ÓGICO DE MÉRIDA

UNIVERSIDAD ABIERTA Y A DISTANCIA DE MÉXICO

Licenciatura en Matemáticas

2 ° SEMESTRE

UNIDAD 1: Introducción a la Probabilidad

Probabilidad I

Actividad 1. Conceptos

Montalvo Adrián Jhonatan Alonso

Nombre del docente: Angélica Aguilar Escalante.

RESUMEN DE TEMAS PRINCIPALES DE LA ASIGNATURA PROBABILIDAD I.

UNIDAD 1.

1.1. Introducción a la probabilidad.

Modelos determinísticos y aleatorios.

Un experimento aleatorio es aquél en el que si lo repetimos con las mismas condiciones iniciales
no garantiza los mismos resultados. Así, por ejemplo, al lanzar una moneda no sabemos si saldrá
cara o cruz, al lanzar un dado no sabemos qué número aparecerá, la extracción de las bolas de
sorteos, loterías, etc. son experiencias que consideramos aleatorias puesto que en ellas no
podemos predecir los resultados.

Por el contrario, los experimentos deterministas son aquellos en que si se repiten las mismas
condiciones iniciales se garantiza el mismo resultado. Por ejemplo, un móvil que circula a una
velocidad constante durante un determinado tiempo recorre siempre el mismo espacio; una
combinación de sustancias en determinadas proporciones y temperatura producen siempre el
mismo resultado de mezcla; un examen con ninguna respuesta correcta produce siempre el
mismo resultado: CERO.

Espacio muestral

Al conjunto de todos los posibles resultados de un experimento aleatorio se le llama espacio

muestral.

Notación:

Para denotar un espacio muestral, se representa con la letra griega mayúscula Ω, en ingles se
denota con la letra mayúscula “S” (del inglés: sample space).

A cada resultado en un espacio muestral se le llama elemento o miembro del espacio muestral, o
simplemente punto muestral. (Walpole, R., Myers, R., & Myers, S. 2012, pág. 36)

Si el espacio muestral tiene un número finito de elementos, podemos listar los miembros
separados por comas y encerrarlos entre llaves. Por consiguiente, el espacio muestral S, de los
resultados posibles cuando se lanza una moneda al aire, se puede escribir como:
 S= { H , T }

en donde H y T corresponden a “caras” y “cruces”, respectivamente.

EJEMPLO

Considere el experimento de lanzar un dado. Si nos interesara el número que aparece en la cara
superior, el espacio muestral sería:

S1= {1 , 2 ,3 , 4 , 5 ,6 }

Si sólo estuviéramos interesados en si el número es par o impar, el espacio muestral sería

simplemente:

S2= { par , impar }

El ejemplo anterior ilustra el hecho de que se puede usar más de un espacio muestral para
describir los resultados de un experimento. En este caso, S1 brinda más información que S1. Si
sabemos cuál elemento ocurre en S1, podremos indicar cuál resultado tiene lugar en S2; no
obstante, saber lo que pasa en S2 no ayuda mucho a determinar qué elemento ocurre en S1. En
general, lo deseable sería utilizar un espacio muestral que proporcione la mayor información
acerca de los resultados del experimento. En algunos experimentos es útil listar los elementos del
espacio muestral de forma sistemática utilizando un diagrama de árbol.

Eventos simples

Se le llama evento o suceso a cualquier subconjunto del espacio muestral. Generalmente los
eventos se denotan con las primeras letras del abecedario en mayúsculas, sea A, B, C, D…etc.

Dado un caso en el que se efectúa un experimento aleatorio y se obtiene un resultado ω , sea

ω ∈ Ω, si ω ∈ A , ocurre el evento, por el contrario, si ω ∉ A no ocurre el evento.

Asimismo, tenemos que ∅ : evento imposible (nunca ocurre) y Ω : evento seguro (siempre ocurre).

EJEMPLO

Dado el espacio muestral S={t∨t ≥ 0 }, donde t es la vida en años de cierto componente

electrónico, el evento A de que el componente falle antes de que finalice el quinto año es el
subconjunto A={t∨0 ≤ t<5 }.
Cabe señalar que este tipo de eventos consta de un único resultado del experimento aleatorio.

Algebra de conjuntos (Operaciones con eventos)

Unión: La unión de dos eventos A y B, que se denota con el símbolo A ∪ B, es el evento que
contiene todos los elementos que pertenecen a A ó a B, o a ambos.

Sea ε un experimento aleatorio con espacio muestral Ω. Sean A y B dos eventos, tales que
A ⊆ Ω , B ⊆ Ω, se define:

A ∪ B= {ω ∈ Ω :ω ∈ A ó ω ∈ B }

Asimismo, de lo anterior se sigue que se cumplen las siguientes propiedades:

 A ∪ B=B ∪ A
 A ∪ A=A
 A ∪ ∅= A
 A ∪ Ω=Ω
 C
A ∪ A =Ω

La intersección de dos eventos A y B, que se denota con el símbolo A ∩ B, es el evento que

contiene todos los elementos que son comunes a A y a B.

Sea ε un experimento aleatorio con espacio muestral Ω. Sean A y B dos eventos, tales que
A ⊆ Ω , B ⊆ Ω, se define:

A ∩ B= { ω ∈Ω :ω ∈ A y ω ∈ B }

Asimismo, de lo anterior se sigue que se cumplen las siguientes propiedades:

 A ∩ B=B ∩ A
 A ∩ A=A
 A ∩ ∅= ∅
 A ∩Ω=A
 C
A ∩ A =∅
Diferencia: La diferencia de dos eventos A y B, que se denota con el símbolo A-B, es el evento
que contiene todos los elementos que pertenecen a A y no pertenecen a B.

Sea ε un experimento aleatorio con espacio muestral Ω. Sean A y B dos eventos, tales que
A ⊆ Ω , B ⊆ Ω, se define:

A−B={ ω ∈ Ω: ω ∈ A y ω ∉ B }

De lo anterior existe una propiedad equivalente a la diferencia de conjuntos.

C
A−B= A ∩ B

Asimismo, de lo anterior se sigue que se cumplen las siguientes propiedades:

 A−B ≠ B− A
 A−A= ∅
 A−∅ = A
 Ω−A= A C
 A−B= A−( A ∩ B)

El complemento de un evento A respecto de S es el subconjunto de todos los elementos de S que

no están en A. Denotamos el complemento de A mediante el símbolo AC .

Sea ε un experimento aleatorio con espacio muestral Ω. Sean A y B dos eventos, tales que
A ⊆ Ω , B ⊆ Ω, se define:

A ={ ω ∈ Ω:ω ∉ A }
C

 ∅ C =Ω
 Ω C =∅
C
 ( AC ) = A

LEYES ASOCIATIVAS

A ∪ ( B∪ C )= ( A ∪ B ) ∪ C=A ∪ B ∪ C
 A ∩ ( B ∩C ) =( A ∩B ) ∩C= A ∩ B ∩C

LEYES DISTRIBUTIVAS

A ∩ ( B ∪ C )= ( A ∩ B ) ∪ ( A ∩C )

A ∪ ( B∩ C )= ( A ∪ B ) ∩ ( A ∪ C )

LEYES DE DE MORGAN

( A ∪ B )C = A c ∩ Bc

( A ∩ B )c = A c ∪ B c

SUCESIONES DE EVENTOS

Cuando ocurre una unión finita de eventos, se denota lo siguiente:

¿ k =1 ¿ n Bk =B 1 ∪ B2 ∪ … ∪ Bn=Ocurre alguno de los eventos {B} rsub {1} , {B} rsub {2} ,…, {B} rsub {n

Para eventos infinitos:

¿ k =1 ¿ ∞ Bk =B1 ∪ B 2 ∪ … ∪ Bn ∪ …=Ocurre alguno de los eventos {B} rsub {1} , {B} rsub {2} ,…, {B} rsub

¿ k =1 ¿ n Bk =B 1 ∩ B2 ∩ … ∩B n=Ocurre n todos y cada uno de los eventos {B} rsub {1} , {B} rsub {2} ,…, {B

Para eventos infinitos:

¿ k =1 ¿ ∞ Bk =B1 ∩B 2 ∩… ∩ Bn ∩…=Ocurren todos y cada uno de los eventos {B} rsub {1} , {B} rsub {2} ,…,

Leyes distributivas

A ( ¿ k =1 ¿ n B k )=¿ k=1 ¿ n ( A B k )

A ( ¿ k =1 ¿ n B k )=¿ k=1 ¿ n ( A B k )

Leyes de De Morgan

c c c c c c
( ¿ k =1 ¿ n Bk ) =( B1 ∪ B 2 ∪… ∪ Bn ) =B1 ∩ B2 ∩… ∩B n =¿ k =1¿ n Bk
c c c c c c
( ¿ k =1 ¿ n Bk ) =( B1 ∩B 2 ∩… ∩ Bn ) =B1 ∪ B 2 ∪ … ∪ B n =¿ k =1¿ n Bk
Conjunto potencia

Sea Ω ≠ ∅ un conjunto, el conjunto potencia de Ω , se denota por 2Ω o P(Ω), y se define como

aquel conjunto constituido por todos los subconjuntos de Ω .

Ejemplo:

Si Ω={a , b , c }, entonces 2Ω ={ ∅ , { a } , { b } , { c } , { a ,b } , { a , c } , { b , c } ,{Ω }}

Cuando ¿ Ω< ∞→ ¿ ( 2Ω ) =2¿Ω

producto cartesiano

A × B={( a , b ) :a ∈ A , b ∈ B }

Ejemplo:

Si A={ 0 , 1 } y B= { x , y } entonces A × B= { ( 0 , 2 ) , ( 0 , y ) , (1 , x ) , ( 1 , y ) }

Análogamente se define A1 × A2 ×… × A n

 A×B≠B× A
 Si ¿ A=n y ¿ B=mentonces ¿ ( A × B ) =n ∙m
 ¿( A × B)=¿(B × A)
 Si ¿ A1=n1 , ¿ A2=n2 ,… ,¿ A k =nk entonces ¿ ( A1 × A 2 × …× A k ) =n1 ∙ n2 ∙∙ ∙ nk

1.2 Enfoques para el cálculo de probabilidad

El Enfoque Clásico o de Laplace. (Probabilidad a priori, antes de que el experimento se realice).

De los 3 métodos de asignar una Probabilidad, el enfoque clásico es el que con más frecuencia se
relaciona con los juegos de envite (apuesta) y los de azar. La Probabilidad clásica de un evento o
suceso A viene determinada por:

Número de veces que el suceso puede ocurri r

P ( A )=
Número total de casos posible s
El ejemplo clásico es el del lanzamiento de dos dados y registrar la suma de los puntos de las
caras superiores. El espacio de muestra es 𝑺 = {𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗, 𝟏𝟎, 𝟏𝟏, 𝟏𝟐}

Por ejemplo, La probabilidad a priori de que al lanzar los dos dados obtengamos un 7 es:

6 1
P ( 7 )= =
36 6

La probabilidad de obtener un 11 es:

2 1
P ( 11)= =
36 18

Y la probabilidad de obtener un 7 o un 11 es:

1 1 2
P ( 7 ∪ 11)= + =
6 18 9

El Enfoque de Frecuencia Relativa. (Probabilidad a posteriori, después de que el experimento

se realizó).

En el método de frecuencia relativa se utilizan datos pasados obtenidos en observaciones

empíricas. Se tiene en cuenta la frecuencia con que ha ocurrido un suceso en el pasado y se
estima la posibilidad de que vuelva a ocurrir a partir de estos datos históricos. La probabilidad a
posteriori de un evento A viene determinada por:

Número de veces que el suceso ha ocurri do

P ( A )=
Número total de observaciones

El enfoque empírico utiliza la frecuencia relativa como una aproximación al valor de la

probabilidad de un evento, esto se refiere a un valor empírico de la probabilidad de ocurrencia del
evento, la cual es un valor teórico resultante de un cálculo matemático.

Es conveniente por lo tanto tener, presente el concepto de frecuencia, como la cantidad de veces
que ocurre un evento en un determinado periodo. Ahora bien, las frecuencias pueden ser
absolutas o relativas:

Frecuencia absoluta: Es el número de veces que se presenta un evento determinado en un

experimento.

Frecuencia relativa: Es la fracción o porción de veces que se presenta un evento determinado en

un experimento.

Ejemplo. Durante el mes de septiembre hubo 50 nacimientos en los hospitales de la ciudad. 32 de

los recién nacidos fueron niñas.

El enfoque de frecuencia relativa revela que la probabilidad de que el recién nacido siguiente (o
cualquier recién nacido tomado al azar) sea una niña es:

32 16
P ( Niña )= =
50 25

El Enfoque Subjetivo. Donde se expresa un grado meramente personal de creencia de la

posibilidad de que un acontecimiento específico de un experimento aleatorio suceda.

En muchas ocasiones no se dispone de datos históricos. Por consiguiente no es posible calcular la

Probabilidad a partir del comportamiento anterior. La única alternativa es la de estimar la
probabilidad según nuestro mejor criterio.
Ejemplo 1. La Probabilidad de que una mujer sea elegida presidenta de Estados Unidos. Como no
hay datos históricos en que apoyarse, deberemos recurrir a nuestras opiniones y creencias para
hacer una estimación subjetiva.

Ejemplo 2. La posibilidad de que el equipo del Politécnico Nacional juegue en el súper tazón de
futbol americano el próximo año

1.3 Técnicas de conteo

Regla de la suma.

La regla de la suma es una de las reglas más simples que se utiliza en el cálculo de las
probabilidades. Si una tarea consta de 𝑛 pasos distintos para realizarse y otra de 𝑚 pasos
distintos, y si las dos tareas en cuestión no son viables de realizarse juntas ni en sucesión, por ser
mutuamente excluyentes, entonces el número total de maneras de realizar ambas tareas es 𝑛+𝑚

Es decir, si P( A) y P(B) representan respectivamente las probabilidades para los eventos 𝐴

y 𝐵, entonces la probabilidad P( A ∪ B) de que ocurran 𝐴 o 𝐵, , se obtiene por:

1. Si estos eventos son mutuamente excluyentes ( A ∩ B= ∅), P ( A ∪ B )=P ( A ) + P ( B )

2. Si A ∩ B≠ ∅ entonces P ( A ∪ B )=P ( A ) + P ( B ) −P( A ∩ B)

Regla del producto.

Si una tarea consta de 𝑛 pasos distintos para realizarse y otra de 𝑚 pasos distintos, y si ambas no
son excluyentes, sino que es posible realizarlas juntas o en sucesión, entonces el total de pasos
distintos (o formas) en que pueden efectuarse la primer tarea seguida por la segunda es de 𝑛∙𝑚.

Las anteriores reglas se generalizan con facilidad para más de dos tareas o para 𝑛 eventos.

Ejemplo: ¿Cuántos puntos muestrales hay en el espacio muestral cuando se lanza un par de dados
una vez?

Solución: El primer dado puede caer en cualquiera de n1 = 6 maneras. Para cada una de esas 6
maneras el segundo dado también puede caer en n2 = 6 formas. Por lo tanto, el par de dados
puede caer en n1 n2 = (6)(6) = 36 formas posibles.

Permutaciones
Una permutación es un arreglo de todo o parte de un conjunto de objetos. Considere las tres letras
a, b y c. Las permutaciones posibles son abc, acb, bac, bca, cab y cba, por lo tanto, vemos que
hay 6 arreglos distintos.

En general, n objetos distintos se pueden arreglar en

n(n – 1)(n – 2)· · ·(3)(2)(1)formas

Existe una notación para una cifra como ésta.

Para cualquier entero no negativo n, n!, denominado “n factorial” se define como:

N !=n ( n−1 ) … ( 2 ) ( 1 )

Con el caso especial de 0 !=1

En general, n objetos distintos tomados de r a la vez se pueden arreglar en:

n ( n−1 )( n−2 ) … ( n−r +1 )

n!
nPr=
( n−r ) !

Combinaciones

Las combinaciones de n objetos (o cosas) distintos tomando k de ellos a la vez, representan el

número de subconjuntos diferentes de tamaño k que se pueden obtener con esos n objetos.

Dado un conjunto con n elementos distintos X ={x 1 , x 2 , … , x n }del cual nos interesa seleccionar k
elementos distintos (es decir, no los repetimos) en donde k ≤ n, entonces el número total de
combinaciones se calcula por: (nota que no es importante el orden)

n!
nCk= , para k ≤ n
k ! ( n−k ) !

Referencias bibliográficas
Modelo Estadística. Proyectodescartes.org. (2022). Recuperado el 5 de Octubre de 2022, de
https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/
IntroduccionEstadisticaProbabilidad/3ESO/8ExperimentoAleatorioEspacioMuestral/index.html

Walpole, R., Myers, R., & Myers, S. (2012). Probabilidad y estadística para ingeniería y ciencias
(9a. ed.). México: Pearson Educación.

Tapia Moreno, D. (2015). Mat.uson.mx. Recuperado el 5 de Octubre de 2022, de

http://mat.uson.mx/~ftapia/Documentos%20de%20Clase/Clases%20del%20dia%202015-2/Clase
%2021%20Octubre%2013.pdf

Rincón, L. (2014). Introducción a la probabilidad. Universidad Nacional Autónoma de México.

Recuperado el 5 de Octubre de 2022, de https://lya.fciencias.unam.mx/lars/Publicaciones/Prob1-
2016-0.pdf