3.
1 Teoría de probabilidad
3.1.1 Introducción a la teoría de la probabilidad
La probabilidad se da a entender como la ciencia que estudia fenómenos aleatorios,
es decir, aquellos que dependen del acaso. La probabilidad proporciona un marco
matemático para cuantificar y predecir la incertidumbre en diferentes contextos
científicos y de ingeniería. El espacio muestral, denotado por S, representa el
conjunto de todos los resultados posibles de un experimento aleatorio, y los eventos
son subconjuntos de S. (RONALD E. Pearson, Copyright © 2012.)
3.1.2 Espacio Muestral y Eventos
Un experimento aleatorio es aquel cuyo resultado no puede predecirse con certeza,
aunque se conozcan todos los factores. El conjunto de todos los resultados posibles
se denomina espacio muestral (S). Cada subconjunto de S es un evento. Por
ejemplo, si se lanza un dado, el 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 = {1, 2, 3, 4, 5, 6} y el 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴:
"salir un número par" es 𝐴 = {2, 4, 6}.
Espacio muestral (S): Conjunto de todos los resultados posibles de un experimento
aleatorio.
Discreto: Cuando el número de resultados posibles es finito o contable.
Continuo: Cuando hay infinitos resultados posibles dentro de un intervalo real.
Evento: Cualquier subconjunto del espacio muestral.
Evento simple: Contiene un solo resultado. (Lanzamiento de 1 moneda).
Evento compuesto: Contiene dos o más resultados. (lanzamiento de dados).
3.1.3 Modelos de Probabilidad: Discretos y Continuos las distribuciones de probabilidad
como modelos matemáticos que permiten calcular probabilidades de eventos específicos.
Variables aleatorias: Funciones que asignan valores numéricos a resultados de un
experimento.
Distribución de probabilidad discreta: Se especifica asignando una probabilidad a
cada valor posible.
Distribución continua: Se describe mediante una función de densidad f(x), y la
probabilidad se calcula como un área bajo la curva.
Operaciones sobre eventos:
Unión: A ∪ B (ocurre A, B o ambos).
Intersección: A ∩ B (ocurren A y B simultáneamente).
Complemento: A^c (A no ocurre).
3.1.4 Probabilidad de un Evento
Para un espacio muestral finito con todos los puntos equiprobables:
P(A) = Número de elementos de A / Número de elementos en S
Axiomas de probabilidad de Kolmogorov:
1. P(A) ≥ 0 para cualquier evento A.
2. P(S) = 1 (el espacio muestral completo).
3. Si A y B son mutuamente excluyentes, entonces 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵).
4. Reglas Aditivas y Complementarias.
Para eventos A y B:
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
Para eventos mutuamente excluyentes: 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
Probabilidad del complemento: 𝑃(𝐴^𝑐) = 1 − 𝑃(𝐴)
3.1.5 Probabilidad Condicional e Independencia.
Probabilidad condicional: 𝑃(𝐴 | 𝐵) = 𝑃(𝐴 ∩ 𝐵) / 𝑃(𝐵), siempre que P(B) > 0.
Eventos independientes: P(A ∩ B) = P(A) × P(B)
3.1.6 Reglas y métodos de conteo
En probabilidad es común usar reglas de conteo para calcular el número de
puntos en el espacio muestral. Entre estas reglas destacan:
Principio fundamental del conteo: si una tarea puede realizarse de m maneras y una
segunda de n maneras, entonces ambas tareas pueden realizarse en 𝑚 × 𝑛 formas
distintas.
Este principio básico de la combinatoria se utiliza para contar el número total
de formas en que pueden ocurrir ciertos eventos, sin enumerarlos todos.
“Si un procedimiento consta de dos etapas independientes, donde la primera etapa
puede realizarse de m maneras y la segunda de n maneras, entonces el procedimiento
completo puede realizarse de 𝑚 × 𝑛 maneras.”
Supón que tienes 3 camisas y 4 pantalones. ¿Cuántos atuendos diferentes puedes
formar (una camisa y un pantalón)?
Solución:
3 (camisas) × 4 (pantalones) = 12 combinaciones posibles
Este principio puede extenderse a más de dos tareas. Si hay k tareas independientes,
con 𝑛₁, 𝑛₂, . . . , 𝑛ₖ formas de realizarse respectivamente, el número total de
combinaciones será:
𝒏₁ × 𝒏₂ × . . .× 𝒏ₖ
Permutaciones y combinaciones: se utilizan para contar arreglos con o sin
repetición y dependiendo de si el orden es importante. También son herramientas que
se usan para contar de manera eficiente arreglos de elementos, dependiendo de si el
orden importa (permutaciones) o no importa (combinaciones).
permutaciones en orden si importan.
a) Sin repetición: Número de formas de ordenar r elementos distintos de
un conjunto de n.
Fórmula: 𝑃(𝑛, 𝑟) = 𝑛! / (𝑛 − 𝑟)!
Ejemplo:
¿Cuántas formas hay de ordenar 3 letras tomadas de las 5 letras A, B, C,
D, E?
Solución:
P(5, 3) = 5! / (5-3)! = 120 / 2 = 60 permutaciones
b) Con repetición: Cuando hay elementos repetidos entre los n elementos.
Fórmula:𝑛! / (𝑛₁! × 𝑛₂! × . . .× 𝑛ₖ!)
donde 𝑛₁, 𝑛₂, . . . , 𝑛ₖ son las frecuencias de los elementos repetidos.
Ejemplo:
Palabra "MAMA":
𝑛 = 4 letras, con M (2 veces), A (2 veces).
Fórmula: 4! / (2! × 2!) = 24 / 4 = 𝟔 permutaciones distintas
Combinaciones (orden no importa)
a) Sin repetición: Número de subconjuntos de r elementos que pueden
formarse a partir de un conjunto de n.
Fórmula: 𝐶(𝑛, 𝑟) = 𝑛! / [𝑟! (𝑛 − 𝑟)!]
Ejemplo:
De 5 personas, ¿cuántos grupos de 3 se pueden formar?
Solución:
𝐶(5, 3) = 5! / [3! × 2!] = 120 / (6 × 2) = 10 combinaciones
b) Con repetición: Cuando se pueden repetir elementos en los
subconjuntos.
Fórmula:𝐶(𝑛 + 𝑟 − 1, 𝑟) = (𝑛 + 𝑟 − 1)! / [𝑟! (𝑛 − 1)!]
Ejemplo:
¿Cuántas combinaciones de 3 bolas hay si puedes elegir entre 2 colores y
se permite repetir?
Solución:𝐶(2 + 3 − 1, 3) = 𝐶(4, 3) = 𝟒
3.1.7 Regla del Producto
Para dos eventos A y B:𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵 | 𝐴)
Para eventos independientes: 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵)
Esta regla generaliza para múltiples eventos: 𝑃(𝐴1 ∩ 𝐴2 ∩ . . .∩ 𝐴𝑛) = 𝑃(𝐴1) ×
𝑃(𝐴2 | 𝐴1) × . . .× 𝑃(𝐴𝑛 | 𝐴1 ∩ 𝐴2 ∩ . . .∩ 𝐴𝑛 − 1)
3.1.8 Teorema de Bayes
Permite "invertir" una probabilidad condicional, útil para problemas diagnósticos, toma de
decisiones y actualizaciones de creencias.
Fórmula de Bayes:𝑃(𝐴𝑖 | 𝐵) = [𝑃(𝐴𝑖) × 𝑃(𝐵 | 𝐴𝑖)] / 𝛴 [𝑃(𝐴𝑗) × 𝑃(𝐵 | 𝐴𝑗)]
𝐷𝑜𝑛𝑑𝑒 {𝐴1, 𝐴2, . . . , 𝐴𝑛} es una partición del espacio muestral y B es un evento observado.
Ejemplo típico: Diagnóstico médico donde Ai representa distintas enfermedades y B un
resultado de examen.
