Probabilidad y Estadı́stica

Apunte teórico práctico

Gonzalo Blanco
Andrés D’Onofrio

2024
ii
Índice general

1. Probabilidad 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1. Definición axiomática de probabilidad . . . . . . . . . . . . . . . . . . 5
1.3. Espacio Muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1. Espacio Muestral Finito . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Técnicas de conteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.2. Combinatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.3. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6.1. Teorema de la Multiplicación . . . . . . . . . . . . . . . . . . . . . . 18
1.6.2. Teorema de la Probabilidad Total . . . . . . . . . . . . . . . . . . . . 19
1.6.3. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.4. Independencia estadı́stica . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.8. Ley de los grandes números . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2. Variables aleatorias 25
2.1. Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.1. Esperanza de una variable aleatoria discreta . . . . . . . . . . . . . . 28
2.1.2. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.3. Distribución Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.4. Distribución de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3. Variable aleatoria continua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.1. Esperanza y varianza de una variable alaeatoria continua . . . . . . . 43
2.3.2. Funciones de distribución de probabilidad . . . . . . . . . . . . . . . 43
2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3. Variable Aleatoria Bidimensional 57

3.1. Distribución de probabilidad marginal . . . . . . . . . . . . . . . . . . . . . 58
3.2. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3. Independencia estadı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.4. Función de una variable aleatoria bidimensional . . . . . . . . . . . . . . . . 62

iii
iv ÍNDICE GENERAL

3.5. Ley de Propagación de errores . . . . . . . . . . . . . . . . . . . . . . . . . . 64

3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4. Estadı́stica 69
4.1. Estadı́stica Descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.1.1. Distribución de frecuencias e histograma . . . . . . . . . . . . . . . . 69
4.1.2. Diagrama de tallo y hoja . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.3. Medidas de localización . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.4. Medidas de variabilidad . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.1.5. Diagrama de Caja . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3. Teorema del Lı́mite central . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

5. Estimación puntual 83
5.1. Muestreo Aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1.1. Estadı́sticos usuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.1.2. Criterios para evaluar estimadores puntuales . . . . . . . . . . . . . . 84
5.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

6. Intervalos de confianza 89
6.1. Intervalos de confianza para la media de una población . . . . . . . . . . . . 89
6.1.1. Población con distribución normal y varianza conocida . . . . . . . . 89
6.1.2. Población con distribución normal y varianza desconocida . . . . . . 92
6.2. Intervalo de confianza para la Varianza de una población . . . . . . . . . . . 96
6.2.1. Población con distribución normal . . . . . . . . . . . . . . . . . . . . 96
6.3. Intervalo de confianza para una proporción . . . . . . . . . . . . . . . . . . . 99
6.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

7. Test de hipótesis 105

7.1. Prueba de hipótesis sobre la media poblacional µ . . . . . . . . . . . . . . . 114
7.1.1. Caso I: Población con distribución Normal y varianza conocida . . . 114
7.1.2. Caso II: Población con distribución Normal y varianza desconocida . 119
7.2. Prueba de hipótesis sobre la varianza . . . . . . . . . . . . . . . . . . . . . . 121
7.3. Prueba de hipótesis sobre una proporción . . . . . . . . . . . . . . . . . . . . 122
7.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

8. Regresión lineal por mı́nimos cuadrados 127

8.1. Modelo Probabilı́stico Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
8.2. Estimación de parámetros del modelo . . . . . . . . . . . . . . . . . . . . . . 131
8.2.1. Principio de mı́nimos cuadrados aplicado al modelo de regresión lineal
simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.2.2. Errores y coeficiente de determinación . . . . . . . . . . . . . . . . . 133
8.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

Bibliografı́a 137
Capı́tulo 1

Probabilidad

1.1. Introducción
La probabilidad y la estadı́stica están ı́ntimamente relacionadas pero se aplican bajo
condiciones diferentes. Para entender esto primero definiremos lo que se conoce como expe-
rimento aleatorio.
Un experimento aleatorio es un procedimiento, o valga la redundancia, un experimento
en el cual no podemos predecir con exactitud el resultado del mismo pero le conocemos
todos los resultados posibles. Es decir, el resultado del experimento está condicionado por
una componente aleatoria que no podemos controlar.
Algunos ejemplos tı́picos de este tipo de experimentos son:

1. Tirar un dado y ver que número sale en la cara superior. Puede salir cualquier número
del 1 al 6, pero si agarramos el dado y lo lanzamos no podemos predecir que número
saldrá al realizar este experimento aleatorio.

2. Tirar una moneda y ver si sale ((cara)) o ((ceca)). Sabemos que existen dos resultados
posibles: ((cara)) o ((seca)) . Pero no podemos predecir el resultado de tirar la moneda,
es decir, de realizar el experimento.

3. Lanzar una moneda 3 veces y contar el número total de caras obtenidas. En las tres
tiradas de moneda puede salir un total de caras entre 0 y 3, siendo ((0)) el caso en
que tiro la moneda 3 veces y no sale ninguna cara y siendo ((3)) el resultado obtenido
cuando realizo el experimento y salen 3 caras. Pero nos es imposible predecir cualquier
resultado si realizamos el experimento.

Usaremos la letra griega epsilon ε para asociarla a un experimento aleatorio. Un ejemplo de

esto serı́a ε: tirar dos dados y registrar la suma de los números que salen.
Ya estamos en condiciones de ver la diferencia entre probabilidad y estadı́stica,

Probabilidad: se encarga del estudio de los experimentos aleatorios cuando conozco

las condiciones del experimento y trato de determinar la probabilidad de ocurrencia de
un resultado en particular. En el ejemplo 1 citado arriba, podrı́a tratar de determinar
la probabilidad, o lo que es lo mismo, las ((chances)) de sacar un número par.

1
2 CAPÍTULO 1. PROBABILIDAD

Estadı́stica: realiza un proceso inverso al de probabilidad. Se desconocen los paráme-

tros del experimento y estos se tratan de determinar a partir de una serie de resultados
empı́ricos del mismo. Siguiendo con el ejemplo 1, se podrı́a aplicar la estadı́stica para
determinar si un dado está ((pesado)) o no a partir de realizar el experimento muchas
veces y determinar si todos los números tienen la misma probabilidad de salir. Es
decir, a partir de un montón de resultados del experimento aleatorio determino los
parámetros que lo rigen, que en este caso serı́an la probabilidad de que salga un 1, la
probabilidad de que salga el 2 y ası́ hasta la probabilidad de que salga el número 6.

Por supuesto también existen los ”experimentos no aleatorios o deterministas” y son

aquellos donde se puede predecir exactamente cual será el resultado del mismo en cada
repetición del experimento.
Ejemplo: un circuito eléctrico simple con una resistencia R. Si realizo el experimento
de aplicar al circuito una diferencia de voltaje V, por el mismo circulará una corriente I
que viene dada por I = VR . Si yo repito este experimento, es decir, aplico una diferencia
de potencial V al circuito, siempre circulará una corriente I determinada por la ecuación
escrita arriba. No hay ninguna componente aleatoria en este experimento.
Se define el espacio muestral como el conjunto de todos los resultados posibles de un
experimento aleatorio ε, lo denotaremos con la letra S.
Ejemplos:

1. ε: tirar un dado y ver que número sale. Siendo ε el experimento aleatorio.

S = {1, 2, 3, 4, 5, 6} el espacio muestral de ε.

2. ε: tirar una moneda dos veces y anotar las sucesiones de caras y secas que salen. Siendo
ε el experimento aleatorio.
S = {(c, c), (c, s), (s, c), (s, s)} el espacio muestral de ε.

El espacio muestral asociado a un experimento aleatorio ε no es único, dependerá de

lo que nos interese observar de ese experimento. Veamos un ejemplo de esto.
Sean ε1 y ε2 dos experimentos aleatorios tales que :
ε1: tirar una moneda dos veces y anotar la sucesiones de caras y cecas que salen.
ε2: tirar una moneda dos veces y anotar la cantidad de caras que salen.
Ambos experimentos aleatorios son similares, cambia únicamente lo que queremos obser-
var. Veamos los espacios muestrales asociados.
S1 = {(c, c), (c, s), (s, c), (s, s)}
S2 = {0, 1, 2}
Vemos entonces que el espacio muestral queda determinado en función de lo que que-
rramos observar de ε, por eso es muy importante a la hora de definir nuestro experimento
aleatorio no solo decir por ejemplo que tiramos 2 veces una moneda, sino también que es lo
que nos interesa observar o analizar.

Se llama evento a todo subconjunto del espacio muestral. Por ejemplo:

ε: tirar un dado y ver que número sale.
S = {1, 2, 3, 4, 5, 6}.
1.1. INTRODUCCIÓN 3

Definimos un evento A = {2, 4, 6} o lo que es lo mismo puedo expresar al evento A como

A = {x ∈ S / x es par}. Vemos que A ⊂ S.
Supongamos entonces que tiro el dado y sale el número 2. Como el 2 ∈ A entonces puedo
decir que ocurre el evento A. Pero si en vez de un 2 hubiera salido el 5, como el 5 ∈ / A
entonces no ocurre el evento A.
El espacio muestral S es un evento, pues todo evento está incluido en sı́ mismo, y S es el
evento que siempre ocurre, ya que cualquier resultado del experimento va a pertenecer a
S.
Las operaciones habituales en conjuntos son aplicables a los eventos, dando como resul-
tado otros eventos. Entonces, veamos algunas propiedades de teorı́a de conjuntos que nos
serán útiles.
Sean A y B dos eventos de un espacio muestral S :
Unión de eventos
A ∪ B es un evento de S, el cual ocurre si y solo si ocurre A o ocurre B.
A ∪ B = {x/x ∈ A ∨ (o) x ∈ B}

Intersección de eventos
A ∩ B es un evento de S, el cual ocurre si y solo si ocurre A y ocurre B.
A ∩ B = {x/x ∈ A ∧ (y) x ∈ B}

Complemento de un evento
Ac es un evento de S, el cual ocurre si y solo si no ocurre A y ocurre S.
Ac = {x/x ∈
/A ∧ x ∈ S}

Sustracción de un evento
A − B es un evento de S, el cual ocurre si y solo si ocurre A y no ocurre B.
A − B = {x/x ∈ A ∧ x∈
/ B}
Se puede ver que A − B = A ∩ B c .

Leyes asociativas

1. A ∪ (B ∪ C) = (A ∪ B) ∪ C
2. A ∩ (B ∩ C) = (A ∩ B) ∩ C

Leyes conmutativas

1. A ∪ B = B ∪ A
2. A ∩ B = B ∩ A

Leyes Distributivas

1. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
2. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)

Otras
4 CAPÍTULO 1. PROBABILIDAD

1. A ∩ Ac = ϕ
2. A ∪ Ac = S

Leyes de Morgan

1. (A ∪ B)c = Ac ∩ B c
2. (A ∩ B)c = Ac ∪ B c

Sean A y B dos eventos, se dice que son mutuamente excluyentes si A ∩ B = ϕ. Esto

quiere decir que si ocurre el evento A =⇒ no ocurre el evento B o viceversa si ocurre el
evento B =⇒ no ocurre el evento A.

Ejemplo:
ε: lanzar un dado y ver que número sale .
S = {1, 2, 3, 4, 5, 6}
A = {2, 4, 6} o A = ”numeros pares”
B = {1, 3, 5} o A = ”numeros impares”
Como A y B no tienen elementos en común entonces A ∩ B = ϕ, es decir, son eventos
mutuamente excluyentes.

1.2. Probabilidad
Dado un evento A se le quiere asignar un número que indique que tan probable es que
ocurra el evento, a ese número lo definimos como la probabilidad de A y lo denotamos
como P(A).
La probabilidad de A puede determinarse de dos maneras distintas:

1. A-priori: cuando el experimento presenta condiciones de simetrı́a de tal forma que de

antemano o analizando el experimento se puede saber las probabilidades de los distintos
eventos. Un ejemplo de esto serı́a ε: lanzar un dado, ya que al ser el dado simétrico
podemos determinar, sin la necesidad de realizar el experimento, que la probabilidad
de sacar un número cualquiera del dado (por ej. el número 5) es de 1 entre 6.

2. Empı́rica: se realiza el experimento muchas veces, N veces, y se registra la cantidad de

veces que ocurrió el evento A de interés, Na . Entonces se puede determinar la probabi-
lidad de A como P (A) = NNa . Esta es una probabilidad empı́rica, no es la probabilidad
real del evento A, ya que depende de la cantidad de veces que realicemos el experi-
mento y de los resultados del mismo. Veamos esto con un ejemplo: supongamos que
lanzo un dado 10 veces y me interesa determinar la probabilidad del evento A= sacar
el número 5 (olvidemos por un momento que esta probabilidad se puede determinar
a-priori por la simetrı́a del experimento), entonces registro los números obtenidos en
esas 10 tiradas del dado y al hacerlo observo que el 5 salió dos veces. Entonces puedo
1.2. PROBABILIDAD 5

decir que la probabilidad P (A) = NNa = 10 2

= 15 . Ahora supongamos que repito nueva-
mente esto, tiro el dado 10 veces y registro la cantidad de veces que salió el 5 y obtengo
que salió cuatro veces, entonces P (A) = NNa = 10 4
= 25 . Vemos que P (A) es distinto en
ambos casos. ¿Cuál es el correcto? ¿Puede ser que la probabilidad de sacar un 5 sea
siempre distinta?. Lo que sucede aquı́ es que esta probabilidad de sacar un 5, P(A) es
lo que se conoce como frecuencia relativa de un evento y la denotamos como fA .
Esta frecuencia relativa es empı́rica y variará cada vez que la calculemos, pero es una
aproximación a la probabilidad real del evento A, P (A).
Observación:La frecuencia relativa de un evento A, fA , tiende a la probabilidad real
del evento A, P (A), cuando repetimos el experimento muchas veces, es decir cuando
N tiende a ∞.
lı́m fA = P (A)
N →∞

Lo veremos en detalle más adelante.

1.2.1. Definición axiomática de probabilidad

Sea ε un experimento aleatorio y S su espacio muestral asociado. Para un evento A
cualquiera de S le asociamos un número real, que llamamos probabilidad de A, y denotamos
P(A) que satisface las siguientes propiedades o axiomas:

1. 0 ≤ P(A) ≤ 1 ∀A∈S

2. P (S) = 1

3. Si A y B dos eventos de S, son mutuamente excluyentes =⇒ P(A∪B)=P(A)+P(B)

Propiedades de la probabilidad

1. P (Ac ) = 1 − P (A)
A ∪ Ac = S =⇒ por definición A y Ac son mutuamente excluyentes
=⇒ 1 = P (S) = P (A ∪ Ac ) = P (A) + P (Ac )
=⇒ P (Ac ) = 1 − P (A)

2. Si A ⊂ B =⇒ P(A) ≤ P(B)
B = A ∪ (B ∩ Ac )
P (B) = P (A ∪ (B ∩ Ac )) = P (A) + P (B ∩ Ac )
Pero P (B ∩ Ac ) ≥ 0 =⇒ P (B) ≥ P (A)

3. P (B − A) = P (B) − P (A ∩ B)
6 CAPÍTULO 1. PROBABILIDAD

Para el caso particular donde A⊂ B −→ vale que P(B-A)=P(B)-P(A)

De la propiedad 2. P (B) = P (A) + P (B ∩ Ac )
=⇒ P (B) − P (A) = P (B ∩ Ac )
Y como B ∩ Ac = B − A −→ P (B − A) = P (B) − P (A)

4. P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
A ∪ B = A ∪ (B ∩ Ac )
=⇒ P (A ∪ B) = P (A ∪ (B ∩ Ac )) = P (A) + P (B ∩ Ac )), por que A y B ∩ Ac son
mutuamente excluyentes.
De la propiedad anterior sabemos que P (B ∩ Ac ) = P (B − A) = P (B) − P (A ∩ B)
=⇒ P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

1.3. Espacio Muestral

Un espacio muestral S asociado a un experimento aleatorio ε puede ser finito o infinito.

1. Finito: cuando la cantidad de elementos del espacio muestral es un número finito.

Ejemplo tı́pico del dado S = {1, 2, 3, 4, 5, 6}

2. Infinito: cuando S tiene una cantidad infinita de elementos. Este tipo de espacio
muestral se divide en
1.3. ESPACIO MUESTRAL 7

a) infinito numerable: S tiene un conjunto infinito y numerable de elementos.

Ejemplo: ε lanzar el dado hasta que salga un 6. El espacio muestral asociado a ε
sera S = {0, 1, 2, 3, 4, 5, 6....., 10,000, ...,1,000,000, ....} ya que puedo tirar infinitas
veces un dado y nunca sacar un 6. Como vemos S tiene infinitos elementos pero
puedo enumerarlos a todos.
b) infinito no numerable: Ejemplo: ε tiempo de vida de una lamparita.
S = {t ∈ R / t ≥ 0} siendo t un número real mayor que 0, por lo tanto es
imposible enumerar todos los elementos de S.

1.3.1. Espacio Muestral Finito

Sea ε con su espacio muestral S asociado. Supongamos que S es un conjunto finito con
S = {a1 , a2 , a3 , ..., an } de n elementos. Dado que a cada elemento ai con i = 1, 2, 3, .., n de S
lo puedo considerar como un evento individual {ai } , entonces a S lo puedo escribir como,
S = {a1 } ∪ {a2 } ∪ {a3 } ∪ ... ∪ {an }
Como estos eventos individuales son mutuamente excluyentes entre ellos, entonces vale
que
=⇒ P (S) = P (a1 ) + P (a2 ) + P (a3 ) + ..... + P (an )
y por supuesto la suma de la probabilidad de todos los eventos individuales de mi espacio
muestral tiene que ser igual a 1 (ver definición axiomática de probabilidad P (S) = 1)
=⇒ P (S) = P (a1 ) + P (a2 ) + P (a3 ) + ..... + P (an ) = 1
Supongamos ahora que para cada evento individual ai vale que
P (ai ) = p ∀i
Es decir, cada evento ai tiene la misma probabilidad p de ocurrir.
=⇒ P (S) = P (a1 ) + P (a2 ) + P (a3 ) + ..... + P (an ) = p + p + p + ... + p = 1
Como tenemos n eventos individuales ai , entonces
=⇒ P (S) = n.p = 1
=⇒ p = 1/n
Entonces la probabilidad p de que ocurra cualquier evento individual ai viene dada por
1 1
n
o lo que es lo mismo #S . Siendo #S la cantidad de elementos de S.

Si para un espacio muestral S cada evento individual ai tiene la misma probabilidad p

1
de ocurrir decimos que ese espacio muestral es equiprobable, y vale que p = #S .

Ejemplo:
Sea el experimento aleatorio, ε: lanzar un dado y ver que número sale, y el evento B =
{1, 3} de interés al cual le queremos estimar la probabilidad de ocurrir.
S = {1, 2, 3, 4, 5, 6}
#S = 6, cantidad de elementos de S.
Analicemos el espacio muestral S, cada evento independiente ai tiene la misma probabi-
lidad p de ocurrir,
P (1) = P (2) = P (3) = P (4) = P (5) = P (6) = 16 = #S
1
=p
=⇒ estamos en un espacio equiprobable, y por lo tanto vale que
P (B) = P ({1, 3}) = P (1) + P (3), ya que {1} y {3} son mutuamente excluyentes
8 CAPÍTULO 1. PROBABILIDAD

P (B) = P ({1, 3}) = P (1) + P (3) = p + p = 16 + 16 = 26 , por que estamos en un espacio

equiprobable.
Notar que la cantidad de elementos de #B = 2, entonces podrı́amos escribir a la proba-
bilidad de B de la siguiente forma P (B) = #B
#S
.

Es decir, para espacios equiprobables la probabilidad de que ocurra un evento B

cualquiera se puede calcular a partir de la cantidad de elementos de B y S, de la forma
#B
P (B) =
#S

Ejemplo: Dados dos mazos de 40 cartas españolas. Sea el siguiente experimento aleatorio
ε: sacar una carta al azar de cada mazo y registrar el par obtenido.
¿Cuál es la probabilidad de sacar al menos un 1 de espadas?
Primero calculemos nuestro espacio muestral S, el cual vendrá dado por todas las combi-
naciones posibles entre las cartas del primer mazo y las cartas del segundo. Como el primer
mazo tiene 40 cartas y el segundo también, entonces la cantidad de elementos que tiene S
es 40x40 = 402 , ya que a cada carta del primer mazo la puedo ”emparejar” con cualquier
carta del segundo. Ahora analicemos la pregunta del ejercicio, para eso defino mi evento de
interés A = {(a,b) / a ∨ b son el 1 de espada}, siendo a la carta sacada del primer mazo y
b la carta del segundo. Entonces queremos calcular P(A). Veamos los casos favorables de A.
a = 1E b ̸= 1E #39, cantidad de casos favorables donde a es el uno
de espadas y b es cualquier carta distinta a 1E.
a ̸= 1E b = 1E #39, cantidad de casos favorables donde b es el uno
de espadas y a es cualquier carta distinta a 1E.
a = 1E b = 1E #1, caso donde a y b son el 1E.
Entonces en total #A = 79. Si analizamos un poco el espacio muestral S, podemos ver que
todos los elementos de S tienen la misma probabilidad de ocurrir, sacar el par (5oro,6copa)
tiene la misma probabilidad que el par (7basto,2espada), por lo tanto S es un espacio muestral
equiprobable. =⇒P(A) la podemos calcular como
#A 79
P (A) = = = 0,049 = 4,9 %
#S 1600
Es decir, el evento A tiene una probabilidad del 4.9 % de ocurrir.

Ejemplo:
Supongamos que se lanza una moneda 3 veces y se registra la sucesión de caras y secas
que salen.¿Cuál es la probabilidad de sacar al menos 2 caras?.
Primero definamos el experimento aleatorio, ε : lanzar una moneda 3 veces y registrar la
sucesión de caras y secas que salen.
Determinemos el espacio muestral,
S = {(s, s, s), (s, s, c), (s, c, s), (c, s, s), (s, c, c), (c, s, c), (c, c, s), (c, c, c)}. Siendo c cara y s
seca. S tiene 8 elementos (#S = 8)
Puedo definir al evento de interés como A = {(c, c, s), (c, s, c), (s, c, c), (c, c, c)}, es decir
aquellos resultados de mi experimento aleatorio donde al menos salen dos caras. Vemos que
#A = 4.
1.4. TÉCNICAS DE CONTEO 9

Si analizamos S podemos darnos cuenta que es un espacio equiprobable, ya que la pro-

babilidad de sacar (c,s,c) es la misma que la de (s,s,s) y que la de cualquier otro elemento
de S.
=⇒ P (A) = #A#S
= 84 = 0,5 = 50 %

1.4. Técnicas de conteo

Existen casos en los que contar la cantidad de elementos que tiene un espacio muestral, o
sea todos los resultados posibles de un experimento aleatorio, ası́ como los casos favorables a
un evento, resulta muy complicado o tedioso hacerlo directamente. Las técnicas de conteo son
estrategias matemáticas que permiten determinar el número total de resultados que pueden
haber, sin necesidad de contar caso por caso. Por ejemplo:
Se tienen cuatro sillas, una amarilla, una roja, una azul y una verde, ¿cuántas combina-
ciones de tres de ellas se pueden hacer ordenadas una al lado de la otra? Se podrı́a resolver
a este problema haciéndolo manualmente, pensando en combinaciones como azul, rojo y
amarillo; azul, amarillo y rojo; rojo, azul y amarillo, rojo, amarillo y azul. . . Pero esto puede
requerir mucha paciencia y tiempo, y para eso harı́amos uso de las técnicas de conteo, siendo
para este caso necesaria una permutación.
Vamos a ver los diferentes casos en los que podemos aplicar las diferentes técnicas de
conteo.

1.4.1. Permutaciones
Las permutaciones se utilizan para saber de cuántas formas podemos ordenar una canti-
dad de n elementos. Por ejemplo, supongamos que tenemos 4 personas sentadas una al lado
de la otra ¿de cuántas formas se pueden ordenar estas personas?
Para pensarlo podemos ver que tenemos 4 posiciones para ocupar:

En la primera posición tengo a las 4 personas disponibles para ocuparla:

Una vez sentada una persona, para la segunda posición tengo otros 3 disponibles:

4 3

Y ası́ sucesivamente:

4 3 2 1

Por lo tanto la cantidad de combinaciones posibles de las 4 personas sentadas de forma

lineal es:

4 ∗ 3 ∗ 2 ∗ 1 = 4! = 24
10 CAPÍTULO 1. PROBABILIDAD

En cualquier caso entonces que queremos ver la cantidad de permutaciones, o sea de

ordenes posibles de n elementos de forma lineal hacemos:

Pn = n!
Esto es lo que llamamos una permutacion lineal.
Veamos que pasa ahora si a estas 4 personas las queremos acomodar pero de forma
circular. ¿De cuántas maneras podemos acomodar estas 4 personas en una mesa circular?
Esto lo analizamos de la misma forma que las permutaciones lineales en principio, o sea
que será:
P4 = 4!
Pero acá hay que tener en cuenta que, por cada orden posible, estamos considerando 4
formas posibles de acomodarlos que son idénticas, que refieren al mismo orden.

Por lo que para sacarnos de encima estas formas idénticas, dividimos por 4. Entonces:
4! 4∗3∗2∗1
P4c = = = 3! = 6
4 4
Entonces, en cualquier caso que queremos ver la cantidad de permutaciones, o sea de
ordenes posibles de n elementos de forma circular hacemos:
n!
Pnc =
= (n − 1)!
n
Y esto es lo que conocemos como permutaciones circulares.

1.4.2. Combinatorias
Supongamos que tengo 24 jugadores para llevar a un torneo. Tengo que armar un equipo
de 11 ¿Cuántas combinaciones de los 11 jugadores posibles tengo?
1.4. TÉCNICAS DE CONTEO 11

Para responder esta pregunta debemos preguntarnos también: ¿Me importa el orden o no?
Es decir, me da igual que cierto jugador juegue en cualquier posición? ¿O cada combinación
será distinta de la otra dependiendo de las posiciones que ocupan los jugadores?
Supongamos que no me importa el orden. Esto es, que si tengo un equipo armado
donde Gabriel juega de 9 y Jorge juega de arquero, lo considero como un equipo idéntico a
si Gabriel es arquero y Jorge juega de 9. En este caso, donde no me importa el orden puedo
usar la combinatoria, la cual se calcula de la siguiente manera:
 
11 24 24! 24!
C24 = = = = 2496144
11 11! (24 − 11)! 11! 13!
Esto se lee como 24 tomados de a 11 o y representa la cantidad de grupos diferentes
de 11 elementos que puedo armar a partir de 24 elementos (en este caso jugadores). Por lo
tanto, existen 2496144 formas distintas de seleccionar 11 jugadores de un total de 24 si no
me importa el orden.
Para cualquier caso en el que de n elementos selecciono k sin reemplazo (esto es, al haber
seleccionado un elemento, no vuelvo a meterlo dentro del total de elementos disponibles para
la próxima selección), la cantidad de combinaciones posibles si no me importa el orden
son:
 
k n n!
Cn = =
k k!(n − k)!
De nuevo, esto se lee como cantidad de combinaciones de n tomados de a k.

1.4.3. Variaciones
Ahora supongamos que para el equipo de 11 que armo me importa el orden, es decir,
si tengo un equipo armado donde Gabriel juega de 9 y Jorge juega de arquero, lo considero
como un equipo distinto si Gabriel es arquero y Jorge juega de 9 (suponiendo que el resto
de jugadores no cambian). En ese caso la cantidad de combinaciones posibles será mayor, y
estará dada por:
 
11 11 24 24!
V24 = C24 ∗ 11! = ∗ 11! = = 99638080819200
11 (24 − 11)!
Por lo tanto, existen 99638080819200 formas distintas de seleccionar 11 jugadores de un
total de 24 si me importa el orden.
Esto es lo que se conoce como variaciones, y para cualquier caso en el que de n elementos
selecciono k sin reemplazo, la cantidad de combinaciones posibles si me importa el orden
son:
 
k k n n!
Vn = Cn ∗ k! = ∗ k! =
k (n − k)!

Ejemplo
Veamos ahora como podemos usar alguna de estas técnicas para resolver un ejercicio de
probabilidad:
12 CAPÍTULO 1. PROBABILIDAD

Supongamos que tenemos 11 jugadores y de esos jugadores, 4 son zurdos. ¿Cuál es la

probabilidad de que al seleccionar 3 jugadores al azar, los 3 sean zurdos?
Lo primero es identificar el espacio muestral:
S : “Combinaciones posibles de 3 jugadores seleccionados al azar de un total de 11”
Hay que, como siempre, tener en cuenta que este espacio muestral es equiprobable, lo cual
nos permite calcular la probabilidad de un evento como el cociente de la cantidad de casos
favorables y la cantidad de casos totales. Como acá no me importa el orden en el que obtengo
los 3 jugadores, se puede usar la combinatoria. Entonces, la cantidad total de combinaciones
posibles será:
 
11 11!
#S = = = 165
3 3! (11 − 3)!
El evento en cuestión será:
A: “3 jugadores zurdos”.
La cantidad de elementos de A estará dada por todas las combinaciones posibles de 3
jugadores zurdos distintos, que viene dada por
 
4 4!
#A = = =4
3 3! (4 − 3)!
Por lo tanto, la probabilidad de que al seleccionar 3 jugadores de un total de 11 y que
todos sean zurdos es:
#A 4
P (A) = = ≈ 0,24
#S 165

1.5. Ejercicios
1. Considerar los siguientes experimentos aleatorios, en cada caso explicite los resultados
que componen el espacio muestral, y clasifı́quelo en finito, infinito numerable e infinito
no numerable.
a) De una urna que contiene bolillas rojas y blancas, se extrae una bolilla y se anota
el color.
b) De una urna que contiene bolillas rojas y blancas, se extrae una bolilla y se anota
el color. Luego de reponerla en la urna, se extrae una bolilla y se anota nuevamente
su color.
c) Se lanza una moneda equilibrada cuatro veces y se cuenta el número total de caras
obtenidas.
d ) De una urna que contiene bolillas rojas y blancas, se extraen bolillas con reposición
hasta obtener una blanca, y se anota el número de extracciones realizadas.
e) De una urna que contiene bolillas rojas y blancas, se extraen bolillas sin reposición
hasta obtener una blanca, y se anota el número de extracciones realizadas si el
número de bolillas rojas es n.
f ) Se pone en funcionamiento un componente electrónico y se anota el tiempo hasta
que deje de funcionar
1.5. EJERCICIOS 13

g) Se visita en orden aleatorio las ciudades A, B, C , D.

2. Un experimento implica lanzar un par de dados, uno verde y uno rojo, y registrar los
números que salen. Si x es igual al resultado en el dado verde e y es el resultado en el
dado rojo, describa el espacio muestral S.

a) por extensión
b) por comprensión

3. Un experimento consiste en lanzar un dado y después lanzar una moneda una vez, si
el número en el dado es par. Si el número en el dado es impar, la moneda se lanza dos
veces. Usando la notación 4C, por ejemplo, para denotar el resultado de que el dado
muestre 4 y después la moneda salga cara, y 3CS para denotar el resultado de que el
dado muestre 3 seguido por una cara y después por una ceca, construya un diagrama
de árbol para mostrar los 18 elementos del espacio muestral S.

4. Supongamos que se tira una moneda normal tres veces, y se cuenta el número de caras
obtenido luego de los tres tiros. Tomemos como espacio muestral a S = {0, 1, 2, 3}

a) ¿Es este espacio equiprobable?

b) Si no lo es, ¿Cómo podrı́amos reescribirlo para que efectivamente lo sea?

5. Para el espacio muestral del ejercicio 2) liste los elementos del evento:

a) A: “la suma de los números es mayor que 8”

b) B: “ocurre un dos en cualquiera de los dos dados”
c) C: “sale un número mayor que cuatro en el dado verde”
d) A ∩ C
e) A ∩ B
f) A∪B
g) B ∩ C

6. Para el espacio muestral del ejercicio 3) liste los elementos del evento:

a) A: “en el dado sale un número menor que 3”

b) B: “ocurren dos cecas”
c) AC
d ) AC ∩ B
e) A ∪ B

7. Suponga que los dos dados del ejercicio 2) son normales. Entonces cada resultado
del espacio muestral S tienen la misma probabilidad de ocurrir (S es equiprobable).
Encuentre las siguientes probabilidades:

a) P (A), (b) P (B), (c) P (C), (d) P (A ∩ C), (e) P (A ∪ C), (f) P (AC )
14 CAPÍTULO 1. PROBABILIDAD

8. Calcular la probabilidad de que al lanzar un dado salga:

a) Un número par
b) Un múltiplo de tres
c) Mayor que cuatro

9. De una caja que contiene seis bolas rojas, cuatro blancas y cinco azules se extrae una
al azar. Explicitar el espacio muestral. Luego hallar:

a) La probabilidad de que sea roja o blanca

b) La probabilidad de que no sea roja

10. En una sala de recién nacidos hay cuatro bebés. La enfermera que lleva las cintas con
los nombres de cada bebé tropieza, mezclándolas. ¿Cuál es la probabilidad de que las
cuatro madres reciban a sus hijos?

11. Diez personas se ordenan aleatoriamente.

a) En hilera
b) En cı́rculo

Se supone que todas las ordenaciones tienen la misma probabilidad. Hallar la proba-
bilidad de que dos personas dadas estén contiguas.

12. En el juego de póquer, calcular las probabilidades de que un jugador reciba:

a) Color servido (cinco cartas del mismo palo)

b) Full servido (tres cartas de un número y dos de otro)

Considere los casos en que los jugadores:

1) usan el mazo de cartas completo (52 cartas)
2) deciden de común acuerdo no usar ni los dos ni los tres.

13. Si se toman 3 libros al azar de un estante que contiene 5 novelas, 3 libros de poemas
y 1 diccionario, ¿cuál es la probabilidad de que

a) se seleccione el diccionario?
b) se seleccionen 2 novelas y 1 libro de poemas?

14. Se sacan al azar dos cartas entre diez cartas numeradas del uno al diez. Hallar la
probabilidad de que la suma sea impar si:

a) Se sacan una tras otra con reemplazo.

b) Se sacan una tras otra sin reemplazo.

15. Se tiene una urna con 15 bolillas distinguibles (pueden estar numeradas), de las cuales
10 son blancas y 5 son rojas. Se extraen al azar dos bolillas de la urna,
1.6. PROBABILIDAD CONDICIONAL 15

a) ¿Cuál es la probabilidad de extraer todas blancas?

b) ¿Cuál es la probabilidad de extraer exactamente una bolilla blanca?
c) ¿Cuál es la probabilidad de extraer al menos una bolilla blanca?
d ) Calcular las probabilidades anteriores si ahora importa el orden en el que se
extraen las bolillas.
e) Calcular las probabilidades anteriores si ahora importa el orden en el que se
extraen las bolillas y además se extraen con reemplazo.

16. (opcional ) Realizar numéricamente con algún lenguaje de programación los siguientes
puntos:

Simular el lanzamiento aleatorio de un dado.

Simular el lanzamiento aleatorio de N dados.
Calcular la frecuencia relativa de las veces que sale un 5 en las N tiradas.
Construir un gráfico de frecuencia relativa de veces que sale un 5 en función del
número de tiradas, con N aumentando desde 1 a 1000.

¿Qué conclusión se puede sacar de este gráfico? ¿A qué valor tiende la frecuencia
relativa?

Responder las siguientes preguntas:

¿Cuál es la diferencia entre probabilidad y frecuencia relativa?

¿Qué significa que un espacio muestral sea equiprobable?

¿Para qué sirven las técnicas de conteo?

¿Por qué cambia la probabilidad de un evento como los del ejercicio 14 o 15, cuando
se realiza el experimento con reemplazo o sin reemplazo?

1.6. Probabilidad Condicional

Sean A y B dos eventos de un espacio muestral S. Se define la probabilidad de A condi-
cionado a B como la probabilidad de que ocurra el evento A si ocurrió el evento B. Se lo
denota como P(A/B).

Ejemplo: Sea ε : tirar un dado y registrar que número sale.

Con S={1,2,3,4,5,6}, y sean A={2,4,6} y B={1,2,3} dos eventos de interés de S. Calcular
P(A/B).
Entonces, debemos determinar la probabilidad de A si ocurrió B. Para esto, damos
por hecho que al realizar el experimento ocurrió el evento B, es decir salió un 1,2 o 3.
Entonces definimos un nuevo espacio muestral S’={1,2,3}, generado por los resultados que
16 CAPÍTULO 1. PROBABILIDAD

hacen que ocurra B, y ahora nos preguntamos, Si ocurrió B ¿cuál es la probabilidad

de que ocurra A?, o lo que es lo mismo, si ocurrió B ¿ cuál de los posibles resultados que
hacen que ocurra B también hacen que ocurra A?. Por definición de probabilidad condicional
sabemos que B ocurre por lo tanto los posibles resultados de mi experimento aleatorio son
{1,2,3}, y A ocurre si sale un 2,4 o 6. Entonces de los posibles resultados que hacen que
ocurra B, solo el 2 hace que también ocurra A, es decir, un solo resultado entre los tres que
hacen que ocurra B hace que ocurra A.
1
=⇒ P (A/B) =
3
Si queremos calcular P(A/B) una buena forma de trabajar es definir un nuevo espacio
muestral S’ cuyos elementos serán aquellos que hagan que ocurra B, es decir serán los ele-
mentos de B y a partir de S’ determinar la P(A) de forma muy simple, estimando cuantos de
los elementos de S’ hacen que ocurra A y dividiendo esa cantidad por él numero de elementos
de S’, como hicimos en el ejemplo anterior.
S ′ = {1, 2, 3} con #S ′ = 3 , la cantidad de elementos de S ′ que hacen que ocurra A es
uno, {2} =⇒ P (A/B) = 1/3.
Recordar que la fórmula P (A) = #A #S
es válida si y solo si el espacio muestral S
es equiprobable.

Ejemplo: ε: extraer sin reemplazo dos pelotitas de una urna con 7 pelotas azules y 4
rojas, donde cada pelotita es distinguible.
Sean los siguientes eventos A: la primera pelotita es azul y B: la segunda pelotita es roja.
Determinar P(B/A).

Entonces debemos determinar la probabilidad de B condicionado a A, o lo que es lo

mismo la probabilidad de B si ocurre A.
Por definición de probabilidad condicional ocurre A, entonces la primera pelotita que
saqué es de color azul. Ahora para que ocurra B la segunda pelotita tiene que ser roja, pero
tengamos en cuenta que ocurrió A y que el experimento es sin reemplazo, es decir, saqué la
primera pelotita que fue azul y ”me la quedé en la mano”(no la volvı́ a poner en la urna),
entonces cuando vaya a sacar la 2da pelotita, en la urna voy a tener 6 pelotas azules y 4
rojas (ya que tengo una pelotita azul en la mano). Sabiendo ahora que en la urna tengo 6
pelotitas azules y 4 rojas me pregunto ¿Cuál es la probabilidad de sacar una pelotita roja?,
o lo que es lo mismo, ¿Cual es la probabilidad de que ocurra B si ocurrió A?. Como estamos
en un espacio equiprobable, ya que todas las pelotitas tienen la misma probabilidad de salir
entonces tengo 4 pelotitas rojas entre un total de 10 pelotitas =⇒ P (B/A) = 4/10.

Veamos ahora la definición matemática de probabilidad condicional:

P (A ∩ B)
• P (A/B) = si P (B) ̸= 0
P (B)

P (A ∩ B)
• P (B/A) = si P (A) ̸= 0
P (A)
Observación: Generalmente P (A/B) ̸= P (B/A).
1.6. PROBABILIDAD CONDICIONAL 17

En algunos casos esta probabilidad se puede determinar reduciendo el espacio muestral

(como en los ejemplos anteriores donde determinamos S’) y en otras ocaciones será necesario
aplicar la definición anterior.

Ejemplo:
En la provincia de Buenos Aires, el 50 % de la población es mayor de edad, el 30 % hace
deporte y el 15 % hace deporte y es mayor de edad. Se elige una persona al azar,

1. Si es mayor de edad, ¿Cuál es la probabilidad de que haga deporte?

2. Si hace deporte, ¿Cuál es la probabilidad de que sea mayor de edad?

3. ¿Cuál es la probabilidad de que sea menor de edad y no haga deporte?

Antes de resolver los puntos 1,2 y 3 identifiquemos la información que tenemos.

El experimento aleatorio es ε: elegir una persona al azar de la provincia de buenos aires.,
su espacio muestral S viene dado por S:cada una de las personas de la provincia de Bs.As.
Podemos definir también los siguientes eventos,

A : es mayor de edad =⇒ P (A) = 0,5

B : hace deporte =⇒ P (B) = 0,3

C : es mayor de edad y hace deporte −→ P (C) = 0,15

Ahora sı́, resolvamos los incisos 1,2 y 3.

1. Tengo que determinar la probabilidad de que una persona haga deporte si se que es
mayor de edad, es decir me pide que calcule la probabilidad de B condicionado a A , P(B/A).
Aplico la definición
P (B/A) = P P(A∩B)
(A)
, con P (A) ̸= 0
Notar que P (A ∩ B) es la probabilidad de que una persona sea mayor de edad y haga
deporte es decir es P(C).
=⇒ P (B/A)= P P(A∩B)(A)
= 0,15
0,5
= 0,3

2. Tengo que determinar la probabilidad de que una persona sea mayor de edad si hace
deporte, es decir me pide que calcule la probabilidad de A condicionado a B, P(A/B).
Nuevamente aplico la definición
=⇒ P (A/B)= P P(A∩B)
(B)
= 0,15
0,3
= 0,5

3. Defino D : sea menor de edad y no haga deporte, a D lo puedo escribir como D = Ac ∩B c

ya que Ac : sea menor de edad y B c : no haga deporte.
Entonces por las leyes de Morgan, vale que,
18 CAPÍTULO 1. PROBABILIDAD

P (D) = P (Ac ∩ B c ) = P ((A ∪ B)c ) = 1 − P (A ∪ B) = 1 − [P (A) + P (B) − P (A ∩ B)] =

= 1 − [0,5 + 0,3 − 0,15] = 0,35

Axiomas
Sean A y B dos eventos, vale que:
1. Si P(A)⩾ 0 y P (A ∩ B) ⩾ 0 =⇒ P (B/A) ⩾ 0

2. P ((A∪B)/C) = P (A/C)+P (B/C), si A∩B = ϕ, es decir si A y B son mutuamente

excluyentes.

3. P (S/A) = 1

1.6.1. Teorema de la Multiplicación

Dijimos que P (A/B) = P P(A∩B)

(B)
,con P(B)̸= 0
=⇒ P (A ∩ B) = P (A/B)P (B)
Y lo mismo vale para P (B/A) = P P(A∩B)
(A)
con P(A)̸= 0
=⇒ P (A ∩ B) = P (A/B)P (A)
Esto se lo puede generalizar para n eventos y se lo conoce como Teorema de la Multipli-
cación.
Hagámoslo primero para tres eventos y luego lo generalizamos para n. Supongamos que
tengo los eventos A1 , A2 , A3 y quiero determinar P (A1 ∩ A2 ∩ A3 )
P (A1 ∩ A2 ∩ A3 ) = P (B ∩ A3 ) , siendo B = A1 ∩ A2
P (A1 ∩ A2 ∩ A3 ) = P (B ∩ A3 ) = P (B)P (A3 /B) , por definición de prob. condicional
P (A1 ∩ A2 ∩ A3 ) = P (B ∩ A3 ) = P (B)P (A3 /B) = P (A1 ∩ A2 )P (A3 /(A1 ∩ A2 ))
P (A1 ∩ A2 ∩ A3 ) = P (A1 ∩ A2 )P (A3 /(A1 ∩ A2 )) = P (A1 )P (A2 /A1 )P (A3 /(A1 ∩ A2 )), por
def. de prob. condicional

=⇒ P (A1 ∩ A2 ∩ A3 ) = P (A1 )P (A2 /A1 )P (A3 /(A1 ∩ A2 ))

Y este resultado se puede generalizar para n eventos, siguiendo el mismo procedimiento,

P (A1 ∩A2 ∩A3 ∩...∩An ) = P (A1 )P (A2 /A1 )P (A3 /(A2 ∩A1 )...P (An /(A1 ∩A2 ∩A3 ∩...∩An−1 ))

Ejemplo:
En una bolsa hay 10 bolitas rojas y 4 azules. Si se sacan 3 bolitas al azar sin reemplazo,
¿Cuál es la probabilidad de sacar 3 bolitas rojas?.
Defino los eventos Ai :”la i-ésima bolita que saco es roja”, con i=1, 2, 3.

10 9 8
P ( sacar 3 bolitas rojas)=P (A1 ∩ A2 ∩ A3 ) = P (A1 )P (A2 /A1 )P (A3 /(A1 ∩ A2 )) = 14 13 12

10 9 8
Veamos de donde salieron estos números 14 13 12
.
1.6. PROBABILIDAD CONDICIONAL 19

P (A1 ) es la probabilidad de que la primera bolita que saco sea roja, como tengo 10 bolitas
rojas entre un total de 14, y estamos en un espacio equiprobable, entonces
#casos f avorables 10
P (A1 ) = =
#casos totales 14
.
P (A2 /A1 ) es la probabilidad de que la segunda bolita que saco sea roja si la primera
que saqué también fue roja. Como el experimento es sin reemplazo, la primera bolita
roja no la devolvı́ a la bolsita, entonces cuando vaya a sacar la segunda bolita, en la bolsa
habrá 13 pelotitas (en lugar de 14) de las cuales 9 son rojas, entonces como nuevamente
estamos en un nuevo espacio muestral equiprobable ya que cualquiera de las 13 bolitas tiene
la misma probabilidad de salir, vale que P (A2 /A1 ) = #casos f avorables
#casos totales
= 13 9
.
Falta calcular P (A3 /(A1 ∩ A2 )), es la probabilidad de que la tercera bolita sea roja si las
2 anteriores fueron rojas, vale el mismo razonamiento que arriba, como el experimento es
sin reemplazo, ahora en la bolsita tengo 12 pelotitas de las cuales 8 son rojas, como seguimos
en un espacio equiprobable entonces P (A3 /(A1 ∩ A2 )) = #casos f avorables
#casos totales
= 128
.

1.6.2. Teorema de la Probabilidad Total

Sean A1 , A2 , A3 , ..., An eventos de un espacio muestral S, con las siguientes caracterı́sticas,
1. A1 ∪ A2 ∪ A3 ∪ ... ∪ An = S
2. Ai ∩ Aj = ϕ, ∀ i ̸= j, es decir que estos eventos Ai son mutuamente excluyentes entre
ellos.
3. P (Ai ) > 0, ∀i = 1, 2, 3.., n
=⇒ decimos que estos eventos A1 , A2 , A3 , ..., An son una partición de S. Y vale que para
cualquier evento B de interés, la probabilidad de B se puede calcular como,
P (B) = P (B/A1 )P (A1 ) + P (B/A2 )P (A2 ) + P (B/A3 )P (A3 ) + ... + P (B/An )P (An )
Demostración:
B = B ∩ S = B ∩ (A1 ∪ A2 ∪ A3 ∪ ... ∪ An ) = (B ∩ A1 ) ∪ (B ∩ A2 ) ∪ (B ∩ A3 ) ∪ ... ∪ (B ∩ An ),
ya que ∩ es distributiva respecto a ∪.
Como Ai ∩ Aj = ϕ, ∀i ̸= j =⇒ (B ∩ Ai ) ∩ (B ∩ Aj ) = ϕ, ∀i ̸= j, es decir
los eventos (B ∩ Ai ) ∀i son mutuamente excluyentes entre ellos.
=⇒ P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + ... + P (B ∩ An ), y si le aplicamos el teorema de
la multiplicación o la definición de probabilidad condicional a cada B ∩ Ai llego a,

P (B) = P (B/A1 )P (A1 ) + P (B/A2 )P (A2 ) + ... + P (B/An )P (An )

1.6.3. Teorema de Bayes

Sean A1 , A2 , ..., An una partición de un espacio muestral S, y sea B un evento cualquiera
de S. Vimos que por el teorema de la probabilidad total, podemos calcular la probabilidad
de B como,
P (B) = P (B/A1 )P (A1 ) + P (B/A2 )P (A2 ) + ... + P (B/An )P (An )
20 CAPÍTULO 1. PROBABILIDAD

El T. de Bayes nos va a permitir estimar la P (Ai /B), ∀i, i=1,2..n.

k ∩B)
P (Ak /B) = P (A
P (B)
, por definición de prob. condicional
P (Ak ∩B) P (Ak )P (B/Ak )
P (Ak /B) = P (B)
= P (B)
, por definición de prob. condicional
P (Ak )∩B P (Ak )P (B/Ak )
P (Ak /B) = P (B)
= P (B)
= PnP (APk(B/A
)P (B/Ak )
i )P (Ai )
, por. T. de la probabilidad total
i=1

P (Ak )P (B/Ak )
=⇒ P (Ak /B) = Pn
i=1 P (B/Ai )P (Ai )

Ejemplo:
Supongamos que queremos estudiar la probabilidad de estar infectados por una enfermedad
H en la Argentina. Sean los eventos,
B1 = tener H
B2 = no tener H
Para esto se testiaron a un grupo de control que puede considerarse representativo de
todo el paı́s y se obtuvo que el 0,1 % de la población está enfermo, es decir
P (B1 ) = 0,001, esto se traduce como la probabilidad de que una persona esté infectada
con H es del 0,1 %.
P (B2 ) = 0,999, esto se traduce como la probabilidad de que una persona no esté infectada
con H es del 99,9 %.
Pero, los desarolladores de los test informaron que si la persona está enferma hay un
98 % de probabilidad de que el test de positivo, y si la persona está sana hay un 3 % de
probabilidad de que el test de un falso positivo.
Si elegimos una persona al azar y el test le da positivo, ¿ Cuál es la probabilidad de que
esté enfermo?

Primero, como siempre, organicemos la información que tenemos. Además de los eventos
B1 y B2 , podemos definir los eventos ⊕ = el test da positivo y el evento ⊖ = el test da
negativo. Por la información que brindaron los desarrolladores del test sabemos que,
P (⊕/B1 ) = 0, 98, la probabilidad de que el test de positivo si la persona está enferma
con H.
P (⊕/B2 ) = 0, 03, la probabilidad de que el test de positivo si la persona está sana.
A partir de estos dos datos podemos deducir que,
P (⊖/B1 ) = 1 − P (⊕/B1 ) = 0, 02, la probabilidad de que el test de negativo si la persona
está enferma con H.
P (⊖/B2 ) = 1 − P (⊕/B2 ) = 0, 97, la probabilidad de que el test de negativo si la persona
está sana.
Y nos interesa determinar la probabilidad de que una persona, a la cual el test le da
positivo, esté enferma. Es decir, necesitamos determinar P (B1 /⊕). Y esto lo podemos resolver
aplicando el T. de Bayes ya que B1 , B2 son una partición de S,
La probabilidad de estar enfermo, si el test me da positivo, es de un 3,2 %.
1.6. PROBABILIDAD CONDICIONAL 21

Ejemplo:
Las máquinas A,B y C producen el 70 %, 20 % y 10 %, respectivamente, de los productos
de una fábrica. Además, se sabe que estas máquinas no son perfectas y del total de productos
producido por cada máquina el 2 %, 4 % y 6 %, respectivamente, son defectuosos.
Si agarro un producto al azar de la fábrica,

1. ¿Cuál es la probabilidad de que el producto sea defectuoso?

2. Si el producto seleccionado es defectuoso, ¿Cuál es la probabilidad de que haya sido

producido por la máquina B?

Primero organicemos la información.

El experimento aleatorio serı́a ε: tomar un producto al azar de la fábrica.
Podemos definir los siguientes eventos,
A: producido en la máquina A, con P(A)=0.7.
B: producido en la máquina B, con P(B)=0.2.
C: producido en la máquina C, con P(C)=0.1.
D: producto defectuoso, desconocemos P(D).
P(D/A)=0.02, probabilidad de que el producto sea defectuoso si fue producido en la
máquina A.
P(D/B)=0.04, probabilidad de que el producto sea defectuoso si fue producido en la
máquina B.
P(D/C)=0.06, probabilidad de que el producto sea defectuoso si fue producido en la
máquina C.

1. Queremos determinar P(D)

Como A,B,C conforman una partición de S, entonces podemos aplicar el T. de la proba-
bilidad total para calcular P(D),
P (D) = P (D/A)P (A)+P (D/B)P (B)+P (D/C)P (C) = 0,02∗0,7+0,04∗0,2+0,06∗0,1 =
0,028 = 2,8 %.
La probabilidad de que un producto sea defectuoso es del 2.8 %.

2. Si el producto seleccionado es defectuoso, ¿Cuál es la probabilidad de que haya sido

producido por la máquina B?. Nos está pidiendo que calculemos P(B/D).
Nuevamente como A,B,C son una partición de S, podemos aplicar el T. de Bayes para
determinar P(B/D),
P (B/D) = P (A)P (D/A)+PP (B)P
(B)P (D/B)
(D/B)+P (C)P (D/C)
= 0,28 = 28 %
La probabilidad de que un producto que es defectuoso provenga de la máquina B es del
28 %.

1.6.4. Independencia estadı́stica

Sean A y B dos eventos. Se dice que son independientes si,
22 CAPÍTULO 1. PROBABILIDAD

P (A/B) = P (A) o P (B/A) = P (B)

Esto significa que la ocurrencia de un evento no condiciona o modifica la probabilidad
de ocurrencia del otro.

Ejemplo:
Tengo un mazo de 40 cartas españolas y saco una carta al azar, sean los eventos
A: 1 de cualquier palo
B: cualquiera de espadas
¿Son A y B eventos independientes?
Para que lo sean se debe cumplir que P(A/B)=P(A), pero antes de calcularlo organicemos
la información
ε :sacar una carta al azar de un mazo de 40 cartas españolas.
S={cada una de las cartas del mazo}, con #S=40.
También sabemos que,
#A=4
#B=10
Como todas las cartas tienen la misma portabilidad de salir, entonces estamos en un
espacio muestral equiprobable
=⇒ P (A) = #A #S
= #casos f avorables
#casos totales
4
= 40 1
= 10

Veamos si P(A/B)=P(A),
P (A∩B)
P (A/B) = P (B)

Calculemos P (A ∩ B) y P (B),

A ∩ B :sacar un uno y que sea de espadas=sacar el 1 de espadas, con #(A ∩ B) = 1

=⇒ P (A ∩ B) = #(A∩B)
#S
1
= 40
P (B) = #B
#S
= 10
40
P (A∩B) 1/40 1
=⇒ P (A/B) = P (B)
= 10/40
= 10
= P (A)

Entonces A y B son eventos independientes.

1.7. Ejercicios
1. Sean los eventos A y B con P (A) = 12 , P (B) = 1
3
y P (A ∩ B) = 14 . Hallar:

(a) P (A/B), (b) P (B/A), (c) P (A ∪ B), (d) P (AC /B C ), (e) P (B C /AC ).

2. a) Si P (A/B) = 0,4, P (B) = 0,8 y P (A) = 0,6, ¿puede decirse que los eventos A y
B son independientes?
b) Si P (A/B) = 0,3 , P (B) = 0,8 y P (A) = 0,3, ¿puede decirse que los eventos AC
y B son independientes?
1.7. EJERCICIOS 23

3. Se tiene una urna con 10 bolillas blancas y 5 rojas. Se extraen al azar dos bolillas con
reemplazo de la urna. Establecer si los siguiente eventos son independientes:
A: “la primer bolilla es blanca”
B: “la segunda bolilla es roja”
¿Y si se hace la extracción sin reemplazo?

4. En cierta ciudad, 40 % de la población tiene cabellos castaños, 25 % tiene ojos castaños

y 15 % tiene cabellos y ojos castaños. Se escoge una persona al azar

a) Si tiene cabellos castaños, ¿cuál es la probabilidad de que también tenga ojos

castaños?
b) Si tiene ojos castaños, ¿cuál es la probabilidad de que tenga cabellos castaños?
c) ¿Cuál es la probabilidad de que no tenga ni cabellos ni ojos castaños?

5. Se lanza un par de dados normales. Hallar la probabilidad de que la suma de sus

números sea 10 o mayor si

a) aparece un 5 en el primer dado

b) aparece un 5 en uno de los dos dados por lo menos.

6. Una clase tiene 12 niños y 4 niñas. Si se escogen tres estudiantes de la clase al azar,
¿cuál es la probabilidad de que sean todos niños?. Resolver usando combinatorias y el
teorema de la multiplicación.

7. En un instituto, el 60 % de alumnos asiste al turno mañana y el 40 % restante asiste al

turno tarde. Los del turno mañana aprueban en un 70 % y los del turno tarde en un
80 %. Elegimos un alumno del instituto al azar.

a) ¿Qué probabilidad hay de que apruebe?

b) ¿Qué probabilidad hay de que si desaprobó, sea del turno tarde?

8. Supongamos que una clı́nica médica realiza pruebas de detección para tres enfermeda-
des: A, B y C. La siguiente información está disponible:
La probabilidad de que un paciente tenga la enfermedad A es del 20 %. La probabilidad
de que un paciente tenga la enfermedad B es del 15 %. La probabilidad de que un
paciente tenga la enfermedad C es del 10 %. Además, se sabe que las pruebas de
detección tienen las siguientes tasas de precisión:
Para la enfermedad A:
La probabilidad de que la prueba dé un resultado positivo dado que el paciente tiene
la enfermedad A es del 90 %.
Para la enfermedad B:
La probabilidad de que la prueba dé un resultado positivo dado que el paciente tiene
la enfermedad B es del 85 %.
Para la enfermedad C:
24 CAPÍTULO 1. PROBABILIDAD

La probabilidad de que la prueba de un resultado positivo dado que el paciente tiene

la enfermedad C es del 80 %.
Se elige al azar un paciente.

a) ¿Cuál es la probabilidad de que el resultado del test en esta persona de positivo?

b) Este paciente dio un resultado positivo en el test. ¿Cuál es la probabilidad de que
tenga la enfermedad A?

Responder las siguientes preguntas:

¿Qué diferencia hay entre dos eventos que son independientes y dos que son mu-
tuamente excluyentes?
¿Dos eventos mutuamente excluyentes, son independientes?
¿Qué condiciones se tienen que cumplir para que se pueda usar el teorema de la
multiplicación y el teorema de Bayes?

1.8. Ley de los grandes números

Esta ley nos dice que cuando el número de repeticiones de un experimento aleatorio ε es
muy grande, entonces la frecuencia relativa de un evento A, dada por

na cantidad de veces que ocurrió A

fA = =
n cantidad de veces que realicé el experimento

tiende a la probabilidad real del evento A, P(A). Es decir

lı́m fA = P (A)
n→∞

Por lo tanto, si queremos determinar la probabilidad de una evento A de interés, podrı́amos

realizar el experimento aleatorio ε una cantidad n de veces y contar la cantidad de veces que
ocurrió el evento A, na . A partir del cálculo de la frecuencia relativa fA = nna , y según el
teorema anterior si hago el experimento muchas veces, es decir si n es muy grande entonces
esta frecuencia relativa tiende a la probabilidad real del evento A que llamamos P(A).

Ejercicio para charlar en clase:

Pensar, en función de los conocimientos adquiridos hasta el momento, si existe alguna
forma de resolver la situación que se plantea a continuación.
Supongamos que un conocido, amante de los juegos de mesa, sabe que sos estudiantes de
probabilidad y estadı́stica; y te pide ayuda para resolver el siguiente problema.
”Hace poco se sumó al grupo un nuevo integrante. Desde que llegó no para de ganar,
creemos que los dados que utiliza están cargados. La última vez que nos juntamos intercambié
sus dados por otros para estudiarlos en casa, pero no se como hacer para saber si realmente
están cargados o son dados normales. ¿ Se te ocurre alguna forma de ayudarlo ? ”