1.

TEORIA DE LA PROBABILIDAD
Introduccin
Importancia de Probabilidades
En muchos problemas frente a incertidumbres tenemos que tomar decisiones.
Durante cunto tiempo funcionara?, Cunto tiempo funcionara?, Cul porcentaje
funcionara?, etc. En la mayora de estos problemas hay que tomar decisiones y la
probabilidad nos ayuda a tomar la decisin ms certera.
Experimento Aleatorio
Los experimentos u operaciones reales o hipotticas pueden dividirse en dos clases:

Determinstico: Si el experimento est completamente determinado y puede

describirse una frmula matemtica o tambin llamado modelo
determinstico.
Ejemplo: Soltar una piedra en el aire. La segunda ley de Newton a=F/m.

No determinstico: Si los resultados del experimento no pueden predecirse

con exactitud antes de realizar el experimento.
Ejemplo: Lanzar una moneda, un dado, etc.

Experimentos Aleatorios: son experimentos no determinstico, cada experimento

puede repetirse indefinidamente sin cambiar la condiciones esenciales y cada uno
de estos experimentos tiene varios posibles resultados que pueden describirse de
antemano como el en caso de la moneda cara o cruz.
Espacio Muestral
Llamamos al espacio muestral asociado a un experimento aleatorio, al conjunto de
todos los posibles resultados de dicho experimento.

Espacio Muestral Discretos: Pueden ser finitos o infinitos. Hay una

correspondencia uno a uno de los elementos con el conjunto de enteros
positivos de modo que pueda ser enumerado.

Espacio Muestra Continuo: Si tiene un nmero no numerable de elementos.

Es decir, cuyo elementos son todos los puntos de algn intervalo.

Sucesos o Eventos
Se llama evento a cualquier subconjunto del espacio muestral (posibles resultados).
Y suceso a todo elemento de un espacio muestral.
Probabilidades: definicin clsica y frecuencia relativa.
Definicin Clsica
La posibilidad de un evento es la razn entre el nmero de sucesos favorables y el
nmero total de sucesos posibles, siempre que nada obligue a creer que algunos de
estos sucesos debe tener preferencia a los dems, lo que hace que todos sean
igualmente posibles.

P [a ]=

N (a) Numero de sucesos favorables a A

=
N ()
Numero de casos posibles

Ejemplo: Si se lanza una moneda tres veces. Calcular la probabilidad que ocurran:
a) dos caras, b) al menos dos caras, c) a los mas dos caras.
Espacio muestral =
={ccc, ccs, csc, scc, css, scs, ssc, sss} N()=8
a) Suceso: Ocurres dos Caras
Los sucesos Favorables a A son (ccs, csc, scc,) entonces N(A)=3
Por lo tanto P[A]=
b) Suceso: Ocurre al menos dos Caras
Los sucesos favorables al evento B son (ccs, csc, scc, ccc) entonces N(B)=4
Por lo tanto P[B]= 4/8 =
c) Suceso: Ocurre a lo mas dos caras.
Suceso favorable a C son (sss, ssc, scs, css, ccs, csc, scc) entonces N(C)= 7
Por lo tanto P[C]= 7/8
Definicin por Frecuencia Relativa
Si un experimento bien definido se repite n veces, sea Na < n el nmero de veces
que el evento A ocurre en los ensayos, entonces la frecuencia relativa de veces que
ocurre el evento A Na/n, es la estimacin de la probabilidad ocurra este evento.
Ejemplo: Una muestra aleatorio de 10 fabricas que emplean un total de 10.000
personas, demostr que ocurrieron 500 accidentes de trabajo durante un periodo
reciente de 12 meses. Hallar la probabilidad de un accidente de trabajo en una
industria determinada.
n= 10.000 nmero de veces que se repite el experimento.
Suceso, evento A: un accidente de trabajo en la industria determinada.
Entonces N(A) = 500
P[A] = 500/10.000 = 0.05
*Ya que este valor de la probabilidad se basa en una muestra, por lo tanto es una
estimacin del valor real desconocido. Se supone implcitamente que las formas de
seguridad no han cambiado desde que se realizo el muestreo.
Probabilidad Subjetiva
La probabilidad subjetiva se usa cuando no pueden aplicarse la definicin clsica
(casos favorables sobre casos posibles) ni la emprica (veces que sucedi el evento
sobre cantidad de experimentos cuando n tiende a infinito). Subjetiva es porque no
se basa en razones concluyentes sino que se completa el desconocimiento con la
intuicin.
Ejemplos:

1) Probabilidad de vida inteligente en el sistema solar.

2 )Probabilidad de que me guste una nueva comida.
3) Probabilidad de aprobar un examen.
Relacin con la probabilidad con la teora de conjuntos.
Hemos identificado el espacio muestral con el conjunto universal de la teora de
conjuntos, y los eventos como subconjuntos del espacio muestral. Identificamos
tambin el conjunto vacio () de la teora de conjuntos con el evento imposible, esto
es, un evento que no ocurre. Por ejemplo lanzar dos dados y que la suma me de 14,
es un evento imposible. Al espacio muestral se llama evento seguro.
De esta manera de revisin de la teora de conjuntos en el lenguaje de eventos. Es
decir desde que los eventos son tomados como conjuntos, las operaciones de
elementos de algebra es decir; interseccin unin, inclusin sern definida para
eventos; las leyes y propiedades de la teora de conjuntos son validas.
Reglas de la Adicin
La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos
sucesos A y B es igual a:
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente
P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes
Siendo: P(A) = probabilidad de ocurrencia del evento A
P(B) = probabilidad de ocurrencia del evento B
P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B
Reglas de Multiplicacin
Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms
eventos. Es decir la interseccin entre los conjuntos de los posibles valores de A y
los valores de B, esto quiere decir que la probabilidad de que ocurran
conjuntamente los eventos A y B es:
P(A y B) = P(A B) = P(A)P(B) si A y B son independientes
P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes
P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes

2. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Probabilidad condicional Probabilidad condicional es la probabilidad de que

ocurra un evento A, sabiendo que tambin sucede otro evento B. La probabilidad
condicional se escribe P(A|B), y se lee la probabilidad de A dado B.
No tiene por qu haber una relacin causal o temporal entre A y B. A puede
preceder en el tiempo a B, sucederlo o pueden ocurrir simultneamente. A puede
causar B, viceversa o pueden no tener relacin causal

P( AB)=

P( A B)
P (B)

Donde :

P( AB)

= probabilidad de que ocurra A dado B

P( A B) = probabilidad de que ocurra A y B a un mismo tiempo

P( B)

= probabilidad de que ocurra B

Eventos Independientes
Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un
evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o
eventos). Un caso tpico de eventos independiente es el muestreo con reposicin, es
decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se
obtuvo.
Si A y B son cualesquier eventos en el espacio muestral, tales que P(A) > 0 y P(B) >
0, decimos que A es independiente de B si y solo si

P( AB)=

P(A)

e implica que

P( B A)=P(B)

Eventos dependientes
Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno
de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos
este caso, empleamos entonces, el concepto de probabilidad condicional para
denominar la probabilidad del evento relacionado. La expresin P (A|B) indica la
probabilidad de ocurrencia del evento A s el evento B ya ocurri.
Se debe tener claro que A|B no es una fraccin.

P( AB)=

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

Tipos de eventos o sucesos

Sucesos o eventos mutuamente excluyentes: Dos o ms sucesos son

mutuamente excluyentes si la ocurrencia de uno cualquiera de ellos,
imposibilita la ocurrencia de los otros.

De la teora de conjuntos se sabe que dos o ms conjuntos que no tengan puntos

muestrales en comn su interseccin es nula.
La probabilidad de ocurrencia de E 1 o E2, es la suma de las probabilidades de cada
uno.

P { E1 E2 }=P { E1 E2 }=P { E 1 }+ P { E 2 }
-

Eventos solapados: Dos eventos E1 y E2, son solapados si tienen puntos

mustrales comunes, los puntos muestrales comunes a E 1 y E2, forman un
subconjunto llamado interseccin de E1 y E2, y se representa por E1

E2.

La frmula para calcular la probabilidad de dos eventos solapados es:

P { E1 E 2} =P { E1 E2 }=P { E 1 }+ { E2 }P { E1 E2 }
Donde:

P { E1 E 2 }=P { E1 } P [ E2 ]

Frmula para tres eventos solapados:

P { E1 E 2 E3 } =P { E 1 }+ { E2 } + P { E3 } =P { E 1 } + P { E 2 } + P { E3 }P { E1 E2 } { E1 E3 }P { E 2 E3 } + P { E1 E2 E
-

Eventos complementarios: Dos eventos E1 y E2, son complementarios si el

segundo es un subconjunto que contiene todos los puntos mustrales del
espacio muestral que no estn en el primero. Los eventos complementarios, son
a su vez mutuamente excluyentes:

E1 E 2=S y E 1 E2 =

S, representa el espacio muestral

^
E , es el complementario de E, es decir,

^
E

es lo que le falta a E, para se igual a

S.

^
E , se lee complementario de E No E
La probabilidad del espacio muestral es 1;

^ }=1
P { S }=P { E } + P { E

P { S }=1, por loque se tiene :

P {^
E }=P { S }P { E } = 1P { E }
-

Eventos independientes: Dos eventos E1 y E2 son independientes cuando la

ocurrencia o no ocurrencia de uno de ellos en una prueba, no afecta la
probabilidad del otro en cualquier otra prueba.
En el lanzamiento de una moneda la probabilidad de obtener cara es y la
probabilidad de obtener otra cara en otra prueba, es tambin . Por lo que los dos
eventos E1 y E2.
La frmula para buscar la probabilidad de que E 1 y E2, aparezcan cuando sean
independientes es:

P { E1 E2 } = p { E1 y E2 } =P { E 1 . E2 } =P { E 1 } . P { E2 }
EJEMPLO:
I.

Se lanzan dos dados simultneamente. Uno verde y uno rojo. Cul es la

probabilidad de que

V 4 y R 2?

Procedimiento:
1. Se construye el espacio muestral (en un diagrama cartesiano), sealando los
puntos muestrales para cada dado.
2. Para el dado rojo existen 12 puntos mustrales, que resultan de la
combinacin (1 y 2) con los puntos (1, 2, 3, 4, 5,6) del dado verde.
3.

Para el dado verde existen 18 puntos muestrales al combinar los puntos (4, 5
y 6), con los (1, 2, 3, 4, 5, 6) del dado rojo.

4. Se calcula la probabilidad para cada evento:

P { E1 }=P { V 4 } =

18 1
12 1
= ; P { E2 } =P { R 2 }= =
36 2
36 3

5. Se sustituye en la frmula para eventos independientes:

1 1 1
P { E1 y E2 } =P {V 4 y R 2 }=P { E 1 } . P { E2 }= =
2 3 6
6. Tambin se obtiene el mismo resultado dividiendo los puntos muestrales de
la interseccin de los dos eventos, por la cantidad de puntos muestrales del
espacio muestral.

7. Interpretacin: Si se lanzan dos dados simultneamente, uno rojo y otro

verde, la probabilidad de que el verde muestre una cara con nmeros
mayores o iguales a 4 y el rojo, menores o iguales a dos, es de 1/6.
Teorema de Las Probabilidades Totales
El Teorema de la probabilidad total nos permite calcular la probabilidad de un
suceso a partir de probabilidades condicionadas:
Ejemplo: supongamos que si llueve la probabilidad de que ocurra un accidentes es x
% y si hace buen tiempo dicha probabilidad es y%. Este teorema nos permite
deducir cul es la probabilidad de que ocurra un accidente si conocemos la
probabilidad de que llueva y la probabilidad de que haga buen tiempo.
La frmula para calcular esta probabilidad es:

Es decir, la probabilidad de que ocurra el suceso B (en nuestro ejemplo, que ocurra
un accidente) es igual a la suma de multiplicar cada una de las probabilidades
condicionadas de este suceso con los diferentes sucesos A (probabilidad de un
accidente cuando llueve y cuando hace buen tiempo) por la probabilidad de cada
suceso A.
Para que este teorema se pueda aplicar hace falta cumplir un requisito:
Los sucesos A tienen que formar un sistema completo, es decir, que contemplen
todas las posibilidades (la suma de sus probabilidades debe ser el 100%).
Ejemplo: al tirar una moneda, el suceso "salir cara" y el suceso "salir cruz" forman
un sistema completo, no hay ms alternativas: la suma de sus probabilidades es el
100%
Ejercicio 1: En un saquito hay papeletas de tres colores, con las siguientes
probabilidades de ser elegidas:
a) Amarilla: probabilidad del 50%.
b) Verde: probabilidad del 30%
c) Roja: probabilidad del 20%.
Segn el color de la papeleta elegida, podrs participar en diferentes sorteos. As, si
la papeleta elegida es:
a) Amarilla: participas en un sorteo con una probabilidad de ganar del 40%.
b) Verde: participas en otro sorteo con una probabilidad de ganar del 60%
c) Roja: participas en un tercer sorteo con una probabilidad de ganar del 80%.

Con esta informacin, qu probabilidad tienes de ganar el sorteo en el que

participes?:
1.- Las tres papeletas forman un sistema completo: sus probabilidades suman 100%
2.- Aplicamos la frmula:

Luego,
P (B) = (0,50 * 0,40) + (0,30 * 0,60) + (0,20 * 0,80) = 0,54
Por tanto, la probabilidad de que ganes el sorteo es del 54%
Teorema de Bayes
El Teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el
Teorema de la probabilidad total:
Teorema de la probabilidad total: a partir de las probabilidades del suceso A
(probabilidad de que llueva o de que haga buen tiempo) deducimos la probabilidad
del suceso B (que ocurra un accidente).
A partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las
probabilidades del suceso A (estaba lloviendo o haca buen tiempo?).
La frmula del Teorema de Bayes es:

Tratar de explicar estar frmula con palabras es un galimatas, as que vamos a

intentar explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio,
recordar que este teorema tambin exige que el suceso A forme un sistema
completo.
Ejercicio 1: El parte meteorolgico ha anunciado tres posibilidades para el fin de
semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un
accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 10%.
b) Si nieva: probabilidad de accidente del 20%
c) Si hay niebla: probabilidad de accidente del 5%.

Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad

no sabemos qu tiempo hizo (nev, llovi o hubo niebla). El teorema de Bayes nos
permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente
se denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y
niebla con el 10%).
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las
probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que
se denominan "probabilidades a posteriori".
Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el da del accidente

(probabilidad a posteriori) es del 71,4%.
b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:

3. ESPACIO MUESTRAL FINITO

Sea el espacio muestral, que contiene n elementos a1, a2, a3,.....,an, si a cada uno
de los elementos de le asignamos una probabilidad p i 0, entonces estamos
transformando este espacio muestral en un espacio finito de probabilidad; el que
debe cumplir con las siguientes caractersticas:

1) Las probabilidades asociadas a cada uno de los elementos de deben ser

mayores o iguales a cero, pi0.
2 2) La sumatoria de las probabilidades asociadas a cada uno de los elementos de
debe de ser igual a 1. pi = 1
En caso de que no se cumpla con las caractersticas antes mencionadas, entonces
no se trata de un espacio finito de probabilidad.
1

Ejemplos:
1. Se lanza al aire un dado normal, si la probabilidad de que aparezca una de
sus caras es proporcional al nmero que ostenta, a) cul es la probabilidad
de que aparezca un nmero par?, b) cul es la probabilidad de que aparezca
un nmero primo?
Solucin:
= 1, 2, 3, 4, 5, 6
En este caso asignaremos las probabilidades como sigue;
p(aparezca el nmero 1) = p, p(aparezca el nmero 2) = 2p, .....,
p(aparezca el nmero 5) = 5p, p(aparezca el nmero 6) = 6p
Y por ser un espacio finito de probabilidad, entonces,
p() = p + 2p + 3p + 4p + 5p + 6p =1
Por tanto, 21p = 1, luego, p = 1/21
a

a. Luego;

A = evento de que aparezca un nmero par = 2, 4, 6

p(A)=p(2)+p(4) + p(6) = 2p + 4p + 6p = 12p = 12(1/21) = 12/21= 0.5714
b

b. B = es el evento de que aparezca un nmero primo = 1, 2, 3, 5

p(B)=p(1) + p(2) + p(3) + p(5) = p + 2p + 3p + 5p = 11p = 11(1/21) = 11/21 =

0.5238
Resultados Igualmente Probables:
Designa los resultados de un experimento que tienen la misma oportunidad
de suceder.
Es igualmente probable obtener 1 a 6 al tirar un dado normal.

4. ANALISIS COMBINATORIO: PERMUTACIONES Y COMBINACIONES

Permutaciones
Hay dos tipos de permutaciones:
1. Se permite repetir: como la cerradura de arriba, podra ser "333".
2. Sin repeticin: por ejemplo los tres primeros en una carrera. No puedes
quedar primero y segundo a la vez.
1. Permutaciones con repeticin
Son las ms fciles de calcular. Si tienes n cosas para elegir y eliges r de ellas, las
permutaciones posibles son:
n n ... (r veces) = nr
(Porque hay n posibilidades para la primera eleccin, DESPUS hay n posibilidades
para la segunda eleccin, y as.)
Por ejemplo en la cerradura de arriba, hay 10 nmeros para elegir (0,1,...,9) y eliges
3 de ellos:
10 10 ... (3 veces) = 103 = 1000 permutaciones
As que la frmula es simplemente:
nr
donde n es el nmero de cosas que puedes elegir, y eliges r de ellas
(Se puede repetir, el orden importa)
2. Permutaciones sin repeticin
En este caso, se reduce el nmero de opciones en cada paso.
Por ejemplo, cmo podras ordenar 16 bolas de billar?, Despues de elegir por
ejemplo la "14" no puedes elegirla otra vez.
As que tu primera eleccin tiene 16 posibilidades, y tu siguiente eleccin tiene 15
posibilidades, despus 14, 13, etc. Y el total de permutaciones sera:
16 15 14 13 ... = 20,922,789,888,000
Pero a lo mejor no quieres elegirlas todas, slo 3 de ellas, as que sera solamente:
16 15 14 = 3360
Es decir, hay 3,360 maneras diferentes de elegir 3 bolas de billar de entre 16.
Pero cmo lo escribimos matemticamente? Respuesta: usamos la "funcin
factorial"

La funcin factorial (smbolo: !) significa que se

multiplican nmeros descendentes. Ejemplos:

4! = 4 3 2 1 = 24

7! = 7 6 5 4 3 2 1 = 5040

1! = 1

Nota: en general se est de acuerdo en que 0! = 1. Puede que

parezca curioso que no multiplicar ningn nmero d 1, pero ayuda
a simplificar muchas ecuaciones.
As que si quieres elegir todas las bolas de billar las permutaciones seran:
16! = 20,922,789,888,000
Pero si slo quieres elegir 3, tienes que dejar de multiplicar despus de 14. Cmo
lo escribimos? Hay un buen truco... dividimos entre 13!...
16 15 14 13 12 ...
= 16 15 14 = 3360
13 12 ...
Lo ves? 16! / 13! = 16 15 14
La frmula se escribe:

donde n es el nmero de cosas que puedes elegir, y eliges r

de
ellas
(No se puede repetir, el orden importa)
Ejemplos:
Nuestro "ejemplo de elegir en orden 3 bolas de 16" sera:
16!

16!
=

(16-3)!

20,922,789,888,000
=

13!

= 3360
6,227,020,800

De cuntas maneras se pueden dar primer y segundo premio entre 10 personas?

10!

10!

3,628,800

= 90

(10-2)!

8!

40,320

(que es lo mismo que: 10 9 = 90)

Notacin
En lugar de escribir toda la frmula, la gente usa otras notaciones como:

Combinaciones
Tambin hay dos tipos de combinaciones (recuerda que ahora el orden no importa):
1. Se puede repetir: como monedas en tu bolsillo (5,5,5,10,10)
2. Sin repeticin: como nmeros de lotera (2,14,15,27,30,33)
1. Combinaciones con repeticin
En realidad son las ms difciles de explicar, as que las dejamos para luego.
2. Combinaciones sin repeticin
As funciona la lotera. Los nmeros se eligen de uno en uno, y si tienes los nmeros
de la suerte (da igual el orden) entonces has ganado!
La manera ms fcil de explicarlo es:

imaginemos que el orden s importa (permutaciones),

despus lo cambiamos para que el orden no importe.

Volviendo a las bolas de billar, digamos que queremos saber qu 3 bolas se

eligieron, no el orden.
Ya sabemos que 3 de 16 dan 3360 permutaciones.
Pero muchas de ellas son iguales para nosotros, porque no nos importa el orden.
Por ejemplo, digamos que se tomaron las bolas 1, 2 y 3. Las posibilidades son:
El orden
1
1
2
2
3
321

importa
2
3
1
3
1

El orden no importa
3
2
3
123
1
2

As que las permutaciones son 6 veces ms posibilidades.

De hecho hay una manera fcil de saber de cuntas maneras "1 2 3" se pueden
ordenar, y ya la sabemos. La respuesta es:
3! = 3 2 1 = 6
(Otro ejemplo: 4 cosas se pueden ordenar de 4! = 4 3 2 1 = 24 maneras
distintas, prueba t mismo!)
As que slo tenemos que ajustar nuestra frmula de permutaciones para reducir
por las maneras de ordenar los objetos elegidos (porque no nos interesa
ordenarlos):

Esta frmula es tan importante que normalmente se la escribe con grandes

parntesis, as:

donde n es el nmero de cosas que

puedes elegir, y eliges r de ellas
(No se puede repetir, el orden no
importa)
Y se la llama "coeficiente binomial

5. VARIABLES ALEATORIAS
Sabemos que no todo espacio muestral asociado a un experimento aleatorio esta
constituido por elementos numricos, si no que en muchos casos son abstractos
como el lanzamiento de una moneda tenamos resultados como csc, ssc, ccs, etc.
Una variable X se dice que es aleatoria cuando toma valores co determinada
probabilidad. Si X toma valores discretos( de modo que entre dos valores
consecutivos no se alcanza todos lo intermedios) se dice que es discreta; si toma
todos los valores dentro de un intervalos se dice que es continua.
Esperanza Matemtica
Sea X una Variable Aleatoria discreta o continua. Se denomina esperanza

E (X )
matemtica de X o valor esperado,
como,

o bien , a la cantidad que se expresada

E(X) x i f(x i )
x

E(X) x i f(x i )dx

respectivamente.

Ahora bien, ello es vlido para transformaciones de la variable aleatoria, de forma que

E (h (X )) h ( x ) f ( x )dx

En el caso continuo y similarmente para el caso discreto

Por las analogas existentes entre la definicin de media aritmtica y esperanza matemtica, las
propiedades de linealidad de la primera se trasladan a la segunda, de forma que se puede obtener,
E (a bX ) a bE (X )
E (X E (X )) E (X ) E (X ) 0

Ejemplo. Si X es el nmero de puntos obtenidos al lanzar un dado de seis caras,

encontremos el valor esperado de la variable aleatoria Y = X 2 .
La funcin de probabilidad de X es f(x) = 1/6 si x{1,2,3,4,5,6}. La funcin de
probabilidad
de Y = X2 es entonces f(y) = 1/6 si y{1,4,9,16,25,36}, as E(Y) = 1/*1 + 1/*4 +
1/*9 + 1/*16 + 1/*25 + 1/*36 = *P(X=1) + 22*P(X= 2) + 32*P(X= 3) + 42*P(X=
4) + 52*P(X= 5) + 62*P(X= 6) = X2*P(X=x)
Ejemplo. Supongamos ahora que X es una v.a. que tiene funcin de probabilidad
f(x) = 1/6 si x{-2,-1,0,1,2,3}y Y = X2 . La funcin de probabilidad de Y es f(y) = 2/6
si y{1, 4} y f(y) = 1/6 si y{0, 9}. Entonces E(Y) = 2/*1 + 2/*4 + 1/*0 + 1/*9.
Esta ecuacin puede escribirse de la siguiente manera: E(Y) = 2/*1 + 2/4 + 1/*0
+ 1/*9 = *P(Y=1) + *P(Y=4) + *P(Y=0) + *P(Y=1) = 12*P(X=1 X=-1) +
22*P(X=2 X=-2) + 02*P(X=0) + 32*P(X=3) = X2*P(X=x)

A travs de estos ejemplos vemos que no es necesario calcular la funcin de

probabilidad de Y, slo tenemos que usar la funcin de probabilidad de X y los
valores obtenidos al aplicar la
funcin Y = g(X) = X 2 . Esto es cierto an en el caso en que la funcin no es unouno.
LA VARIANZA
La varianza la denotamos mediante V(X) o VAR(X) o 2, y se calcula como,

V(X) E X E(X)
2

E(X) .f(x i ) X Discreta

2

x E(X)

.f(x)dx X Continua

Obsrvese que del mismo modo en que se demuestra la relacin se comprueba que
V(X)=E(X2)-(E(X))2
Similarmente, V(a+bX)=b2.V(X)=b22

Ejemplo. Consideramos una variable aleatoria discreta con funcin de probabilidad,

c
x 1
f(x) 4 x
0 otro caso

Obtener el valor de la constante c para que sea una funcin de probabilidad, los valores de las
funciones de probabilidad y distribucin para todos los valores de x, y P(x=3), y P(x3).

Solucin: Para ello consideramos,

4
x 1

1
1
c
1

c 1 2 3
3
4
4
4

ya que tenemos la suma de una progresin geomtrica de razn menor que la unidad:

Calculemos sucesivos valores de f(x) y F(x),

x

f(x)

3/4

3/16

3/64

3/256

F(x)

0.75

0.94

0.987

0.999

Y como se observa que: si x crece, f(x) decrece y F(x) crece hasta llegar a su mximo valor 1
P(X=3)=f(3)=0.047

P(X3)=0.987

Ejemplo para la variable aleatoria continua, funcin de densidad

f(x)

cx 3 0 x 1
0 otro caso

Hallar: El valor de la constante c para que sea una funcin de densidad, la funcin de
distribucin, el valor medio, y la probabilidad de que la variable este comprendida entre 0,2 y 0,7
Solucin. Consideremos,
x4
cx
dx

c
0
4
1

c
4

La cual debe ser de valor 1, entonces c/4=1, esto es, c=4

x4
F( x ) f ( x )dx 4 x dx 4

4
x

x4

luego, la funcin de distincin acumulada es F(x)=x 4 para 0<x1, 0 en valores x0

y 1 para x1

El valor medio es:

x5
E (X ) x f ( x )dx x 4x dx 4

0
5

0 .8

P(0.2x0.7)=F(0.7)-F(0.2)=0.72-0.22=0.24

6. DISTRIBUCIONES O MODELOS DE PROBABILIDAD

Distribucin Binomial
Cuando en un solo ensayo de algn proceso o experimento puede ocurrir slo uno
de dos resultados mutuamente excluyentes, llamados (arbitrariamente) como xito
o fracaso, se denomina Ensayo de Bernoulli.
Una secuencia de ensayos Bernoulli, repetidos n veces, se denomina Distribucin
Binomial.
-Nmero de frutas daadas en un cajn de n = 100. Siendo p = 0.80
-Nmero de TV con defectos en un lote de n =300. Siendo p = 0.10

Propiedades de la Distribucin Binomial

El experimento se repite un nmero n de veces (ensayos).

En cada ensayo ocurre uno de dos posibles resultados, mutuamente excluyentes
y colectivamente exhaustivos, denominados (arbitrariamente) xito y fracaso.
La probabilidad de un xito, se denota por p, y es constante de ensayo en
ensayo, al igual que la probabilidad de fracaso, 1 - p.
Los ensayos son independientes, esto significa que el resultado de algn ensayo
en particular, no es afectado por el resultado de cualquier otro ensayo.
Modelo matemtico
Parmetros
E(X) = n * p V(X) = n * p * (1 - p)
Distribucin de Poisson
Como un proceso estocstico
Muchos hechos no ocurren como resultado de un nmero definido de pruebas sino
como puntos definidos en Tiempo, Espacio o Volumen al azar.
o
o

Nmero de accidentes / da.

Nmero de vehculos que transitan por un determinado lugar / hora.

Nmero de defectos / cm2.

o Nmero de bacterias / cm3.
Propiedades de la Distribucin Poisson
o

El nmero de ocurrencias del hecho es independiente de una unidad (intervalo

de tiempo, espacio, volumen, etc.) especificado a otra.
El valor esperado de la variable es proporcional al tamao de la unidad
especificada.
La probabilidad de ms de una ocurrencia del hecho en una unidad especificada
es despreciable (pequea) en comparacin con la probabilidad de que ocurra una
sola vez.
Modelo matemtico
Parmetros
E(X) = n* p = V(X) =

Como Lmite de la Binomial

Caractersticas:
p chico (< 0.01) n grande (> 100)
Distribucin Geomtrica
Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un
xito por primera y nica vez en el ltimo ensayo que se realiza del experimento,
para obtener la frmula de esta distribucin, haremos uso de un ejemplo.
Ejemplo:
Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de
que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello
es de 1/3, Determine la probabilidad de que en el ltimo lanzamiento aparezca una
guila.
Solucin:
Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos
de la moneda, observaremos que la nica rama de ese rbol que nos interesa es
aquella en donde aparecen 7 sellos seguidos y por ltimo una guila; como se
muestra a continuacin:
SSSSSSSA
S denotamos;
x = el nmero de repeticiones del experimento necesarias para que ocurra un xito
por primera y nica vez = 8 lanzamientos

p = probabilidad de que aparezca una guila = p( xito) = 2/3

q = probabilidad de que aparezca un sello = p(fracaso) = 1/3
Entonces la probabilidad buscada sera;
P(aparezca
una
guila
en
lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

el

ltimo

x 1
=q*q*q*q*q*q*q*p = q p
Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta
distribucin sera;

p( x ) q x1 p
Donde:
p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez
p = probabilidad de xito
q = probabilidad de fracaso
Resolviendo el problema de ejemplo;
x = 8 lanzamientos necesarios para que aparezca por primera vez una guila
p = 2/3 probabilidad de que aparezca una guila
q = 1/3 probabilidad de que aparezca un sello
81
p(x=8) = ( 1 / 3 ) ( 2 / 3 ) 0.0003048

Distribucion Hipergeometrica
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de
resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los dems.
d) El nmero de repeticiones del experimento (n) es constante.
Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos
al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos?

C* C
Solucin:
p( x , n ) a x N a n x
Luego;
N Cn
donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados
a

C x * N a C n x muestras de n objetos en donde hay x que son defectuosos y n-x

buenos

C n todas las muestras posibles de seleccionar de n objetos tomadas de entre

N objetos en total = espacio muestral

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2
sean defectuosos?
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

p( x 2 ,n 4 )

C2*10 3 C4 2
10 C4

3!
7!
*
C* C
( 3 2 )! 2! ( 7 2 )! 2!
3 2 7 2

10!
10 C4
( 10 4 )! 4!

3!
7!
3 x 2 x1! 7 x6 x5!
*
*
5!2! 3 x 2 x 7 x6 * 4!
1!2! 5!2! 1!2!
10!
10 x9 x8 x7 x6!
10 x9 x8 x7 2!2!
6!4!
6! 4!
donde:

3x 2 x7 x6

10 x9 x8 x7 probabilidad asociada a cada muestra de 4 objetos que se seleccionaron,

con lo que se demuestra que las probabilidades no son constantes

4!

2!2! formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados

= muestras de 4 objetos entre los que 2 son defectuosos
Como se observa en el desarrollo de la solucin del problema, la pretensin es
demostrar que las probabilidades asociadas a cada uno de los resultados no son
constantes.
Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al
azar sera:

3 x 2 x7 x 6
4!
252 24 6048
*

0.30
10 x9 x8 x7 2!2! 5040 4 20160

Distribucin Multinomial
Caractersticas:

a) Al llevar a cabo un experimento con esta distribucin se esperan ms de

dos tipos de resultados.
b b) Las probabilidades asociadas a cada uno de los resultados son constantes.
c c) Cada uno de los ensayos o repeticiones del experimento son
independientes.
d d) El nmero de repeticiones del experimento, n es constante.
Al igual que hicimos con la distribucin binomial, en este caso partiremos de un
ejemplo para obtener la frmula general para resolver problemas que tengan este
tipo de distribucin.
Ejemplo:
Se lanza al aire un dado normal, 5 veces, determine la probabilidad de que
aparezca dos nmeros uno, dos nmeros tres y un nmero cinco.
Solucin:
Si pensamos en la forma que se han resuelto otros problemas, lo primero que se me
ocurre es trazar un diagrama de rbol que nos muestre los 5 lanzamientos del dado;
esto sera muy laborioso, y se muestra parte del mismo a continuacin
1

4.....

2 lanzamiento
5

6
5lanzamiento
1

2
3
A

4
5
6

1
2

1er lanzamiento

2 lanzamiento

4
5
6
Del diagrama de rbol se obtendra el espacio muestral y enseguida se
determinaran las probabilidades requeridas. En lugar de lo anterior, obtendremos
una frmula a partir de la siguiente expresin:
p(aparezcan dos unos, dos tres y un cinco)=(nmero de ramas en donde haya dos
unos, dos tres y un cinco)(probabilidad asociada a cada una de las ramas)
Para esto definiremos lo siguiente:
n = nmero de lanzamientos del dado
x1 = nmero de veces que aparece el nmero
x2 = nmero de veces que aparece el nmero
x3 = nmero de veces que aparece el nmero
x4 = nmero de veces que aparece el nmero

1
2
3
4

=
=
=
=

2
0
2
0

x5 = nmero de veces que aparece el nmero 5 = 1

p1 = probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6
p4 = probabilidad de que aparezca el nmero 4 = 1/6
p5 = probabilidad de que aparezca el nmero 5 = 1/6
p6 = probabilidad de que aparezca el nmero 6 = 1/6
Luego, cmo obtendremos el nmero de ramas donde aparecen dos nmeros 1,
dos nmeros 3 y un nmero 5?
Enunciando algunas de las ramas, tenemos lo siguiente;
(1, 1, 5, 3, 3), (5, 1, 1, 3, 3), (1, 3, 3, 1, 5), ... etc, etc.
Qu tipo de arreglos son estos, combinaciones, permutaciones o que?
SON PERMUTACIONES EN DONDE HAY OBJETOS IGUALES.
Por tanto el nmero de ramas se puede obtener de la siguiente manera:

El nmero de ramas
5

Y en forma general,

P2 ,2 ,1

Px1 ,x2 ,... xk

=
5!
120

30
2!2!1! n! 4

x1 ! x 2 !... x k !

Luego la probabilidad asociada a cada una de las ramas, sera;

p(asociada
a
cada
una
p(#1)p(#1)p(#3)p(#3)p(#5)=p1*p1*p3*p3*p5=

de

las

ramas)

=p12*p32*p5
Por tanto la frmula general ser:

p( x1 , x2 ,...x k , n )

n!
x
x
xk
p1 1 p 2 2 .... p k
x1 ! x 2 !... xk !

Donde:
p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos del
primer tipo, x2 objetos del segundo tipo.......y xk objetos del ltimo tipo.
n = x1+x2+....xk

Resolviendo el ejemplo;
n=5
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 3 = 2
x3 = nmero de veces que aparece el nmero 5 = 1
p1= probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6

p ( x1 1, x2 2, x3 1,n 5 )

5!
( 1 / 6 )2 ( 1 / 6 )2 ( 1 / 6 )1 ( 30 )( 0.0001286 ) 0.003858
2!2!1!

Bibliografa
Libro: Probabilidades y inferencia estadstica, Rufino Moya & Gregorio Saravia.
http://rosebelprobabilidadyestadistica.blogspot.com/2011/04/eventos-dependientesindependientes-y.html