Est Tema3

Capítulo 3
Probabilidad
(Revisión 01/2012)
1. Fenómenos aleatorios. .................................................................................................. 1

2. Espacio muestral. .......................................................................................................... 1
3. Operaciones con sucesos............................................................................................... 2
4. Técnicas de conteo ........................................................................................................ 5
4.1. Variaciones .................................................................................................................................................. 5
4.2. Permutaciones............................................................................................................................................. 7
4.3. Combinaciones ............................................................................................................................................ 8
4.4. Números combinatorios .............................................................................................................................. 9
5. Propiedades fundamentales de las frecuencias............................................................ 10

6. Axiomas de las probabilidades. Función de probabilidad. ............................................ 11
7. Propiedades deducidas de los axiomas ........................................................................ 11
8. Definición de probabilidad según Laplace .................................................................... 12
9. Probabilidad condicionada .......................................................................................... 13
10. Teorema del producto ............................................................................................... 16
11. Teorema de la probabilidad total .............................................................................. 17
12. Teorema de Bayes ..................................................................................................... 18
13. Dependencia e independencia de sucesos ................................................................. 20
14. Problemas ................................................................................................................. 22
Objetivos del aprendizaje.
Después de un estudio en profundidad de este capítulo, el estudiante deberá ser capaz de:
• Entender y describir espacios muestrales y eventos de experimentos aleatorios con

gráficos, tablas, listas o diagramas de árbol.
• Interpretar y calcular probabilidades.
• Utilizar permutaciones y combinaciones para contar el número de resultados de expe-
rimentos aleatorios.
• Calcular probabilidades de eventos conjuntos tales como uniones e intersecciones a
partir de las probabilidades de eventos individuales.
• Calcular e interpretar probabilidades condicionadas.
• Determinar la independencia de sucesos y utilizar la independencia para calcular pro-
babilidades.
• Utilizar el teorema de Bayes para calcular probabilidades condicionadas.
1. Fenómenos aleatorios.
De los experimentos y observaciones estadísticas se obtienen muestras de las que deseamos

obtener conclusiones acerca de las poblaciones correspondientes. Antes de poder hacerlo,
se deben desarrollar modelos matemáticos de las poblaciones. Para esto será necesaria la
teoría de probabilidades. De esta manera, vemos que dicha teoría es de importancia básica
en la estadística matemática.
En relación con esto se debe recordar que los modelos matemáticos que ayudan en la solu-
ción de problemas de la vida real se aplican en diferentes campos. Por ejemplo, en aerodi-
námica es posible partir de las leyes básicas de la mecánica y, con base en éstas, obtener un
modelo matemático (una teoría) del movimiento de cierto tipo de avión. Los modelos ma-
temáticos deben ser tan sencillos como sea posible, y deben describir con suficiente exacti-
tud los rasgos y propiedades principales de la realidad.
En este tema se introducen los conceptos de espacio muestral, suceso y sus tipos, las pro-
piedades fundamentales de las frecuencias y la probabilidad.
2. Espacio muestral.
En matemáticas, un conjunto que pueda considerarse en cierto sentido completo, de mane-

ra que sólo haya que considerar los objetos de este conjunto, se llama espacio. Al desarrollar
cualquier teoría matemática se debe definir en primer lugar la clase de cosas con las que se
va a tratar; esta clase, que representa el universo del que se trata, es el espacio. Un espacio,
pues, no tiene dimensión ni volumen; es más bien una "colección completa" de objetos.
Probabilidad 3-2
A los resultados de un experimento aleatorio que no se pueden descomponer en otros más

simples se les denomina sucesos elementales.
Llamamos espacio muestral, 𝛀, al conjunto de todos los sucesos elementales asociados a

un experimento aleatorio.
Ejemplos:
1. Supongamos el experimento de lanzar una moneda al aire. Los resultados posibles son:
cara {𝐶} y cruz {𝑋}, luego: Ω = {𝐶, 𝑋}
2. Lanzamiento de un dado legal. Los sucesos elementales son: 1, 2, 3, 4, 5, 6, luego:
Ω = {1,2,3,4,5,6}
3. Consideremos el experimento de lanzar dos dados legales. El espacio muestral es:
(1,1) (1,2) . (1,6)

Ω = �(2,1)
.
(2,2)
.
. (2,6)�
. .
(6,1) (6,2) . (6,6)
y consta por tanto de 36 sucesos elementales.
4. El diámetro exterior de los tubos obtenidos en un proceso de producción. El espacio

muestral estará constituido por un intervalo de medidas x: Ω = {x: a < x < b}. Es decir, Ω
está constituido por números reales comprendidos entre una medida mínima y otra má-
xima.
5. El número de partículas radiactivas desintegradas en un tiempo t fijado:
Ω = {0,1,2, … , n, … }
El espacio muestral, como se ve en los anteriores ejemplos, puede ser:
 finito: consta de un número finito de elementos. Ejemplos 1,2 y 3.

 infinito:
• numerable: si sus elementos pueden ponerse en correspondencia biunívoca con el

conjunto de los números naturales. Tal es el caso del ejemplo 5.
• no numerable o continuo. Caso del ejemplo 4
Definimos un suceso como un subconjunto del espacio muestral. Por ejemplo, en el caso del
lanzamiento de un dado, el suceso “obtener par” es el subconjunto: {2, 4, 6}
3. Operaciones con sucesos
A los sucesos podemos aplicarles la teoría de conjuntos. Al suceso que nunca se verifica se le
llama suceso imposible y queda representado por el conjunto vacío ∅.
Autor: Alejandro García del Valle

Probabilidad 3-3
En cambio al espacio muestral Ω se le llama suceso seguro porque realizado el experimento

aleatorio su resultado siempre figura en Ω.
Unión de sucesos. Se define la unión de los sucesos A y B como el suceso 𝐴𝐴 + 𝐵𝐵 que ocurre
siempre que se verifican A ó B. En diagramas de Venn:
A+B
A B
Intersección de sucesos. Se define la intersección de los sucesos A y B como el suceso 𝐴𝐴 × 𝐵𝐵

que ocurre siempre que se verifican A y B.
A B
A×B
⋅
Se cumplen las siguientes propiedades:
 Conmutatividad
𝐴𝐴 + 𝐵𝐵 = 𝐵𝐵 + 𝐴𝐴
𝐴𝐴 × 𝐵𝐵 = 𝐵𝐵 × 𝐴𝐴
• Asociatividad
(𝐴𝐴 + 𝐵𝐵) + 𝐶 = 𝐴𝐴 + (𝐵𝐵 + 𝐶)
(𝐴𝐴 × 𝐵𝐵) × 𝐶 = 𝐴𝐴 × (𝐵𝐵 × 𝐶)
 Propiedad distributiva de cada una de las operaciones respecto de la otra:
𝐴𝐴 + 𝐵𝐵 × 𝐶 = (𝐴𝐴 + 𝐵𝐵) × (𝐵𝐵 + 𝐶)
𝐴𝐴 × (𝐵𝐵 + 𝐶) = 𝐴𝐴 × 𝐵𝐵 + 𝐴𝐴 × 𝐶
La demostración de estas propiedades es sencilla y no se hace aquí.

Probabilidad 3-4
Se dice que el suceso A implica el B si siempre que se verifica A, ocurre B. Será 𝐴𝐴 ≤ 𝐵𝐵 (esto
es equivalente a que el suceso 𝐴𝐴 es parte o subconjunto de 𝐵𝐵.
Se dice que 𝐴𝐴̅ es el suceso contrario (o complementario) de 𝐴𝐴 cuando se realiza siempre que
no ocurre 𝐴𝐴. A la operación de hallar el suceso contrario de uno dado se llama complemen-
tación. Se deduce fácilmente:
𝐴𝐴̿ = 𝐴𝐴
��
𝐴𝐴 + 𝐵𝐵 = 𝐴𝐴̅ × 𝐵𝐵�
��
𝐴𝐴 × 𝐵𝐵 = 𝐴𝐴̅ + 𝐵𝐵�
Estas propiedades se generalizan fácilmente para 𝑛 sucesos:
��
𝐴𝐴 ��
1 + 𝐴𝐴2 + ⋯ + 𝐴𝐴𝑛 = 𝐴𝐴1 × 𝐴𝐴2 × … × 𝐴𝐴𝑛
��
𝐴𝐴 ��
1 × 𝐴𝐴2 × … × 𝐴𝐴𝑛 = 𝐴𝐴1 + 𝐴𝐴2 + ⋯ + 𝐴𝐴𝑛
Dos sucesos 𝐴𝐴 y 𝐵𝐵 se dicen incompatibles cuando su intersección es el suceso imposible, es

decir, 𝐴𝐴 × 𝐵𝐵 = ∅
Diferencia de sucesos. Se define la diferencia de sucesos 𝐴𝐴 y 𝐵𝐵 como el suceso 𝐴𝐴 − 𝐵𝐵 que se

realiza siempre que ocurre 𝐴𝐴 pero no 𝐵𝐵.
En diagramas de Venn:
A-B
A B
Se deduce inmediatamente:
𝐴𝐴 − 𝐵𝐵 = 𝐴𝐴 × 𝐵𝐵�
Llamaremos sistema completo de sucesos al conjunto de sucesos 𝐴𝐴1 , 𝐴𝐴2 , … , 𝐴𝐴𝑛 tales que:
𝐴𝐴𝑖 × 𝐴𝐴𝑗 = ∅ ∀𝑀𝑀 ≠ 𝐵𝐵

𝐴𝐴1 + 𝐴𝐴2 + ⋯ + 𝐴𝐴𝑛 = Ω
Gráficamente:

Probabilidad 3-5
A1 Ai
Aj
A2
An
4. Técnicas de conteo
En muchos casos será fácil calcular el número de resultados de un suceso. Pero hay situacio-
nes en que este cálculo es más complicado. Para facilitar el cálculo se recurre a métodos
llamados técnicas de conteo: variaciones, permutaciones y combinaciones.
4.1. Variaciones
Consideremos un conjunto de n elementos distintos:
𝐴𝐴 = {𝐹𝐹1 , 𝐹𝐹2 , … , 𝐹𝐹𝑛 }
Definición: Variaciones de n elementos de orden r son las diferentes sucesiones que se pue-
den formar, en un determinado orden, con r objetos escogidos entre los n dados.
Una variación difiere de otra o bien en el algún elemento o bien en el orden en que los ele-
mentos están colocados.
Si un mismo elemento puede formar parte varias veces de una misma variación obtendre-
mos las variaciones con repetición (se verán en el apartado 1.2). En caso contrario tenemos
las variaciones sin repetición (también llamadas simplemente variaciones).
Veamos cómo se forman las variaciones sin repetición y su número. Para fijar ideas, conside-
remos un conjunto de tres elementos:
𝐴𝐴 = {𝐹𝐹, 𝑏, 𝑐}
Veamos cómo se forman las variaciones de orden r a partir de las de orden r-1:

Probabilidad 3-6
Orden 1 Orden 2 Orden 3
ab abc
a
ac acb
ba bac
b
bc bca
ca cab
c
cb cba
Podemos ver que las variaciones de orden r se obtienen a partir de las de orden 𝑟 − 1 agre-
gando a cada variación de orden 𝑟 − 1 las 𝑛 − (𝑟 − 1) = 𝑛 − 𝑟 + 1 elementos restantes. Así
pues, por cada variación de orden 𝑟 − 1 obtenemos 𝑛 − 𝑟 + 1 variaciones de orden r.
Llamando 𝑉𝑛,𝑟 al número de variaciones de orden r y 𝑉𝑛,𝑟−1 a las de orden 𝑟 − 1, tendremos:
𝑉𝑛,𝑟 = (𝑛 − 𝑟 + 1)𝑉𝑛,𝑟−1
Ley recurrente que permite obtener 𝑉𝑛,𝑟 en función de n y r:
𝑉𝑛,𝑟 = (𝑛 − 𝑟 + 1)𝑉𝑛,𝑟−1
𝑉𝑛,𝑟−1 = (𝑛 − 𝑟 + 2)𝑉𝑛,𝑟−2
…
𝑉𝑛,3 = (𝑛 − 2)𝑉𝑛,2
𝑉𝑛,2 = (𝑛 − 1)𝑉𝑛,1
𝑉𝑛,1 = 𝑛
Multiplicando estas igualdades y simplificando, obtenemos:
𝑉𝑛,𝑟 = 𝑛 · (𝑛 − 1) · (𝑛 − 2) · … · (𝑛 − 𝑟 + 1) = 𝑛(𝑟
Con la notación 𝑛(𝑟 indicamos el producto de n factores decrecientes de uno en uno a partir
de n.
Igualmente veamos ahora la formación y número de las variaciones con repetición
Al igual que antes consideremos un conjunto de tres elementos:
𝐴𝐴 = {𝐹𝐹, 𝑏, 𝑐}

Probabilidad 3-7
En la figura de la derecha se observa cómo se for- Orden 1 Orden 2 Orden 3

man las variaciones con repetición de orden 𝑟 a
partir de las de orden 𝑟 − 1. Se observa que por aaa
cada variación con repetición de orden 𝑟 − 1 se aa aab
obtienen n de orden 𝑟. En consecuencia:
aac
𝑅𝑉𝑛,𝑟 = 𝑛 · 𝑅𝑉𝑛,𝑟−1 aba
Ley recurrente de la que obtenemos: a ab abb

abc
𝑅𝑉𝑛,𝑟 = 𝑛 · 𝑅𝑉𝑛,𝑟−1
𝑅𝑉𝑛,𝑟−1 = 𝑛 · 𝑅𝑉𝑛,𝑟−2 aca
… ac acb
𝑅𝑉𝑛,3 = 𝑛 · 𝑅𝑉𝑛,2
𝑅𝑉𝑛,2 = 𝑛 · 𝑅𝑉𝑛,1 acc
𝑅𝑉𝑛,1 = 𝑛 …...
ba
De aquí: b bb …...
bc …...
𝑅𝑉𝑛,𝑟 = 𝑛𝑟
ca …...
c cb …...
cc …...
4.2. Permutaciones
Definición: Las permutaciones son las variaciones de 𝒏 elementos de orden 𝒏.
Al igual que en el caso de las variaciones podemos tener permutaciones sin y con repetición.
Veamos ahora la formación y número de permutaciones sin repetición, también llamadas

simplemente permutaciones. Son un caso particular de las variaciones sin repetición. Si lla-
mamos 𝑃𝑃𝑛 al número de permutaciones de orden 𝑛, tendremos:
𝑃𝑃𝑛 = 𝑉𝑛,𝑛 = 𝑛 · (𝑛 − 1) · (𝑛 − 2) · … · 1 = 𝑛!
La formación y número de permutaciones con repetición requiere un cálculo más detallado.
Supongamos, para fijar ideas, un conjunto de 𝑛 elementos de los cuales 𝑛1 de ellos son igua-
les (1 ≤ 𝑛1 ≤ 𝑛). Si los 𝑛1 elementos fueran distintos tendríamos 𝑛! permutaciones, pero
como hay 𝑛1 elementos iguales, por cada permutación de las 𝑛! resultará que 𝑛1 ! serán igua-
les, por lo que en un conjunto de 𝑛 elementos de los cuales 𝑛1 ! son iguales habrá:
𝑛!
𝑛1 !
permutaciones distintas

Probabilidad 3-8
Generalizando, si en un conjunto de 𝑛 elementos tenemos 𝑛1 componentes iguales a 𝐹𝐹1 , 𝑛2

componentes iguales a 𝐹𝐹2 , …, 𝑛𝑚 componentes iguales a 𝐹𝐹𝑚 siendo
𝑚
1 ≤ 𝑛𝑖 ≤ 𝑛 � 𝑛𝑖 = 𝑛
𝑖=1
El número de permutaciones con repetición de orden 𝑛 será:
𝑛 ,𝑛2 ,…,𝑛𝑚 𝑛! 𝑚
𝑅𝑃𝑃𝑛 1 = 𝑐𝐹𝐹𝑛 � 𝑛𝑖 = 𝑛
𝑛1 ! 𝑛2 ! … 𝑛𝑚 ! 𝑖=1
4.3. Combinaciones
Consideremos un conjunto de n elementos distintos:
𝐴𝐴 = {𝐹𝐹1 , 𝐹𝐹2 , … , 𝐹𝐹𝑛 }
Definición: Combinaciones de n elementos de orden r son los distintos grupos que se pue-
den forman con 𝒓 elementos escogidos entre los 𝒏 dados.
Obsérvese que en la definición no interviene el orden de los elementos (se trata de “gru-
pos”), por lo que una combinación difiere de otra en al menos un elemento. Dos grupos de 𝑟
elementos que sólo difieran en el orden de escritura se considera que es la misma combina-
ción, como por ejemplo 𝐹𝐹𝑏𝑐 y 𝑏𝑐𝐹𝐹.
Si un mismo elemento puede formar parte varias veces de una misma combinación tendre-
mos las combinaciones con repetición. En caso contrario tendremos las combinaciones sin
repetición o simplemente combinaciones.
Veamos la formación y núme- Orden 1 Orden 2 Orden 3 Orden 4

ro de las combinaciones sin
repetición. Como ejemplo abc abcd
ab
consideremos un conjunto de abd
cuatro elementos 𝐴𝐴 =
{𝐹𝐹, 𝑏, 𝑐, 𝑀𝑀}. Las combinaciones a ac acd
posibles pueden verse en la fi-
gura de la derecha. ad
bc bcd
b
bd
c cd

Probabilidad 3-9
En general para un conjunto de n elementos, las combinaciones de orden 𝑟 se obtienen a

partir de las de orden 𝑟 − 1 agregando como componente r–ésima un elemento cuyo subín-
dice sea superior al del lugar 𝑟 − 1. Esto es para las combinaciones sin repetición. Para las
combinaciones con repetición se agrega como componente r–ésima un elemento cuyo sub-
índice sea superior o igual al del lugar 𝑟 − 1.
Calculemos el número de las combinaciones sin repetición. Consideremos la combinación:
(𝐹𝐹1 𝐹𝐹2 𝐹𝐹4 )
Hay 3! = 6 formas de escribir esta combinación:
(𝐹𝐹1 𝐹𝐹2 𝐹𝐹4 ) (𝐹𝐹2 𝐹𝐹1 𝐹𝐹4 ) (𝐹𝐹4 𝐹𝐹1 𝐹𝐹2 ) (𝐹𝐹1 𝐹𝐹4 𝐹𝐹2 ) (𝐹𝐹2 𝐹𝐹4 𝐹𝐹1 ) (𝐹𝐹4 𝐹𝐹2 𝐹𝐹1 )
Cada una de estas expresiones es una variación sin repetición. Este razonamiento es general,
por cada combinación de orden r tenemos r! variaciones. Podemos establecer la siguiente
regla de tres:
Nº combinaciones orden r Nº variaciones orden r

1 𝑟!
𝐶𝑛,𝑟 𝑉𝑛,𝑟
De aquí:
𝑉𝑛,𝑟
𝐶𝑛,𝑟 =
𝑟!
Esta última expresión se puede poner en forma de factorial y también de número combina-
torio:
𝑉𝑛,𝑟 𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑟 + 1)(𝑛 − 𝑟)(𝑛 − 𝑟 − 1) … 1 𝑛! 𝑛

𝐶𝑛,𝑟 = = = =� �
𝑟! 𝑟! (𝑛 − 𝑟)! 𝑟! (𝑛 − 𝑟)! 𝑟
4.4. Números combinatorios
Se define el número combinatorio 𝑛 sobre 𝑟:
𝑛 𝑛!
� �=
𝑟 𝑟! (𝑛 − 𝑟)!
A 𝑛 se le denomina numerador y 𝑟 es el orden del número combinatorio.
Veamos algunas propiedades de los números combinatorios.

Probabilidad 3-10
PROPIEDAD 1. Los números combinatorios de igual numerador y órdenes complementarios

son iguales:
𝑛 𝑛
� �=� �
𝑟 𝑛−𝑟
La demostración es sencilla. Basta aplicar la fórmula de cálculo del número combinatorio.
𝑛 𝑛 𝑛
PROPIEDAD 2. Se tiene: � � = 𝑛, � � = 1, � � = 1
1 𝑛 0
La demostración o justificación de estas fórmulas es simple. Se comprende que:
𝑛
� �=𝑛
1
En efecto, por la Propiedad 1 se tiene:
𝑛 𝑛
� �=� �=1
0 𝑛
Como
𝑛 𝑛!
� �= =1
0 0! 𝑛!
Ha de ser que 0! = 1.
5. Propiedades fundamentales de las frecuencias
Estamos ya casi en condiciones de establecer el modelo matemático para la resolución de

problemas estadísticos. Nos falta definir la función de probabilidad, pero antes de hacerlo
vamos a ver las propiedades de las frecuencias que nos indicarán de forma intuitiva las pro-
piedades que debe cumplir la función de probabilidad.
Recordemos que hemos definido la frecuencia relativa de un suceso A al considerar un expe-

rimento aleatorio por el cociente.
𝑛
𝑓𝑓(𝐴𝐴) =
𝑁𝑁
siendo n el número de veces que se presenta el suceso considerado al realizar N pruebas del
experimento aleatorio.
Propiedades inmediatas de las frecuencias son:
0 ≤ 𝑓𝑓(𝐴𝐴) ≤ 1
𝑛
Demostración: 0 ≤ 𝑛 ≤ 𝑁𝑁 ⇒ 0 ≤ 𝑁 ≤ 1 ⇒ 0 ≤ 𝑓𝑓(𝐴𝐴) ≤ 1

Probabilidad 3-11
 Si 𝐴𝐴1 × 𝐴𝐴2 = ∅ entonces 𝑓𝑓(𝐴𝐴1 + 𝐴𝐴2 ) = 𝑓𝑓(𝐴𝐴1 ) + 𝑓𝑓(𝐴𝐴2 )
Demostración: Sea 𝐵𝐵 = 𝐴𝐴1 + 𝐴𝐴2
Sea n el número de veces que ocurre 𝐵𝐵, 𝑛1 el de 𝐴𝐴1 y 𝑛2 el de 𝐴𝐴2 en las N pruebas del
experimento aleatorio. Al ser 𝐴𝐴1 × 𝐴𝐴2 = ∅ será:
𝑛 𝑛1 𝑛2
𝑛 = 𝑛1 + 𝑛2 ⇒ = +
𝑁𝑁 𝑁𝑁 𝑁𝑁
luego 𝑓𝑓(𝐴𝐴1 + 𝐴𝐴2 ) = 𝑓𝑓(𝐴𝐴1 ) + 𝑓𝑓(𝐴𝐴2 )
 La frecuencia relativa del suceso seguro Ω es evidentemente igual a 1: 𝑓𝑓(Ω) =1
6. Definición de probabilidad según Kolmogorov
Las propiedades de las frecuencias relativas que acabamos de ver nos marcan la pauta para
establecer los axiomas de la teoría de probabilidades. Dichos axiomas son:
1. A todo suceso 𝐴𝐴 de un experimento aleatorio le corresponde un número real

𝑃𝑃(𝐴𝐴) ≥ 0 llamado probabilidad de 𝐴𝐴.
2. Si 𝐴𝐴1 y 𝐴𝐴2 son sucesos tales que 𝐴𝐴1 × 𝐴𝐴2 = ∅, entonces:
𝑃𝑃(𝐴𝐴1 + 𝐴𝐴2 ) = 𝑃𝑃(𝐴𝐴1 ) + 𝑃𝑃(𝐴𝐴2 )
3. 𝑃𝑃(Ω) = 1.
7. Propiedades deducidas de los axiomas
1. Si 𝐴𝐴̅ es el suceso contrario de A, entonces 𝑃𝑃(𝐴𝐴̅) = 1 − 𝑃𝑃(𝐴𝐴)
Demostración: 1 = 𝑃𝑃(Ω) = 𝑃𝑃(𝐴𝐴 + 𝐴𝐴̅) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐴𝐴̅) ⇒ 𝑃𝑃(𝐴𝐴̅) = 1 − 𝑃𝑃(𝐴𝐴)
2. La probabilidad del suceso imposible ∅ es cero, pues ∅ es el suceso contrario a Ω,
Demostración: 𝑃𝑃(∅) = 1 − 𝑃𝑃(Ω) = 1 − 1 = 0
La recíproca no es cierta como veremos más adelante. La probabilidad de un suceso

puede ser cero sin ser éste el suceso imposible.
3. Si 𝐴𝐴 ≤ 𝐵𝐵 entonces 𝑃𝑃(𝐴𝐴) ≤ 𝑃𝑃(𝐵𝐵)
Demostración: 𝐴𝐴 ≤ 𝐵𝐵 ⇒ 𝐴𝐴 = 𝐴𝐴 + 𝐴𝐴̅𝐵𝐵 y como 𝐴𝐴 × (𝐴𝐴̅ × 𝐵𝐵) = ∅:

Probabilidad 3-12
𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐴𝐴̅𝐵𝐵 ) y al ser 𝑃𝑃(𝐴𝐴̅𝐵𝐵 ) ≥ 0 resulta 𝑃𝑃(𝐵𝐵) ≥ 𝑃𝑃(𝐴𝐴)
4. Para todo suceso 𝐴𝐴 es 𝑃𝑃(𝐴𝐴) ≤ 1
Demostración: Al ser 𝐴𝐴 ≤ Ω ⇒ 𝑃𝑃(𝐴𝐴) ≤ 𝑃𝑃(Ω) = 1
5. Para cualquier par de sucesos A y B se cumple: 𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) − 𝑃𝑃(𝐴𝐴𝐵𝐵)
Demostración:
𝐴𝐴 + 𝐵𝐵 = 𝐴𝐴 + 𝐴𝐴̅𝐵𝐵 ⇒ 𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐴𝐴̅𝐵𝐵 )

𝐵𝐵 = 𝐴𝐴𝐵𝐵 + 𝐴𝐴̅𝐵𝐵 ⇒ 𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐴𝐴𝐵𝐵) + 𝑃𝑃(𝐴𝐴̅𝐵𝐵 )
Restando ambas igualdades:
𝑃𝑃(𝐴𝐴 + 𝐵𝐵) − 𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐴𝐴) − 𝑃𝑃(𝐴𝐴𝐵𝐵)
de donde 𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) − 𝑃𝑃(𝐴𝐴𝐵𝐵)
Para tres sucesos A, B y C se puede demostrar que:
𝑃𝑃(𝐴𝐴 + 𝐵𝐵 + 𝐶) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) + 𝑃𝑃(𝐶) − 𝑃𝑃(𝐴𝐴𝐵𝐵) − 𝑃𝑃(𝐴𝐴𝐶) − 𝑃𝑃(𝐵𝐵𝐶) + 𝑃𝑃(𝐴𝐴𝐵𝐵𝐶)
y fácilmente se generaliza para n sucesos por inducción.
6. 𝑃𝑃(𝐴𝐴 + 𝐵𝐵) ≤ 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵)
Demostración: al ser 𝑃𝑃(𝐴𝐴𝐵𝐵) ≥ 0:
𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) − 𝑃𝑃(𝐴𝐴𝐵𝐵) ≤ 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵)
Esta propiedad se generaliza fácilmente para n sucesos:
𝑃𝑃(𝐴𝐴 + 𝐵𝐵 + 𝐶 + ⋯ ) ≤ 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) + 𝑃𝑃(𝐶) + ⋯
8. Definición de probabilidad según Laplace
Laplace consideró experimentos aleatorios con un espacio muestral Ω finito y en que todos
los sucesos elementales posibles son igualmente probables o a menos nada induce a pensar
lo contrario (postulado de indiferencia). En este caso, es fácil calcular la probabilidad de cada
suceso elemental pues por el segundo y tercer axioma de la teoría de probabilidades, si
𝐴𝐴1 , 𝐴𝐴2 , … , 𝐴𝐴𝑛 son los sucesos elementales de Ω.
𝑃𝑃(𝐴𝐴1 + 𝐴𝐴2 + ⋯ + 𝐴𝐴𝑛 ) = 𝑃𝑃(Ω) = 1
𝑃𝑃(𝐴𝐴1 + 𝐴𝐴2 + ⋯ + 𝐴𝐴𝑛 ) = 𝑃𝑃(𝐴𝐴1 ) + 𝑃𝑃(𝐴𝐴2 ) + ⋯ + 𝑃𝑃(𝐴𝐴𝑛 ) = 1

Probabilidad 3-13
Y al ser 𝑃𝑃(𝐴𝐴1 ) = 𝑃𝑃(𝐴𝐴2 ) = ⋯ = 𝑃𝑃(𝐴𝐴𝑛 )
1
𝑛 × 𝑃𝑃(𝐴𝐴𝑖 ) = 1 ⇒ 𝑃𝑃(𝐴𝐴𝑖 ) =
𝑛
Si un suceso B es la unión de k sucesos elementales será:
𝑘
𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐴𝐴1 + 𝐴𝐴2 + ⋯ + 𝐴𝐴𝑘 ) = 𝑃𝑃(𝐴𝐴1 ) + 𝑃𝑃(𝐴𝐴2 ) + ⋯ + 𝑃𝑃(𝐴𝐴𝑘 ) =
𝑛
fórmula que conduce a la definición clásica de probabilidad según Laplace: cociente del nú-
mero de casos favorables por el de casos posibles, considerados estos últimos como equi-
probables.
Este método de cálculo de probabilidades sólo puede aplicarse por consiguiente a aquellos
casos en que Ω es de tipo finito y todos los sucesos elementales son igualmente probables.
Ejemplo: En el caso del lanzamiento de un dado legal
Ω = {1, 2, 3, 4, 5, 6}
1
y 𝑃𝑃(1) = 𝑃𝑃(2) = 𝑃𝑃(3) = 𝑃𝑃(4) = 𝑃𝑃(5) = 𝑃𝑃(6) = 6
Sea el suceso B = obtener par, será: 𝐵𝐵 = {2} + {4} + {6}
y por consiguiente:
1 1 1 1
𝑃𝑃(𝐵𝐵) = + + =
6 6 6 2
9. Probabilidad condicionada
En ocasiones las probabilidades necesitan ser reevaluadas al disponer de información adi-

cional. Una forma útil de incorporar información en un modelo de probabilidad es asumir
que el resultado que se generará es un miembro de un evento dado. Este evento, llamado 𝐵𝐵,
define las condiciones que el resultado habrá de satisfacer. La probabilidad de un evento 𝐴𝐴
sujeto al conocimiento de que el resultado estará en el evento 𝐵𝐵 se denota por:
𝑃𝑃(𝐴𝐴|𝐵𝐵)
Y a esta probabilidad se le denomina probabilidad de 𝐴𝐴 dado 𝐵𝐵.
Para ilustrar este concepto supongamos un proceso de fabricación en que el 10% de las pie-
zas tienen defectos visibles y que el 25% de las piezas con defectos visibles son desechables.

Probabilidad 3-14
Además sólo el 5% de las piezas sin defectos visibles son desechables. Es evidente que la
probabilidad de que una pieza sea o no defectuosa depende de nuestro conocimiento de la
presencia o no de defectos visibles en la pieza. Llamemos 𝐷𝐷 al suceso de que una pieza es
defectuosa y 𝐹𝐹 al suceso de que una pieza tiene defectos visibles. Denotamos la probabili-
dad de 𝐷𝐷 dado, o supuesto, que una pieza tiene un defecto visible mediante 𝑃𝑃(𝐷𝐷|𝐹𝐹). De lo
dicho anteriormente podemos concluir que 𝑃𝑃(𝐷𝐷|𝐹𝐹) = 0.25. Además, si 𝐹𝐹� representa al su-
ceso de que una pieza no tiene defectos visibles, tendremos que 𝑃𝑃(𝐷𝐷|𝐹𝐹� ) = 0.05. Estos re-
sultados podemos representarlos en la Figura 1.
𝑃𝑃(𝐷𝐷|𝐹𝐹) = 0´25
5% defectuosas
25%
defectuosas 𝑃𝑃(𝐷𝐷|𝐹𝐹� ) = 0´05
𝐹𝐹 = piezas 𝐹𝐹� = piezas sin

con defectos defectos
visibles visibles
Figura 1. Probabilidades condicionadas para piezas con defectos visibles
Ejemplo 1. La Tabla 1 muestra una muestra de 400 piezas clasificadas por defectos visibles y
por defectuosas o no. En esta tabla las probabilidades condicionadas son las mismas que las
que acabamos de ver. Por ejemplo, para las piezas con defectos visibles (40 piezas) el núme-
ro de defectuosas es 10. Por tanto:
Tabla 1. Clasificación de piezas
Defectos visibles
Sí (suceso F) No Total
Sí 10 18 28
Defectuosas No 30 342 372
Total 40 360 400
10
𝑃𝑃(𝐷𝐷|𝐹𝐹) = = 0.25
40
Para las piezas sin defectos visibles (360 piezas) el número de defectuosas es 18. Por tanto:
18
𝑃𝑃(𝐷𝐷|𝐹𝐹� ) = = 0.05
360

Probabilidad 3-15
La interpretación práctica es la siguiente: la probabilidad de pieza defectuosa es 5 veces ma-

yor para las piezas con defectos visibles. Este cálculo muestra cómo las probabilidades se
ajustan para tener en cuenta la información adicional. El resultado sugiere que podría haber
una relación entre los defectos visibles y la funcionalidad de las piezas que debería investi-
garse.
Lo anterior nos sirve para definir lo que entendemos por probabilidad condicionada.
La probabilidad condicionada de un suceso 𝐴𝐴 dado un suceso 𝐵𝐵, denotada por 𝑃𝑃(𝐴𝐴|𝐵𝐵), es:
𝑃𝑃(𝐴𝐴𝐵𝐵)
𝑃𝑃(𝐴𝐴|𝐵𝐵) =
𝑃𝑃(𝐵𝐵)
Para 𝑃𝑃(𝐵𝐵) > 0.
Esta definición puede entenderse como un caso especial en que todos los resultados de un
experimento aleatorio son igualmente probables. Si hay n resultados,
𝑃𝑃(𝐵𝐵) = (𝑛ú𝑚𝑀𝑀𝑟𝐹𝐹 𝑀𝑀𝑀𝑀 𝑟𝑀𝑀𝑠𝑢𝐹𝐹𝐴𝐴𝐹𝐹𝑀𝑀𝐹𝐹𝑠 𝑀𝑀𝑛 𝐵𝐵)/𝑛
𝑃𝑃(𝐴𝐴𝐵𝐵) = (𝑛ú𝑚𝑀𝑀𝑟𝐹𝐹 𝑀𝑀𝑀𝑀 𝑟𝑀𝑀𝑠𝑢𝐹𝐹𝐴𝐴𝐹𝐹𝑀𝑀𝐹𝐹𝑠 𝑀𝑀𝑛 𝐴𝐴𝐵𝐵)/𝑛
Por tanto:
𝑃𝑃(𝐴𝐴𝐵𝐵) 𝑛ú𝑚𝑀𝑀𝑟𝐹𝐹 𝑀𝑀𝑀𝑀 𝑟𝑀𝑀𝑠𝑢𝐹𝐹𝐴𝐴𝐹𝐹𝑀𝑀𝐹𝐹𝑠 𝑀𝑀𝑛 𝐴𝐴𝐵𝐵

𝑃𝑃(𝐴𝐴|𝐵𝐵) = =
𝑃𝑃(𝐵𝐵) 𝑛ú𝑚𝑀𝑀𝑟𝐹𝐹 𝑀𝑀𝑀𝑀 𝑟𝑀𝑀𝑠𝑢𝐹𝐹𝐴𝐴𝐹𝐹𝑀𝑀𝐹𝐹𝑠 𝑀𝑀𝑛 𝐵𝐵
Es decir, 𝑃𝑃(𝐴𝐴|𝐵𝐵) puede interpretarse como la frecuencia relativa del evento 𝐴𝐴 de entre las
pruebas que producen un resultado en el evento 𝐵𝐵.
Ejemplo 2. Continuando con el ejemplo de la Tabla 1, tenemos:
𝑃𝑃(𝐷𝐷𝐹𝐹) 10/400
𝑃𝑃(𝐷𝐷|𝐹𝐹) = = = 0.25
𝑃𝑃(𝐹𝐹) 40/400
Además se tiene:
𝑃𝑃(𝐹𝐹) = 40/400 𝑃𝑃(𝐹𝐹|𝐷𝐷) = 10/28
𝑃𝑃(𝐷𝐷) = 28/400 𝑃𝑃(𝐷𝐷|𝐹𝐹) = 10/40
Estos valores pueden mostrarse en un diagrama de árbol como el de la Figura 2. La primera

rama es sobre los defectos visibles. De las 40 piezas con defectos visibles, 10 son defectuosas
y 30 no. Por tanto:
𝑃𝑃(𝐷𝐷|𝐹𝐹) = 10/40 � │𝐹𝐹) = 30/40
𝑃𝑃(𝐷𝐷
De las 360 piezas sin defectos visibles, 18 son defectuosas y 342 no. Por tanto:

Probabilidad 3-16
𝑃𝑃(𝐷𝐷|𝐹𝐹� ) = 18/360 � │𝐹𝐹� ) = 342/360

𝑃𝑃(𝐷𝐷
Defecto visible
360/400 No Sí 40/400
Defectuosa
342/360 No Sí 18/360 30/40 No Sí 10/40
Figura 2. Diagrama de árbol para clasificación de piezas
10. Teorema del producto
En ocasiones se necesita calcular la probabilidad de un producto o intersección de sucesos.

De la definición de probabilidad condicionada es fácil deducir:
𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵|𝐴𝐴) = 𝑃𝑃(𝐵𝐵) · 𝑃𝑃(𝐴𝐴|𝐵𝐵)
Esta expresión recibe el nombre de teorema o regla del producto porque permite calcular la
probabilidad de un producto o intersección de sucesos. El teorema se puede enunciar di-
ciendo que la probabilidad del producto de dos sucesos es el producto de la probabilidad de
uno de ellos por la probabilidad del otro condicionada al primero.
Ejemplo 3. Al final de un proceso de fabricación los artículos fabricados son sometidos a un

doble control de calidad. Primeramente pasan un control dimensional del que se sabe que el
95% de los artículos cumple con las especificaciones. Dado que los artículos pasan el primer
control, se someten a uno segundo de acabado superficial, en el que la probabilidad de pa-
sar el control es del 98%. ¿Qué proporción de piezas pasan el doble control de calidad?
Llamamos 𝐴𝐴 y 𝐵𝐵 a los sucesos de que un artículo pase el primer y el segundo control de cali-
dad respectivamente. Entonces:
𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵|𝐴𝐴) = 0.95 · 0.98 = 0.931 = 93.1%
Por tanto, podemos decir que por término medio alrededor de 93 de cada 100 piezas pasa-
rán el doble control de calidad. Téngase presente que aunque también se verifica que
𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐵𝐵) · 𝑃𝑃(𝐴𝐴|𝐵𝐵), la información proporcionada no es la que necesitamos para esta
otra expresión.

Probabilidad 3-17
11. Teorema de la probabilidad total
A veces la probabilidad de un suceso se da bajo un conjunto de condiciones. Conocidas estas

probabilidades condicionadas se puede calcular la probabilidad del suceso que nos interesa.
El planteamiento general es el siguiente. Supongamos un experimento aleatorio del que co-

nocemos las probabilidades de un conjunto de sucesos disjuntos 𝐴𝐴𝑖 tales que (Figura 3):
𝑛
𝐵𝐵 = � 𝐵𝐵𝐴𝐴𝑖
𝑖=1
A1 A2
B·A1
B·A2
B B·An
An
Figura 3. Suceso particionado en un conjunto de sucesos exclusivos
Además, del suceso 𝐵𝐵 se conocen las probabilidades condicionadas 𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 ). Se cumplirá:

𝑛 𝑛 𝑛
𝑃𝑃(𝐵𝐵) = 𝑃𝑃 �� 𝐵𝐵𝐴𝐴𝑖 � = � 𝑃𝑃(𝐵𝐵𝐴𝐴𝑖 ) = � 𝑃𝑃(𝐴𝐴𝑖 )𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 )

𝑖=1 𝑖=1 𝑖=1
Resultando:
𝑛
𝑃𝑃(𝐵𝐵) = � 𝑃𝑃(𝐴𝐴𝑖 )𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 )

𝑖=1
Fórmula que constituye el teorema de la probabilidad total.
Ejemplo 4. En una fabricación de placas microelectrónicas supóngase que se conocen las si-
guientes probabilidades de fallo dependiendo del nivel de contaminación durante el proceso
de fabricación:
Probabilidad de fallo Nivel de contaminación

0.001 Bajo
0.005 Medio
0.008 Alto

Probabilidad 3-18
En una determinada serie de producción se sabe que el 50% de las placas ha estado sujeto
un bajo nivel de contaminación, un 30% a un nivel medio y un 20% a un nivel alto. ¿Cuál es la
probabilidad de fallo de un dispositivo que utiliza estas placas?
Sea 𝐹𝐹 el suceso {𝑀𝑀𝐹𝐹 𝑀𝑀𝑀𝑀𝑠𝑝𝐹𝐹𝑠𝑀𝑀𝐴𝐴𝑀𝑀𝑣𝐹𝐹 𝑓𝑓𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹}. Sea 𝐴𝐴1 , 𝐴𝐴2 , 𝐴𝐴3 los sucesos que denotan que una pla-
ca ha estado sometida a un nivel de contaminación bajo, medio y alto respectivamente. Se
tendrá:
𝑃𝑃(𝐹𝐹) = 𝑃𝑃(𝐴𝐴1 ) · 𝑃𝑃(𝐹𝐹|𝐴𝐴1 ) + 𝑃𝑃(𝐴𝐴2 ) · 𝑃𝑃(𝐹𝐹|𝐴𝐴2 ) + 𝑃𝑃(𝐴𝐴3 ) · 𝑃𝑃(𝐹𝐹|𝐴𝐴3 )

= 0.5 · 0.001 + 0.3 · 0.005 + 0.2 · 0.008 = 0.0036
Estos cálculos se representan en forma de diagrama de árbol en la Figura 4.
0´5 0´2
0´3
Bajo Medio Alto
𝑃𝑃(𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹|𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵) 𝑃𝑃(𝑁𝑁𝑁𝑁 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓|𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵) 𝑃𝑃(𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹|𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀) 𝑃𝑃(𝑁𝑁𝑁𝑁 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓|𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀) 𝑃𝑃(𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹|𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴) 𝑃𝑃(𝑁𝑁𝑁𝑁 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓|𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴)

=0´001 =0´999 =0´005 =0´995 =0´008 =0´992
0´5·0´001 0´5·0´999 0´3·0´005 0´3·0´995 0´2·0´008 0´2·0´992

=0´0005 =0´4995 =0´0015 =0´2985 =0´0016 =0´1994
P(F)=0´0005+0´0015+0´0016=0´0036
Figura 4. Diagrama de árbol
12. Teorema de Bayes
En los ejemplos anteriores puede observarse que la información se presenta a veces en tér-
minos de probabilidades condicionadas. Estas probabilidades representan la probabilidad de
que un suceso (por ejemplo un fallo) dada una condición (por ejemplo, un determinado nivel
de contaminación). Pero después de transcurrir un experimento aleatorio, podríamos estar
interesados en que una condición estuviese presente (por ejemplo, un alto nivel de conta-
minación) dado que se ha obtenido un determinado resultado (un fallo de un dispositivo).
Esto implica una marcha atrás en el tiempo. Fue Bayes quien primero abordó este problema
llegando a un resultado que se conoce como teorema de Bayes.
De la definición de probabilidad condicionada se tiene:
𝑃𝑃(𝐴𝐴𝑖 𝐵𝐵) = 𝑃𝑃(𝐴𝐴𝑖 ) · 𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 ) = 𝑃𝑃(𝐵𝐵) · 𝑃𝑃(𝐴𝐴𝑖 |𝐵𝐵)
De aquí:

Probabilidad 3-19
𝑃𝑃(𝐴𝐴𝑖 ) · 𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 )
𝑃𝑃(𝐴𝐴𝑖 |𝐵𝐵) =
𝑃𝑃(𝐵𝐵)
Y teniendo en cuenta el teorema de la probabilidad total:
𝑃𝑃(𝐴𝐴𝑖 ) · 𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 )
𝑃𝑃(𝐴𝐴𝑖 |𝐵𝐵) =
∑𝑛𝑖=1 𝑃𝑃(𝐴𝐴𝑖 )𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 )
Fórmula que tiene la forma de una media ponderada y que constituye el teorema de Bayes.
Veamos el significado de la última expresión:
a las probabilidades 𝑃𝑃(𝐴𝐴𝑖 ) se les llama probabilidades a priori de las causas o de las
hipótesis y a las 𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 ) verosimilitudes.
 a las probabilidades 𝑃𝑃(𝐴𝐴𝑖 |𝐵𝐵) se les llama probabilidades a posteriori. 𝑷(𝑨𝒊 |𝑩) es la
probabilidad de que el suceso 𝑩, que ya ha ocurrido, sea resultado de la causa 𝑨𝒊 .
Ejemplo 5. Una fábrica produce tubos de acero en tres plantas con un volumen de produc-
ción de 500, 1000 y 2000 unidades diarias con una producción defectuosa es de 0.005, 0.008
y 0.010 respectivamente. Los tubos se almacenan mezclados en un almacén central. En este
almacén se selecciona un tubo aleatoriamente del total de la producción de un día, y se des-
cubre que es defectuoso. Calcular las probabilidades de que el tubo defectuoso provenga de
las diferentes plantas.
Sea 𝐴𝐴1 , 𝐴𝐴2 , 𝐴𝐴3 los sucesos que representan que un tubo proviene de la fábrica 1, 2 ó 3 res-
pectivamente (con volumen de producción diaria de 500, 1000 y 2000 unidades). Se tiene:
500 1 1000 2 2000 4

𝑃𝑃(𝐴𝐴1 ) = = 𝑃𝑃(𝐴𝐴2 ) = = 𝑃𝑃(𝐴𝐴3 ) = =
3500 7 3500 7 3500 7
Sea 𝐵𝐵 el suceso de que un tubo es defectuoso. Se tiene:
𝑃𝑃(𝐵𝐵|𝐴𝐴1 ) = 0.005 𝑃𝑃(𝐵𝐵|𝐴𝐴2 ) = 0.008 𝑃𝑃(𝐵𝐵|𝐴𝐴3 ) = 0.010
Tendremos:
3
1 2 4 0.061
𝑃𝑃(𝐵𝐵) = � 𝑃𝑃(𝐴𝐴𝑖 )𝑃𝑃(𝐵𝐵|𝐴𝐴𝑖 ) = · 0.005 + · 0.008 + · 0.010 =
7 7 7 7
𝑖=1
Aplicando la fórmula de Bayes:
0.005
𝑃𝑃(𝐴𝐴1 ) · 𝑃𝑃(𝐵𝐵|𝐴𝐴1 ) 5
𝑃𝑃(𝐴𝐴1 |𝐵𝐵) = = 7 = = 0.082
𝑃𝑃(𝐵𝐵) 0.061 61
7

Probabilidad 3-20
0.016
𝑃𝑃(𝐴𝐴2 |𝐵𝐵) = = 7 = = 0.262
𝑃𝑃(𝐵𝐵) 0.061 61
7
0.040
𝑃𝑃(𝐴𝐴3 |𝐵𝐵) = = 7 = = 0.656
𝑃𝑃(𝐵𝐵) 0.061 61
7
Evidentemente, estas tres últimas probabilidades suman 1, pues si un tubo resulta defectuo-
so, tendrá que proceder de una de las tres posibles fábricas. Además resulta lógico que lo
más probable es que provenga de la fábrica 3 pues es la que produce mayor proporción de
tubos defectuosos y además fábrica mayor cantidad de tubos.
13. Dependencia e independencia de sucesos
El concepto de probabilidad condicionada se emplea para introducir el concepto de inde-

pendencia estocástica de sucesos.
Sean A y B dos sucesos pertenecientes a un mismo experimento aleatorio. En general, resul-

tará que 𝑃𝑃(𝐴𝐴|𝐵𝐵) ≠ 𝑃𝑃(𝐴𝐴). Cuando en particular
𝑃𝑃(𝐴𝐴|𝐵𝐵) = 𝑃𝑃(𝐴𝐴)
diremos que 𝑨 es independiente de 𝑩.
Fácilmente se deduce que si 𝐴𝐴 es independiente de 𝐵𝐵, 𝐵𝐵 es independiente de 𝐴𝐴, pues:
𝑃𝑃(𝐴𝐴𝐵𝐵)
𝑃𝑃(𝐴𝐴|𝐵𝐵) = = 𝑃𝑃(𝐴𝐴) ⇒ 𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵)
𝑃𝑃(𝐵𝐵)
𝑃𝑃(𝐴𝐴𝐵𝐵) 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵)

𝑃𝑃(𝐵𝐵|𝐴𝐴) = = = 𝑃𝑃(𝐵𝐵)
𝑃𝑃(𝐴𝐴) 𝑃𝑃(𝐴𝐴)
Acabamos de ver que si 𝐴𝐴 y 𝐵𝐵 son independientes, entonces
𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵)
Esta fórmula constituye una condición necesaria y suficiente para la independencia de dos
sucesos 𝑨 y 𝑩, por lo que puede tomarse como definición con la importante ventaja de ser
simétrica respecto de ambos sucesos.
Ejemplo 6. Si 𝐴𝐴 y 𝐵𝐵 son independientes, demostrar que también lo son 𝐴𝐴 𝑦 𝐵𝐵� , 𝐴𝐴̅ 𝑦 𝐵𝐵, 𝐴𝐴̅ 𝑦 𝐵𝐵�.
Demostración:
𝐴𝐴 = 𝐴𝐴(𝐵𝐵 + 𝐵𝐵� ) = 𝐴𝐴𝐵𝐵 + 𝐴𝐴𝐵𝐵� ⇒ 𝑃𝑃(𝐴𝐴) = 𝑃𝑃(𝐴𝐴𝐵𝐵) + 𝑃𝑃(𝐴𝐴𝐵𝐵� )

Probabilidad 3-21
𝑃𝑃(𝐴𝐴𝐵𝐵� ) = 𝑃𝑃(𝐴𝐴) − 𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴) − 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐴𝐴) · [1 − 𝑃𝑃(𝐵𝐵)] = 𝑃𝑃(𝐴𝐴) · 𝑃𝑃(𝐵𝐵� )
Luego 𝐴𝐴 𝑦 𝐵𝐵� son independientes. La demostración en los otros casos es parecida.
Ejemplo 7. Circuito en serie. El circuito de la siguiente figura funciona sólo si los dos compo-
nentes en serie están operativos. Las probabilidades de que cada componente funcione se
muestran en la figura. Suponiendo que los componentes fallan independientemente, ¿cuál
es la probabilidad de que el circuito funcione?
0´8 0´9
Llamamos 𝐴𝐴 y 𝐵𝐵 a los sucesos que representan que los componentes primero y segundo
funcionan correctamente. La probabilidad de que el circuito funcione es:
𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴)𝑃𝑃(𝐵𝐵) = 0.8 · 0.9 = 0.72
Como puede observarse, la probabilidad de funcionamiento de varios componentes en serie

se degrada, es decir, empeora.
Ejemplo: circuito en paralelo. El siguiente circuito funciona si al menos uno de los dos com-
ponentes está operativo. Las probabilidades de que cada componente funcione se muestran
en la figura. Suponiendo que los componentes fallan independientemente, ¿cuál es la pro-
babilidad de que el circuito funcione?
0´95
0´95
Llamamos 𝐴𝐴 y 𝐵𝐵 a los sucesos que representan que los componentes de arriba y abajo fun-
cionen. La probabilidad buscada puede obtenerse de dos formas.
La primera es que la probabilidad es:
𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) − 𝑃𝑃(𝐴𝐴𝐵𝐵)
Como por independencia es 𝑃𝑃(𝐴𝐴𝐵𝐵) = 𝑃𝑃(𝐴𝐴)𝑃𝑃(𝐵𝐵):
𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵) − 𝑃𝑃(𝐴𝐴)𝑃𝑃(𝐵𝐵) = 0.95 + 0.95 − 0. 952 = 0.9975
La segunda forma es que para un circuito con componentes en paralelo es mejor calcular
primero la probabilidad de fallo, pues en estas condiciones el circuito falla cuando fallan to-
dos los componentes a la vez. Esta probabilidad es:

Probabilidad 3-22
𝑃𝑃(𝐴𝐴̅𝐵𝐵� ) = 𝑃𝑃(𝐴𝐴̅)𝑃𝑃(𝐵𝐵� ) = 0. 952
Luego la probabilidad de funcionamiento es:
𝑃𝑃(𝐴𝐴 + 𝐵𝐵) = 1 − 0. 952 = 0.9975
Interpretación: la probabilidad de funcionamiento de varios componentes en paralelo mejo-

ra, pero ello implica utilizar más componentes con el consiguiente mayor coste.
Ejemplo: circuito compuesto. El siguiente circuito funciona si hay una ruta entre los extre-
mos a y b. Las probabilidades de que cada componente funcione se muestran en la figura.
Suponiendo que los componentes fallan independientemente, ¿cuál es la probabilidad de
que el circuito funcione?
0´9
0´95
a 0´9 0´96 b
0´95
0´9
Para encontrar la probabilidad buscada, partimos el grafo en tres columnas. Sea 𝐴𝐴 el suceso
que representa que hay camino a través de los tres componentes de la izquierda. Esta pro-
babilidad será:
𝑃𝑃(𝐴𝐴) = 1 − 0. 13
Igualmente, sea 𝐵𝐵 el suceso que denota que hay un camino a través de los dos componentes
del medio. Su probabilidad es:
𝑃𝑃(𝐵𝐵) = 1 − 0. 052
La probabilidad de que el sistema completo funcione es:
(1 − 0. 13 )(1 − 0. 052 )(0.96) = 0.9566
14. Problemas
3-1. Se lanzan sucesivamente al azar cinco dados designados por 1, 2, 3, 4 y 5. Se llama “re-
sultado” a una sucesión ordenada de cinco puntuaciones.
a) ¿Cuál es el espacio muestral asociado a este experimento aleatorio?

b) ¿Cuántos resultados posibles hay?
c) Determinar cuántos resultados corresponden a:

Probabilidad 3-23
 un par de la forma (a, a, b, c, d)

 un doble par de la forma (a, a, b, b, c)
 un trío de la forma (a, a, a, b, c)
 un full (a, a, a, b, b)
 un póker (a, a, a, a, b)
 un doble póker (a, a, a, a, a)
 cinco puntos diferentes (a, b, c, d, e)
Solución: a) 𝛺 = {𝐹𝐹1 , 𝐹𝐹2 , 𝐹𝐹3 , 𝐹𝐹4 , 𝐹𝐹5 , 𝐹𝐹6 } 𝐹𝐹𝑖 = 1,2,3,4,5,6 𝑀𝑀 = 1,2,3,4,5, b) 7776, c) Respecti-
vamente: 3600, 1800, 1200, 300, 150, 6 y 720.
3-2. Se elige al azar un número del 1 al 6000, todos igualmente probables. Hallar la probabi-
lidad de que sea múltiplo de 2 ó de 3 ó de 4 ó de 5.
Solución: 11/15=0.7333.
3-3. Se ha fabricado un dado tal que la probabilidad de las distintas caras es proporcional al
cuadrado del número de puntos inscritos en ellas. Calcular la probabilidad de obtener, con
este dado, un número par.
Solución: 56/91 = 0.6154.
3-4. Un padre dice a su hijo: aumentaré el dinero que te doy si ganas dos partidos de tenis
consecutivos de los tres que juegues contra mí y tu madre, cambiando de adversario cada
partido. Si el padre es mejor jugador que la madre, ¿contra quién debe jugar primero? Expli-
que el resultado obtenido.
Solución: Debe jugar primero contra el padre, es decir, la mejor alternativa es jugar primero
contra el padre, después contra la madre y en tercer lugar con el padre.
3-5. Tres periódicos A, B y C se publican en una determinada ciudad. Una encuesta muestra
que un 20% de la población adulta lee A, 16% lee B, 14% lee C, 8% leen A y B, 5% A y C, 4% B
y C. Un 2% leen los tres. Si una persona adulta es seleccionada al azar, encontrar la probabi-
lidad de que:
a) no lea ninguno de los tres periódicos,

b) lea sólo uno de los tres,
c) lea al menos A y B si se conoce que lee al menos un periódico.
3-6. Se tienen tres urnas con la siguiente composición de bolas blancas, B, negras, N y rojas,
R:

Probabilidad 3-24
Composición
Urna B N R
A1 1 2 3
A2 2 3 4
A3 4 7 5
Se elige una urna al azar y se toma una bola. Calcular:
a) Probabilidad de que sea roja.

b) Ha resultado ser blanca. Probabilidad de que proceda de la segunda o tercera urna.
3-7. Se efectúa una inspección de entrada de las piezas que van a formar un stock para el
montaje de un cierto equipo electrónico. La probabilidad de rechazar como defectuosa una
pieza que realmente lo es, es de 0.95. La probabilidad de rechazar como defectuosa una pie-
za que no los es, es de 0.002. Supóngase que las piezas pertenecen a una partida en la que
hay realmente una proporción de defectuosas del 10%. Determinar la probabilidad de que
una pieza aceptada sea realmente correcta.
3-8. Una caja contiene tres monedas: dos normales y una con dos caras. Se elige una mone-
da al azar y se efectúa una tirada. Si sale cara se tira otra vez. Si sale cruz se elige una de las
otras dos monedas y se efectúa otro lanzamiento. Calcular:
a) Probabilidad de obtener dos caras.

b) Probabilidad de que aparezca cruz las dos veces.
c) Supuesto que se ha tirado la misma moneda las dos veces, probabilidad de que sea la
moneda con dos caras.
3-9. Una red de interruptores A, B, C y D se conectan entre las líneas a y a

b según se muestra en la figura. Los interruptores operan eléctricamente
mediante un mecanismo de operación independiente, y todos ellos se
controlan simultáneamente con el mismo impulso, esto es, se intenta
A C
que con un mismo impulso todos los interruptores se cierren (o se abran)
simultáneamente. Cada interruptor tiene una probabilidad p de fallar al m
cerrar o al abrir.
a) ¿Cuál es la probabilidad, supuestos todos los interruptores abier- D

B
tos, de que el circuito entre a y b falle al cerrarse?
b) ¿Cuál es la probabilidad de que deje de abrirse con un solo impulso
suponiendo que todos los interruptores están cerrados? b
Originalmente, el cable m no estaba en el circuito. En este caso volver a calcular las probabi-
lidades de los apartados a) y b). ¿Es aconsejable la instalación del cable m? Estudiar el caso
particular en que p=0.05.

Probabilidad 3-25
3-10. Un sistema contiene cinco componentes que se encuentran conectados entre sí tal
como se muestra en la siguiente figura:
B D
C E
Las probabilidades de que los componentes A, B, C, D y E funcionen adecuadamente son:
𝑝𝐴 = 0.98 𝑝𝐵 = 0.90 𝑝𝐶 = 0.95 𝑝𝐷 = 0.93 𝑝𝐸 = 0.97
Si se supone que el funcionamiento de una componente en particular es independiente del

de las demás, ¿cuál es la probabilidad de que el sistema funcione?
3-11. Los empleados de Conservas Rías Altas pertenecen a tres secciones: administrativa, en-
latado y ventas. La siguiente tabla indica el número de empleados en cada división clasifica-
dos por sexo:
Mujer (M) Hombre (H) Totales

Administrativa (A) 20 30 50
Enlatado (E) 60 140 200
Ventas (V) 100 50 150
Totales 180 220 400
a) Se elige aleatoriamente un empleado:
1. ¿Cuál es la probabilidad de que sea mujer?

2. ¿Cuál es la probabilidad de que trabaje en ventas?
3. ¿Cuál es la probabilidad de que sea hombre y trabaje en la sección administrati-
va?
4. ¿Cuál es la probabilidad de que trabaje en la sección de enlatado, si es mujer?
5. ¿Cuál es la probabilidad de que sea mujer si trabaja en la sección de enlatado?
b) ¿Son los sucesos V y H estadísticamente independientes? ¿Y los sucesos A y M?

c) Calcular las siguientes probabilidades: P(A+M), P(A+ M ), P(E⋅M), P(MA).
3-12. En la red de la figura los fallos en las conexiones son independientes y cada conexión
tiene una probabilidad de fallo igual a p. A puede comunicar con B siempre y cuando haya al
menos una ruta con enlaces en servicio.

Probabilidad 3-26
a) Dado que exactamente cinco enlaces a d g
han fallado, determine la probabilidad

de que A esté comunicado con B.
b) Dado que exactamente cinco enlaces A e f B
han fallado, determine la probabilidad
de que g o h (pero no ambos) funcio-
ne correctamente b c h
c) Dado que a, d y h han fallado, calcule la probabilidad de que A pueda comunicar con B.
3-13. A es un preso en espera de ser juzgado por un delito. Su abogado defensor ha tenido
una entrevista con A de la que ha deducido que la probabilidad de que A sea culpable es de
0.8. Hay dos testigos, B y C, cada uno de los cuales conoce si A es culpable o no.
B es amigo de A y dirá la verdad si A es inocente pero mentirá con probabilidad 0.2 si A es

culpable. C no simpatiza con A y dirá la verdad si A es culpable pero mentirá con probabili-
dad 0.3 si A es inocente.
Dado el anterior modelo de situación:
a) Determinar la probabilidad de que los testigos den un testimonio contrapuesto.

b) ¿Cuál de los dos testigos tiene una probabilidad mayor de cometer perjurio?
c) ¿Cuál es la probabilidad condicionada de que A sea inocente dado que B y C dan un
testimonio contrapuesto?
d) ¿Son los sucesos “B miente” y “C miente” independientes? ¿Son estos sucesos condi-
cionalmente independientes para un observador que conoce si A es culpable o no?
3-14. Iván es un astronauta del proyecto Apolo. El éxito o el fracaso de la misión dependen
del comportamiento de los tres sistemas principales. De acuerdo con los técnicos, los si-
guientes supuestos se aplican en la misión:
• La misión fracasa sólo si fallan dos o más de los sistemas principales.

• La probabilidad de fallo del sistema A es 0.1
• Supuesto que al menos uno de los otros sistemas falla, la probabilidad de fallo del sis-
tema B es 0.5. Si no falla ningún otro sistema, la probabilidad de fallo del Sistema B es
0.1
• Si el sistema A falla, la probabilidad de fallo del sistema C es 0.5. De otra forma, el sis-
tema C no puede fallar.
a) ¿Cuál es la probabilidad de que la misión sea un éxito pero de que el sistema C falle?
b) ¿Cuál es la probabilidad de fallo de los tres sistemas?
c) Dado que al menos un sistema falla, determinar las probabilidades condicionadas:
i) Que el sistema A no falle

ii) Que el sistema C falle

Probabilidad 3-27
iii) Que los sistemas A y B fallen
3-15. La máquina A produce piezas de buena calidad en el 80% de los casos, mientras que
esta proporción es del 90% si las piezas proceden de la máquina B. Se separa una pieza de
cada máquina.
a) ¿Cuál es la probabilidad de que ambas piezas sean defectuosas?

b) ¿Y de que una sea defectuosa y la otra no?
c) Y si se tomaran dos piezas de la producción de un día y ambas resultaran ser buenas,
¿cuál es la probabilidad de que ambas procedan de la máquina B?
d) ¿Y de que una proceda de la máquina A y la otra de la máquina B?
3-16. En una fábrica de televisores las máquinas A, B y C producen respectivamente el 28%,

el 32% y el 40% del total. En la producción de cada máquina el 3%, 4% y el 5% respectiva-
mente son televisores defectuosos.
a) Calcular el porcentaje de productos defectuosos de la producción global.
Se toma al azar un televisor de la producción total y se le encuentra defectuoso. Determinar

las probabilidades de que haya sido producido por:
b) La máquina A
c) La máquina B
d) La máquina C

Est Tema3

Cargado por

Copyright:

Formatos disponibles

Est Tema3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Est Tema3

Cargado por

Copyright:

Formatos disponibles

Capítulo 3

1. Fenómenos aleatorios. .................................................................................................. 1

5. Propiedades fundamentales de las frecuencias............................................................ 10

• Entender y describir espacios muestrales y eventos de experimentos aleatorios con

De los experimentos y observaciones estadísticas se obtienen muestras de las que deseamos

En matemáticas, un conjunto que pueda considerarse en cierto sentido completo, de mane-

A los resultados de un experimento aleatorio que no se pueden descomponer en otros más

Llamamos espacio muestral, 𝛀, al conjunto de todos los sucesos elementales asociados a

(1,1) (1,2) . (1,6)

y consta por tanto de 36 sucesos elementales.

4. El diámetro exterior de los tubos obtenidos en un proceso de producción. El espacio

El espacio muestral, como se ve en los anteriores ejemplos, puede ser:

 finito: consta de un número finito de elementos. Ejemplos 1,2 y 3.

• numerable: si sus elementos pueden ponerse en correspondencia biunívoca con el

3. Operaciones con sucesos

Autor: Alejandro García del Valle

En cambio al espacio muestral Ω se le llama suceso seguro porque realizado el experimento

Intersección de sucesos. Se define la intersección de los sucesos A y B como el suceso 𝐴𝐴 × 𝐵𝐵

(𝐴𝐴 + 𝐵𝐵) + 𝐶 = 𝐴𝐴 + (𝐵𝐵 + 𝐶)

(𝐴𝐴 × 𝐵𝐵) × 𝐶 = 𝐴𝐴 × (𝐵𝐵 × 𝐶)

 Propiedad distributiva de cada una de las operaciones respecto de la otra:

𝐴𝐴 + 𝐵𝐵 × 𝐶 = (𝐴𝐴 + 𝐵𝐵) × (𝐵𝐵 + 𝐶)

La demostración de estas propiedades es sencilla y no se hace aquí.

Autor: Alejandro García del Valle

Estas propiedades se generalizan fácilmente para 𝑛 sucesos:

Dos sucesos 𝐴𝐴 y 𝐵𝐵 se dicen incompatibles cuando su intersección es el suceso imposible, es

Diferencia de sucesos. Se define la diferencia de sucesos 𝐴𝐴 y 𝐵𝐵 como el suceso 𝐴𝐴 − 𝐵𝐵 que se

𝐴𝐴𝑖 × 𝐴𝐴𝑗 = ∅ ∀𝑀𝑀 ≠ 𝐵𝐵

Autor: Alejandro García del Valle

Consideremos un conjunto de n elementos distintos:

𝐴𝐴 = {𝐹𝐹1 , 𝐹𝐹2 , … , 𝐹𝐹𝑛 }

Autor: Alejandro García del Valle

Orden 1 Orden 2 Orden 3

Llamando 𝑉𝑛,𝑟 al número de variaciones de orden r y 𝑉𝑛,𝑟−1 a las de orden 𝑟 − 1, tendremos:

Ley recurrente que permite obtener 𝑉𝑛,𝑟 en función de n y r:

Multiplicando estas igualdades y simplificando, obtenemos:

Igualmente veamos ahora la formación y número de las variaciones con repetición

Al igual que antes consideremos un conjunto de tres elementos:

Autor: Alejandro García del Valle

En la figura de la derecha se observa cómo se for- Orden 1 Orden 2 Orden 3

Ley recurrente de la que obtenemos: a ab abb

Definición: Las permutaciones son las variaciones de 𝒏 elementos de orden 𝒏.

Veamos ahora la formación y número de permutaciones sin repetición, también llamadas

La formación y número de permutaciones con repetición requiere un cálculo más detallado.

Autor: Alejandro García del Valle

Generalizando, si en un conjunto de 𝑛 elementos tenemos 𝑛1 componentes iguales a 𝐹𝐹1 , 𝑛2

El número de permutaciones con repetición de orden 𝑛 será:

Consideremos un conjunto de n elementos distintos:

𝐴𝐴 = {𝐹𝐹1 , 𝐹𝐹2 , … , 𝐹𝐹𝑛 }

Veamos la formación y núme- Orden 1 Orden 2 Orden 3 Orden 4

Autor: Alejandro García del Valle

En general para un conjunto de n elementos, las combinaciones de orden 𝑟 se obtienen a

Calculemos el número de las combinaciones sin repetición. Consideremos la combinación:

(𝐹𝐹1 𝐹𝐹2 𝐹𝐹4 )

Hay 3! = 6 formas de escribir esta combinación:

Nº combinaciones orden r Nº variaciones orden r

𝑉𝑛,𝑟 𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑟 + 1)(𝑛 − 𝑟)(𝑛 − 𝑟 − 1) … 1 𝑛! 𝑛

4.4. Números combinatorios

Se define el número combinatorio 𝑛 sobre 𝑟: