar un nº menor que 7” = 𝛺 = { 1, 2, 3, 4, 5, 6 }

Eventos disjuntos: A = “Sacar un nº par” = {2, 4, 6}

B = “Sacar un nº impar” = {1, 3, 5}

Eventos no disjuntos: A = “Sacar un nº par” = {2, 4, 6}

C = “Sacar un nº menor a 5” = {1, 2, 3, 4}

MG. PEDRO SAENZ R. Página 4

1. OPERACIONES CON EVENTOS: (ALGEBRA DE EVENTOS)

Tratándose los eventos de subconjuntos del espacio muestral, es natural que satisfagan todas las
características de los conjuntos. Sean A y B dos eventos del espacio muestral  .

 SUB-EVENTOS
Dados dos eventos A y B se dice que A este contenido en B o que A es sub-evento de B y denotamos
por A  B , Es decir si ocurre el evento A ocurre necesariamente el evento B

A  B , si w  A  w  B

 IGUALDAD DE EVENTOS
Se dice que dos eventos A y B son iguales, y se denota por A = B, si A  B y B  A

 LA INTERSECCIÓN, que se denota A  B , es el evento que consta de todos los resultados en 

que pertenecen tanto a A como a B. Por tanto, la intersección A  B ocurre si y sólo si tanto A
como B ocurren.

AB  AB w w A wB

De manera más general, dados k eventos A1, A2, ..., Ak, su intersección A1  A2  Ak es el
conjunto de todos los resultados básicos que pertenecen a todo Ai (i = 1, 2, ..., k)

Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

A: que salga número par, y B: que sea mayor que 3.
La intersección de estos dos eventos tiene dos elementos o sucesos: el 4 y el 6.

A B  4,6

MG. PEDRO SAENZ R. Página 5

 LA UNIÓN, que se denota A  B , es el evento que consta de todos los resultados que pertenecen
al menos a uno de estos eventos. Por lo tanto, la unión A  B ocurre si y sólo si A y/o B ocurren.
A B  w w A wB

PROPIEDADES:
i. A B C   A B  AC
ii. A B C   A B  AC

De manera más general, dados k eventos A1, A2, ..., Ak, su unión A1  A2  Ak es el
conjunto de todos los resultados que pertenecen al menos a uno de estos k eventos.

Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

A: que salga número par, y B: que el resultado sea mayor que 3.
El evento unión estaría formado por los siguientes resultados: el 2, el 4, el 5 y el 6.

Luego AB 2,4,5,6

 EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral  ), que se

representa por Ac (dependiendo de la literatura también se usa A ó A' ), es el evento que consta
de todos los resultados pertenecientes a  pero no a A.

Ac  A'  A  A w w wA

A'    A

PROPIEDADES

MG. PEDRO SAENZ R. Página 6

 i.  A´´ A
ii. A  A´ 
iii. A  A´ 
iv. '
v. A  B  A  B´

Ejemplo: lanzamos un dado al aire. El evento (A) es que salga un número par, luego su
complementario, evento A es que salga un número impar.

Definiciones complementarias:

 Si A y B no tienen puntos muestrales en común (sucesos) se denominan excluyentes y su

intersección A ∩ B es el conjunto vacío  , lo que significa que A ∩ B no puede ocurrir.

 De manera más general, dados k eventos A1, A2, ..., Ak, se dicen mutuamente excluyentes si cada
par de estos eventos es excluyente, es decir Ai  Aj   para todo i ≠ j.
Ejemplo: lanzamos un dado al aire y analizamos tres sucesos:
A: que salga un número menor que 3,
B: que salga el número 6,
C: que salga un numero impar mayor que 2.

Decimos que A,B y C son mutuamente excluyentes.

 Dados k eventos E1, E2, ..., Ek definidos en el mismo espacio muestral  ,

si su unión E1  E2  ...  Ek =  se dice que estos k eventos son colectivamente exhaustivos.
Ejemplo: lanzamos un dado al aire y analizamos dos eventos:
A: “que salga número impar”, y B: “que salga un número mayor que 1”

 LEYES DE MORGAN
Las operaciones o el algebra de eventos es el mismo del algebra de conjuntos.
Las leyes de Morgan se usan para el complemento, es decir: Leyes De Morgan

 A  B '  A'  B' y  A  B '  A'  B'

EJERCICIOS
Simplificar:  A'  B  A   A'  B '  A' '
Respuesta: A  B

2. PROBABILIDAD. -

MG. PEDRO SAENZ R. Página 7

Definición Clásica: La probabilidad de un evento es la razón entre el número de casos (sucesos)
favorables y el número total de casos (sucesos) posibles, siempre que nada obligue a creer que
algunos de estos sucesos deban tener preferencia a los demás, lo que hace que todos sean
igualmente posibles.

Sea el espacio muestral  y el evento A   , entonces la probabilidad de la ocurrencia del evento

A será:
N  A
P  A 
N 
Donde:
N A = número de casos favorables al evento A
N   = número de casos posibles.

Ejemplo
Si lanzamos una moneda dos veces, ¿cuál es la probabilidad de obtener al menos una cara?

El espacio muestral correspondiente es  = {CC, CS, SC, SS}

siendo C = cara y S= sello
Sea el evento A = “Sale al menos una cara” = {CC, CS, SC}
Luego: N A = casos favorables = 3, N   = casos posibles 4
N  A 3
Así, la probabilidad pedida es P  A   
N  4

PROPIEDADES: Sea  un experimento aleatorio y  un espacio muestral asociado a este. La

probabilidad de A denotado por P(A) satisface las siguientes propiedades:

1. 0  P ( A )  1
2. Si A es un evento imposible entonces P A  0
3. P(  ) = 1
4. 𝑃(𝐴̅) = 1 − 𝑃(𝐴)
5. Si A y B son dos eventos cualesquiera, entonces 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
6. Si A y B son mutuamente excluyentes entonces 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
7. En general si tenemos k eventos excluyentes 2 a 2, Ai  Aj  Ø para i  j , entonces:
P  A1  A2   Ak   P  A1   P  A2   .....  P  Ak  .

Ejemplo:

Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas del país,

MG. PEDRO SAENZ R. Página 8

por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú. Los
resultados se muestran a continuación:

Nivel de satisfacción con la Región del Perú al que viajó

Total
cerveza artesanal A: Costa Sierra E: Selva
Totalmente satisfecho 12 35 32 79
Parcialmente satisfecho 18 42 28 88
B: Insatisfecho 35 28 10 73
Total 65 105 70 240

Si se selecciona aleatoriamente a uno de los 240 turistas, ¿Cuál es la probabilidad:

a. Qué la región a la viajó sea la costa?

Respuesta:
Sea A: “El turista viajo a la costa”, luego N(A)=65; N(Ω)=240, entonces P(A)=65/240=0,2708.

b. ¿Qué este insatisfecho con la cerveza artesanal?

Respuesta:
Sea B: “El turista esta insatisfecho”, luego N(B)=73; N(Ω)=240, entonces P(B)=73/240=0,3042.

c. ¿Qué la región a la viajó sea la costa y este insatisfecho con la cerveza artesanal?
Respuesta:
Sea
A: “El turista viajo a la costa
B: “El turista esta insatisfecho”
entonces N(AB)=35; P(AB)= P(AB)=35/240=0,1458.

d. ¿Qué la región a la viajó sea la costa o este insatisfecho con la cerveza artesanal?
Respuesta:
Sea
A: “El turista viajo a la costa
B: “El turista esta insatisfecho”
Luego la probabilidad pedida es:

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = 0,2708 + 0,3042 − 0,1458 = 0,4292

e. ¿Qué la región a la viajó no sea la costa?

Respuesta:
Sea A: “El turista viajo a la costa”, entonces 𝐴̅: “El turista no viajo a la costa”,
𝑃(𝐴̅) = 1 − 𝑃(𝐴) = 1 − 0,2708 = 0,7292
f. ¿Qué la región a la viajó sea la costa o sea la selva?
Respuesta:
Sea A: “El turista viajo a la costa”
Sea E: “El turista viajo a la selva”

𝑃(𝐴 ∪ 𝐸) = 𝑃(𝐴) + 𝑃(𝐸) − 𝑃(𝐴 ∩ 𝐸) = 0,2708 + 0,2917 − 0 = 0,5625

MG. PEDRO SAENZ R. Página 9

A y E son eventos excluyentes, por tanto: 𝑃(𝐴 ∪ 𝐸) = 𝑃(𝐴) + 𝑃(𝐸)

g. ¿Cual es la probabilidad de que el turista este totalmente satisfecho y insatisfecho al mismo

tiempo?

Sea:
S: turista este totalmente satisfecho
B: El turista esta insatisfecho
𝑃(𝑆 ∩ 𝐵) = 0
Nota: S y B son eventos excluyentes.

h. ¿Qué la región a la viajó sea el desierto de Africa?

Z: viajó al desierto de Africa

Respuesta: P(Z)=0.
En este ejemplo Z es el evento imposible.

MG. PEDRO SAENZ R. Página 10

3. PROBABILIDAD CONDICIONAL

Dados dos eventos A y B, se define la probabilidad condicional de A dado B como

P( A  B)
P( A | B) 
P( B)
siempre que P(B) > 0

Y se entiende como la probabilidad de que ocurra el suceso A considerando que antes ha ocurrido
el suceso B.

EJEMPLO: Sea el experimento aleatorio lanzar dos monedas una después de otra. ¿Cuál es la
probabilidad de que en el primer lanzamiento haya salido una cara, sabiendo que al lanzar las dos
monedas salió al menos una cara?

SOL.
Experimento: Se lanza dos monedas
Ω= {CC, CS, SC, SS}.
Sabemos que ha ocurrido el evento B: “sale al menos una cara”
B= {CC, CS, SC}
Sea el evento A:“en el primer lanzamiento sale cara”
A= {CC, CS}

Entonces: La probabilidad de que ocurra el evento A, dado que se sabe que el evento B ha ocurrido
es:
P( A  B)
P A B 
P(B)

Como A∩B={CC, CS}

Reemplazando:
P( A  B) 2 / 4
PA B    2/3
P(B) 3/4
Rpta: 2/3.

Observación:
La probabilidad condicional, también la podemos entender como una restricción en el espacio
muestral, así en el ejemplo tenemos:
Ω*= {CC, CS, SC}
A*: Sale cara en el primer lanzamiento= {CC, CS}
N  A * 2
P  A *  
N   * 3

MG. PEDRO SAENZ R. Página 11

Ejemplo: Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas
del país, por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú Los
resultados se muestran a continuación:

Nivel de satisfacción con la Región del Perú al que viajó

Total
cerveza artesanal A: Costa Sierra E: Selva
Totalmente satisfecho 12 35 32 79
Parcialmente satisfecho 18 42 28 88
B: Insatisfecho 35 28 10 73
Total 65 105 70 240
Si se selecciona aleatoriamente a uno de los 240 turistas, ¿Cuál es la probabilidad:

a. Qué la región a la viajó sea la costa?, sabiendo que el turista estuvo insatisfecho con la cerveza
artesanal.

Respuesta:
Sea A: “El turista viajo a la costa”
B: “El turista esta insatisfecho”

( ∩ ) /
Luego la probabilidad pedida es 𝑃(𝐴/𝐵) = ( )
= = 0,4795
/

Observacion, tambien podemos calcular de la siguiente manera:

Nivel de satisfacción con la Región del Perú al que viajó

Total
cerveza artesanal A: Costa Sierra E: Selva
B: Insatisfecho 35 28 10 73
Total 35 28 10 73

Sea A*: “El turista viajo a la costa”, luego N(A*)=35; N(Ω*)=73, entonces P(A*)=35/73=0,4795.

Propiedades de la probabilidad condicional

1. 0  P ( A | B )  1
2. P (  | A )  P (  )  1
3. P ( A |  )  P ( A )
 
4. P(  Ai | B)   P( Ai | B) si Ai  Aj   para i  j
i 1 i 1

En general tenemos dos formas de calcular P ( A | B ) :

a. Directamente, considerando la probabilidad de A respecto al espacio muestral Ω*= B.
b. Usando la definición, donde P ( A  B ) y P(B) se calculan respecto al espacio muestral original
.

MG. PEDRO SAENZ R. Página 12

4. REGLA DEL PRODUCTO DE PROBABILIDADES

También conocido como Teorema de Multiplicación, se puede ver como una consecuencia de la
definición de probabilidad condicional, indica que la probabilidad de la intersección de dos eventos
cualesquiera A y B es:

P( A B)  P( A).P(B / A)  P(B).P( A / B)

P ( A  B  C )  P  A   B  C    P ( A).P   B  C  / A 
P ( A  B  C )  P ( A).P  B / A  .P  C /  A  B  

La generalización de esta regla para n eventos nos lleva a:

P(A1 An )  P(A1)P(A2 | A1)P(A3 | A1 A2 )......P(An1 | A1 An2 )P(An | A1  An1)

Ejemplo 1: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición dos bolillas ¿Cuál es la probabilidad de que las dos resulten blancas?

SOL:
Sean loa eventos: A: “La primera bolilla es blanca”; B: “La segunda bolilla es blanca”
5 4 5
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵⁄𝐴) = × =
9 8 18

Respuesta: 0,2778

Ejemplo 2: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición cuatro bolillas ¿Cuál es la probabilidad de todas resulten blancas?
SOL:
SOL:
Sean loa eventos: Ai: “La i-ésima bolilla es blanca”
5 4 3 2
𝑃(𝐴 ∩ 𝐴 ∩ 𝐴 ∩ 𝐴 ) = × × × = 0,0397
9 8 7 6

/126
Ejemplo 3: En una urna hay 5 bolillas blancas, 4 bolillas rojas y 6 amarillas; Se extrae al azar
sucesivamente y sin reposición cuatro bolillas ¿Cuál es la probabilidad de que las dos primeras
resulten blancas y las dos últimas sean amarillas?

SOL: 5/273

MG. PEDRO SAENZ R. Página 13

5. INDEPENDENCIA DE EVENTOS

En términos sencillos dos eventos son independientes cuando la ocurrencia o no ocurrencia de uno
de ellos no afecta la probabilidad del otro. Por ejemplo, se lanza una moneda y un dado, Se definen
los eventos: A: Sale cara en la moneda; B: Sale un tres en el dado.
P(A)=1/2; P(B)=1/6.
Luego:
P(A/B)=1/2=P(A); P(B/A)=1/6=P(B)
En este caso ambos eventos son independientes uno del otro.

Dados dos eventos A y B se dice que son estadísticamente independientes, o simplemente

independientes, si y sólo si
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

En otras palabras, A y B son independientes si y solo si 𝑃(𝐴|𝐵) = 𝑃(𝐴), siempre que P(A) sea
diferente de 0 y también si 𝑃(𝐵|𝐴) = 𝑃(𝐵) siempre que P(B) sea diferente de 0.

En general n eventos A1 ,  , A n , se dicen independientes si y sólo si

P A1  An   P A1  .P A2  .....P An 

Por ejemplo, se lanza una moneda y un dado, hallar la probabilidad de que salga cara en la moneda
y un tres en el dado.
Solución:
Se definen los eventos: A: Sale cara en la moneda; B: Sale un tres en el dado, me piden:
1 1 1
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) = ∗ =
2 6 12

Ejemplo 2: Se lanza un dado 2 veces. Hallar la probabilidad de que aparezca seis en los dos
lanzamientos.
SOL= 1/36

Ejemplo 3: Se lanza un dado 5 veces. Hallar la probabilidad de que no aparezca ningún seis en los
cinco lanzamientos.
SOL.

Sea el evento: A1: “Sale un número diferente de seis en el primer lanzamiento” ; P(A1)=5/6
A2: “Sale un número diferente de seis en el segundo lanzamiento”; P(A2)=5/6
…
𝑃(𝐴 ∩ 𝐴 ∩ 𝐴 ∩ 𝐴 ∩ 𝐴 ) = 𝑃(𝐴 )𝑃(𝐴 )𝑃(𝐴 )𝑃(𝐴 )𝑃(𝐴 ) = (5/6) =0,4019

MG. PEDRO SAENZ R. Página 14

Ejemplo 4: Se lanza un dado y una moneda al mismo tiempo. Hallar la probabilidad de que salga una
cara y un cinco.
SOL. 1/12.

Ejemplo: Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas
del país, por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú Los
resultados se muestran a continuación:

Nivel de satisfacción con la Región del Perú al que viajó

Total
cerveza artesanal A: Costa Sierra E: Selva
Totalmente satisfecho 12 35 32 79
Parcialmente satisfecho 18 42 28 88
B: Insatisfecho 35 28 10 73
Total 65 105 70 240

Se selecciona al azar un turista, Sean los eventos:

A: “El turista viajo a la costa”

B: “El turista esta insatisfecho”
¿Serán los eventos A y B independientes?
Solución:

dos eventos A y B se dice que son estadísticamente independientes, si y sólo si se verifica:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)
Veamos:
𝑃(𝐴 ∩ 𝐵) = 35/240; 𝑃(𝐴) = 65/240; 𝑃(𝐵) = 73/240
𝑃(𝐴 ∩ 𝐵) = 0,1459, 𝑃(𝐴)𝑃(𝐵) = 0,0824
Luego:
𝑃(𝐴 ∩ 𝐵) ≠ 𝑃(𝐴)𝑃(𝐵)
Por tanto: A y B no son independientes.

MG. PEDRO SAENZ R. Página 15

6. PARTICIÓN:

Se dice que la colección de eventos B1 , B2 , , Bk conforman una partición del espacio muestral
 si se cumplen estas tres condiciones simultáneamente:

1. Bi Bj   para i  j , i , j  1, 2, 3,....k (eventos mutuamente excluyentes)

K
2.  Bi   (eventos colectivamente exhaustivos)
i 1

3. P(Bi )  0 para todo i

7. TEOREMA DE LA PROBABILIDAD TOTAL

Sea B1, B2,, Bk una partición del espacio muestral  , entonces para cualquier evento A en  , se
cumple:
k
P  A   P  Bi P  A Bi   P  B1  P  A B1   P  B2  P  A B2   ...  P  Bk  P  A Bk 
i 1

MG. PEDRO SAENZ R. Página 16

Demostración:

Consideremos
𝐴 =𝐴∩Ω
𝐴 = 𝐴 ∩ (𝐵 ∪ 𝐵 ∪ 𝐵 … .∪ 𝐵 )
𝐴 = (𝐴 ∩ 𝐵 ) ∪ (𝐴 ∩ 𝐵 ) ∪ (𝐴 ∩ 𝐵 ) ∪ … .∪ (𝐴 ∩ 𝐵 )

𝑃(𝐴) = 𝑃[(𝐴 ∩ 𝐵 ) ∪ (𝐴 ∩ 𝐵 ) ∪ (𝐴 ∩ 𝐵 ) ∪ … .∪ (𝐴 ∩ 𝐵 )]

Como los 𝐵 son eventos excluyentes, entonces también los (𝐴 ∩ 𝐵 ) son excluyentes, por tanto, la
probabilidad de la unión es simplemente la suma de sus probabilidades.

𝑃(𝐴) = 𝑃(𝐴 ∩ 𝐵 ) + 𝑃(𝐴 ∩ 𝐵 ) + 𝑃(𝐴 ∩ 𝐵 ) + ⋯ . +𝑃(𝐴 ∩ 𝐵 )

Finalmente aplicando el teorema de la multiplicación:

𝑃(𝐴) = 𝑃(𝐵 )𝑃(𝐴/𝐵 ) + 𝑃(𝐵 )𝑃(𝐴/𝐵 ) + 𝑃(𝐵 )𝑃(𝐴/𝐵 ) + ⋯ . +𝑃(𝐵 )𝑃(𝐴/𝐵 )

Ejemplo:

Tres máquinas de cierta planta de ensamble, 𝐵 , 𝐵 , 𝐵 montan 30%, 45% y 25% de los productos,
respectivamente. Se sabe por experiencia que 2%, 3% y 2% de los productos ensamblados por cada
máquina, respectivamente, tienen defectos. Ahora bien, suponga que se selecciona de forma
aleatoria un producto terminado. ¿Cuál es la probabilidad de que esté defectuoso?
Solución:
Sean los eventos:

𝐴: El producto esta defectuoso.

𝐵 : El producto fue ensamblado por la maquina 𝐵
𝐵 : El producto fue ensamblado por la maquina 𝐵
𝐵 : El producto fue ensamblado por la maquina 𝐵

Me piden P(A)=

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

𝑃(𝐴) = 0,3(0,02) + 0,45(0,03) + 0,25(0,02) = 0,0245
𝑃(𝐴) = 0,0245

MG. PEDRO SAENZ R. Página 17

EJEMPLO: En un laboratorio hay tres jaulas, en la jaula B1 hay dos conejos pardos y tres blancos, en
la jaula B2 hay 4 conejos pardos y 2 blancos, en la jaula B3 hay 5 conejos pardos y 5 blancos. Se
selecciona al azar una jaula y se saca un conejo al azar de esta jaula. ¿Cuál es la probabilidad de que
el conejo escogido sea blanco?
SOLUCIÓN:

Rpta
43/90=0,4778

8. TEOREMA DE BAYES. - Si los eventos B1, B2,, Bk forman una partición del espacio muestral 
y A es un evento cualquiera de  , entonces:

P( Br ) P( A | Br ) P( Br ) P ( A | Br )
P( Br | A)  
k
P( B1 ) P( A | B1 )  P( B2 ) P( A | B2 )  ...  P( Bk ) P( A | Bk )
 P( B ) P ( A | B )
i 1
i i

P( Br  A)
P( Br | A) 
P  A

Donde el numerador resulta del teorema de multiplicación y el denominador del teorema de

probabilidad total.

EJEMPLO:
Dado el caso de las tres máquinas del ejemplo anterior, suponga que se selecciona un producto de
forma aleatoria y que éste resulta defectuoso. ¿cuál es la probabilidad de que este producto haya
sido ensamblado con la máquina B2?

Solución:
La probabilidad pedida es:
P(B2/A)
P( B2  A) 0, 45(0,03)
P( B2 | A)    0,5510
P  A 0,0245

MG. PEDRO SAENZ R. Página 18

EJEMPLO: En un laboratorio hay tres jaulas, en la jaula B1 hay dos conejos pardos y tres blancos, en
la jaula B2 hay 4 conejos pardos y 2 blancos, en la jaula B3 hay 5 conejos pardos y 5 blancos. Se
selecciona al azar una jaula y se saca un conejo al azar de esta jaula. ¿Cuál es la probabilidad de que
el conejo escogido sea blanco?
SOLUCIÓN:

Rpta
43/90=0,4778

En el ejemplo de los conejos, supongamos ahora que el conejo escogido aleatoriamente es blanco.
¿Cuál es la probabilidad de que provenga de la jaula B1?

Solución:
La probabilidad pedida es:
P(B1/A)=18/43=0,4186

MG. PEDRO SAENZ R. Página 19

 VARIABLE ALEATORIA Y DISTRIBUCIÓN DE PROBABILIDADES.

1. VARIABLE ALEATORIA.

Una variable aleatoria "X" es una aplicación definida en un espacio muestral Ω, que toma valores
reales, ósea, es la transformación del Espacio Muestral en un conjunto numérico, mediante X.

Definición formal:
Dado un experimento aleatorio ℇ y Ω el espacio muestral asociado a dicho ℇ, una función que asigna
a cada elemento 𝑤 en Ω uno y solamente un número real 𝑥 = 𝑋(Ω), se llama VARIABLE ALEATORIA,
es decir, X es una función real 𝑋: Ω → ℝ

El rango o recorrido RX de la variable aleatoria X esta dado por el conjunto de números reales:
RX  x / X  w  x, w  X  

Para entender este concepto, definamos el siguiente Espacio muestral 𝑋=𝑥

experimento: RR 2
De una urna que contiene cuatro bolas rojas y 3 negras se RN 1
sacan dos bolas de manera sucesiva, sin reemplazo. Los NR 1
posibles resultados y los valores de la variable aleatoria X, NN 0
donde X es el número de bolas rojas, se muestra en el
cuadro de al lado.

Mas ejemplos:

a) Experimento: “Se lanza una pelota 10 veces a una canasta”

Variable aleatoria: X = “Nº de aciertos”, RX  0,1,2,..9,10

b) Experimento: “Tirar dos monedas”

Variable aleatoria: X = “Contar el número de caras”, RX  0,1,2

c) Experimento: “Elegir una bombilla al azar”

Variable aleatoria: X = “Tiempo que tarda en fundirse la bombilla”
RX  x / 0  x  M donde M es el tiempo máximo de vida de la bombilla.

d) Experimento: “Lanzar un dado”

Variable aleatoria: X = “número de intentos hasta obtener un seis”, RX  1,2,3,...

e) Experimento: “Elegir un punto (x, y) al azar en el plano cartesiano XY”

Variable aleatoria: D = “Distancia del punto al origen de coordenadas”


RD  d   / d  x2  y 2 
MG. PEDRO SAENZ R. Página 20
2. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Definición: Una variable aleatoria se dice discreta cuando toma una serie de valores aislados, es decir,
cuando 𝑅 es un conjunto finito o infinito numerable. Se dice continua cuando puede tomar
cualquier valor dentro de un intervalo.

Ejemplos:
De los ejemplos anteriores son discretas a, b, d , y son continuas la c y e.

3. FUNCIÓN O LEY DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA.

Cuando se habla de la distribución de probabilidad de una variable aleatoria, lo que se pretende es

determinar cómo están “distribuidas” las probabilidades, entre los diferentes valores que puede
tomar la variable aleatoria.

Se llama función de probabilidad o ley de probabilidad (o función de cuantía) p  x de una variable

aleatoria discreta X, a la función que asigna a cada valor de la variable aleatoria la probabilidad de
que ésta tome ese valor:

La función de probabilidad de una v.a. discreta cumple las 3 propiedades:

i. p x  P X  x
ii. p x  0,xRX
iii.  p x  1
x R X

Observación, si 𝑥 ∉ 𝑅 entonces 𝑝(𝑥) = 0. Esto implica que en general:

𝑝(𝑥) ≥ 0, ∀𝑥 ∈ ℝ.
 
La colección de pares  x, p  x  x  RX  es llamada distribución de probabilidad de X.

MG. PEDRO SAENZ R. Página 21

Ejemplo:
Sea X = “Número de caras al tirar dos monedas”
𝑅 = {0,1,2}
Función de probabilidad:
1
p(0)  P( X  0)  P( SS ) 
4
1 1 1
p(1)  P( X  1)  P(CS , SC )  P( SC )  P(CS )   
4 4 2
1
p(2)  P( X  2) 
4

Observaciones:
 El dominio de la función de probabilidad es RX.
 La función de probabilidad p  x toma valores entre 0 y 1.
 La suma de todos los valores que toma la función de probabilidad es 1.

Nota:
Es usual representar la distribución de probabilidad de X de dos maneras:

MG. PEDRO SAENZ R. Página 22

X = “Número de caras al tirar dos monedas”

𝑋=𝑥 0 1 2

𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/4 1/2 1/4 1

1
4 ,x 0

 1 , x 1
p  x  2
1
 ,x  2
 4
 0 , en otro caso

MG. PEDRO SAENZ R. Página 23