Probabilidad y Estadística - 2024-A

Sección 2: Probabilidad

Preparado por:

Cátedra de Probabilidad y Estadística - EPN

 0. Í NDICE GENERAL

1 Probabilidad 3

1.1 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.1.1 Diagrama de árbol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.2 Métodos de enumeración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.2.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.2.2 Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.2.3 Permutaciones a partir un conjunto con elementos repetidos . . . . . . . . . . . 18

1.3 Probabilidad Condicional e Independencia . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.4 Probabilidad Total y Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2
 1. P ROBABILIDAD

R ESULTADOS DE APRENDIZAJE

C ONOCIMIENTOS

1. Conocer los conceptos básicos de la probabilidad (Descripción, Espacio muestral, sucesos, etc).

2. Definir los conceptos de probabilidad distinguiendo entre sus respectivas notaciones en teoría
de conjuntos y teoría de probabilidades.

3. Entender la definición matemática de la probabilidad.

4. Aprender y aplicar las propiedades de la probabilidad.

5. Distinguir los distintos tipos de espacios muestrales (Discreto o Continuo).

6. Aprender los distintos métodos de conteo.

7. Distinguir en que situaciones se utilizan el principio de la multiplicación o el principio de la

adición.

8. Distinguir en que situaciones se utilizan combinaciones o permutaciones.

9. Entender la probabilidad condicional y la independencia de eventos.

10. Aplicar el teorema de Bayes.

I NTRODUCCIÓN

En sus inicios el desarrollo de la probabilidad fue financiada por los grandes apostadores en el
siglo XVII, para conocer las probabilidad de los diferentes juegos de azar de la época, este desarrollo
fue aprovechado después por los científicos en diferentes fenómenos físicos y en este capítulo se
presenta los principales elementos de la probabilidad.

Desde muy pequeños desarrollamos la idea de probabilidad al jugar juegos de mesa y al enfren-
tarnos a situaciones aleatorias. Por ejemplo, en el lanzamiento de un dado, es claro que existen seis
posibles resultados y que en cada nuevo lanzamiento no siempre se obtiene el mismo resultado an-
terior. Del mismo modo cuando lanzamos una moneda tenemos dos posibles opciones y en cada

3
Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

lanzamiento se puede obtener una u otra opción (cara o sello). De esta manera, el ser humano poco a
poco adquiere una idea intuitiva de probabilidad y aunque no sepa definirla ni calcularla.

El enfoque más intuitivo desde el cual se aborda la probabilidad es a través de la frecuencia

relativa, es decir, a través de la repetición del experimento. Por ejemplo, al lanzar una moneda un
gran número de veces de tal manera que registramos el número de lanzamientos y el número de
caras y sellos; en concreto, digamos que lanzamos 100 veces, la proporción de caras es cercano a la
mitad (obviamente si la moneda no ha sido modificada), es decir, 50 caras; la frecuencia relativa en
este experimento es 21 , la frecuencia es aproximadamente la probabilidad de que se obtenga cara en
un lanzamiento de moneda.

La probabilidad juega un papel muy importante en diferentes ramas de la ciencia y es un instru-

mento básico y necesario para su abordaje, nos permitirá afrontar situaciones de la vida cotidiana,
nos permitirá predecir, modelar, probar hipótesis, inclusive realizar control de calidad, entre muchas
otras aplicaciones.

1.1. D EFINICIONES

Antes de abordar la probabilidad vamos a establecer ciertos conceptos fundamentales en el con-

texto estadístico; primero vamos a distinguir el concepto de experimento aleatorio.

Existen dos tipos de fenómenos, los primeros son aquellos que bajo un conjunto específico de
condiciones permiten obtener los mismos resultados. En particular, si se deja caer un objeto de cierta
altura el tiempo que se demora en llegar al suelo es el mismo independientemente del número de
veces que se repita el experimento. En cambio, hay ciertos fenómenos, a pesar de que se hagan bajo
las mismas condiciones el resultado es diferente cada vez que se repite; por ejemplo, al sacar una
bolita al azar en el bingo, el lanzamiento de un dado, sacar una carta al azar, etc. A este tipo de
“fenómenos” los llamaremos experimentos aleatorios; así:
Definición 1 – Experimento Aleatorio
Es un fenómeno con un resultado que no se puede predecir con certeza.

Tomemos el experimento aleatorio escoger de una bolsa de cuatro canicas de diferentes colores una al
azar e identificar el color de la misma, digamos que los colores de las canicas son NEGRO, ROJO, BLANCO
y VERDE , así al sacar una bola al azar, el color de ésta será uno de los cuatro anteriores. Lo único
que podremos es adivinar cuál es el color de la bola, pero nunca sabremos con certeza el color de la
misma sin verla.
Definición 2 – Espacio Muestral
Al conjunto de todos los posibles resultados de un experimento aleatorio se le denomina espacio
muestral, notaremos al espacio muestral con Ω.

Del ejemplo anterior observemos que el espacio muestral es el conjunto de los cuatro colores que
de cualquiera de las bolas, es decir,

Ω = { NEGRO, ROJO, BLANCO, VERDE }.

4 1.1. DEFINICIONES
CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

Definición 3 – Suceso o evento

Cualquier subconjunto del espacio muestral se denomina suceso o evento.

En términos de conjuntos, es claro que el espacio muestral y el conjunto vacío son también even-
tos, también lo son cualquier evento individual o combinado. Por ejemplo, el evento de que la bola
al azar sea verde o roja se puede representar por el conjunto

A = { ROJO, VERDE }.

Como observamos para estudiar la teoría de probabilidades es de vital importancia conocer la teoría
de conjuntos, la cual se ha abordado en cursos anteriores. De esta manera, abordaremos esta teoría de
forma sencilla haciendo las respectivas traducciones del lenguaje conjuntista al lenguaje estadístico.
Es claro que cualquier conjunto, subconjunto del espacio muestral, es un evento o suceso. La clase
universal, en cada experimento, será el espacio muestral; la clase vacía es un evento imposible o
falso; el complemento de un conjunto A (Ac ) es el evento contrario de A, en términos de conjuntos lo
podemos expresar por Ω r A.

De forma similar a como se hacen las operaciones entre conjuntos (unión, intersección, diferencia
y complemento) se lo realiza con los eventos y de esta manera se puede obtener o caracterizar eventos
particulares que juegan un papel fundamental en la estadística. El siguiente ejemplo permite aclarar
estas definiciones.

Ejemplo 1. Consideremos un dado que está formado por seis lados en los cuales se tiene numerado
desde el 1 hasta el 6. Supongamos que A es el evento de al lanzar un dado y obtener un número
menor que 4. Luego, B sea el evento de al lanzar un dado se obtenga un número par.

Tenemos que: A = {1, 2, 3} y B = {2, 4, 6}

Ahora bien, A ∪ B representa el evento de que al lanzar un dado se obtenga un número que sea
menor que 4 o que sea par. Es decir,

A ∪ B = {1, 2, 3, 4, 6}

El evento de obtener un número menor que 4 y que sea un número par representa A ∩ B. Luego,

A ∩ B = {2}

El evento de obtener un número que sea menor a 4, pero que no sea par representa A r B. Es decir,

A r B = {1, 2, 3, 4, 6}

Finalmente, el evento de al lanzar un dado y obtener un número impar representa Bc , es decir,

Bc = {1, 3, 5}

1.1. DEFINICIONES 5
Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

Así, se puede definir eventos importantes en el estudio de la estadística tales como eventos inde-
pendientes, dependientes mutuamente excluyentes, etc y otros tipos de eventos que en lenguaje se
puede observar frases como: “al menos”, “a lo más”, “todos a la vez” entre otras frases. Por ejemplo,

Ejemplo 2. Imaginemos que se tiene dos tetraedros regulares con cada una de sus caras numeradas.
Se lanzan a una mesa y se anota los resultados.

a) Determine el espacio muestral para este experimento.

b) Determine los elementos del evento A que representa que la suma de los números sea al menos
6.

c) Determine los elementos del espacio B que representa que la suma de los números sea a lo
mucho 3.

d) Determine los elementos del evento C que representa que la suma de los números sea más de
6.

e) Determine los elementos del evento D que representa que la suma de los números sea menos
de 3.

Solución.

a) Para determinar el espacio muestral usaremos pares ordenados, la primera componente es el

número del primer tetraedro, y la segunda componente es el número obtenido en el segundo
tetraedro. Así,  


 (1, 1), (1, 2), (1, 3), (1, 4), 


 
 (2, 1),

(2, 2), (2, 3), (2, 4), 

Ω= .
 (3, 1),
 (3, 2), (3, 3), (3, 4), 


 

 (4, 1),

(4, 2), (4, 3), (4, 4) 


b) El hecho de que la suma de los números de los tetraedros sea al menos 6 significa que la suma
puede ser 6, 7 u 8, luego,
A = {(3, 3), (3, 4), (4, 3), (4, 4)}.

c) El hecho de que la suma de los números de los tetraedros sea a lo mucho 3 significa que la suma
puede ser 2 o 3, luego,
B = {(1, 1), (1, 2), (2, 1)}.

d) El hecho de que la suma de los números de los tetraedros sea más de 6 significa que la suma
puede ser 7 u 8, luego,
C = {(3, 4), (4, 3), (4, 4)}.

e) El hecho de que la suma de los números de los tetraedros sea menos de 3 significa que la suma
puede ser 2, luego,
D = {(1, 1)}.

6 1.1. DEFINICIONES
CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

Ahora, definamos lo que son eventos mutuamente excluyentes:

Definición 4
Dos eventos A y B son mutuamente excluyentes si no es posible que ocurran al mismo tiempo.
En términos de conjuntos, estos eventos son mutuamente excluyentes si son disjuntos, es decir,
si
A ∩ B = ∅.

Ejemplo 3. Retomemos el ejemplo 1.

Ahora consideremos como C al evento de que al lanzar el dado se obtenga el número impar. Y, D
como el evento de que al lanzar el dado se obtenga el número 2.

Esta claro que los dos eventos no se pueden dar al mismo tiempo pues no es posible obtener un
número impar y el 2 a la vez. Estos dos eventos son los que se consideran mutuamente excluyentes.

Como se dijo al inicio de este capítulo la forma intuitiva de abordar la probabilidad es a través de
la frecuencia relativa de un evento, para ello vamos a definir lo siguiente:
Definición 5 – Frecuencia relativa de un evento
Si un experimento aleatorio se realiza n veces y A es un evento que ocurre n A veces, entonces la
frecuencia relativa del evento A, lo que representaremos por f A , es cociente de n A y n, es decir,

nA
fA = .
n

Es claro que bajo esta definición se cumple que

1. A no ocurre en los n experimentos si y solo si f A = 0.

2. A ocurre siempre en los n experimentos si y solo si f A = 1.

3. 0 6 f A 6 1

4. Si A y B son mutuamente excluyentes, entonces f A∪ B = f A + f B

5. Si n aumenta f A se establece en un valor determinado, esto es lo que llamaremos en el sentido

probabilístico “converger”.

Ejemplo 4. Se ha ubicado 10 bolas numeradas con los dígitos en una bolsa, cada vez que se saca
una bola se escribe en una hoja el número de la bola sacada y se la vuelve a meter en la bolsa, así se
obtiene lo siguiente:

Número de la bola 0 1 2 3 4 5 6 7 8 9
Número de apariciones 5 3 3 2 5 7 2 5 4 6

Si se tiene los eventos

1.1. DEFINICIONES 7
Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

A: El número es par, C: El número es mayor que 3 e impar,

B: El número es divisible por 3, D: El número es primo.

Determinemos f A , f B , f C , f D , f A∪ B , f A∪C , f B∩C y f DrC

Solución. En primera instancia determinemos el espacio muestral y los conjuntos A, B, C y D:

Ω = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
A = {0, 2, 4, 6, 8} B = {0, 3, 6, 9}
C = {5, 7, 9} D = {2, 3, 5, 7}

Luego, es claro que se han hecho 42 experimentos y de la definición de frecuencia relativa se tiene
que

5+3+5+2+4 19 5+2+2+6 5
fA = = , fB = = ,
42 42 42 14
7+5+6 3 3+2+7+5 17
fC = = , fD = = .
42 7 42 42

Vamos a determinar los conjuntos

A ∪ B = {0, 2, 3, 4, 6, 8, 9}, A ∪ C = {0, 2, 4, 5, 6, 7, 8, 9}, B ∩ C = {9}, D r C = {2, 3};

después,

5+3+2+5+2+4+6 9 5+3+5+7+2+5+4+6 37
f A∪ B = = , f A∪C = = ,
42 14 42 42
6 1 3+2 5
f B∩C = = , f D rC = = .
42 7 42 42

Tomemos en cuenta que f A∪ B 6= f A + f B ya que A y B no son mutuamente, ya que A ∩ B = {6} 6= ∅,

pero f A∪C = f A + f C ya que A y C sí son eventos mutuamente excluyentes, y se verifica que A ∩ C =
∅.
Definición 6 – Probabilidad
Dado un espacio muestral Ω y la función P : P (Ω)a → R, la probabilidad del evento A es
P( A), tal que

I) P(Ω) = 1;

II ) P( A) > 0, para todo A ∈ P (Ω), y

III ) si A y B son mutuamente excluyentes, P( A ∪ B) = P( A) + P( B).

a El signo P (Ω) representa el conjunto de partes de Ω.

Las tres proposiciones anteriores son los que se conocen como axiomas de la probabilidad, de
aquí se deducen las siguientes proposiciones:

8 1.1. DEFINICIONES
CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

Teorema 1 – Propiedades de la probabilidad

1. P(∅) = 0.

2. P( Ac ) = 1 − P( A).

3. Si A ⊆ B, P( A) 6 P( B).

4. P( A) = P( A r B) + P( A ∩ B).

5. P( A ∪ B) = P( A) + P( B) − P( A ∩ B).

Observemos que de la definición de frecuencia relativa de un evento se tiene que el valor al que
converge f A cuando n tiende al infinito es justamente P( A). Así, la manera más sencilla de calcular
la probabilidad de un evento A está dada por

número de formas que el evento A ocurra

P( A) = .
número de posibles resultados del experimento

Ejemplo 5. Calcular la probabilidad de que al lanzar un dado,

a) salga un número par,

b) salga 4 o 6.

c) obtener un número mayor que 6.

d) obtener un número menor o igual a 6.

Solución. Observemos que el espacio muestral para este experimento es

Ω = {1, 2, 3, 4, 5, 6}

y, en consecuencia, |Ω| = 6 1 . Vamos a definir el conjunto A = {2, 4, 6} que representa al evento que
al lanzar un dado salga un número par. Luego, que suceda este evento es:

| A| 3 1
P( A) = = = .
|Ω| 6 2

Ahora, definamos el conjunto B = {4, 6} que representa al evento de que al lanzar un dado salga 4 o
6.
| B| 2 1
P( B) = = = .
|Ω| 6 3
El evento de que al lanzar un dado se obtenga un número mayor a 6 es un evento imposible, es decir,
lo podemos representar por C = ∅, en consecuencia,

P(C ) = P(∅) = 0.
1 El signo | Ω | representa la cardinalidad (número de elementos) del conjunto finito Ω. Y, para nuestros propósitos repre-

sentará el número de formas en que ocurre el evento (Ω en particular).

1.1. DEFINICIONES 9
Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

Finalmente, el evento de que al lanzar un dado se obtenga un número menor o igual a 6 es el evento
contrario al evento C, es decir, D = C c , luego,

P( D ) = P(C c ) = P(Ω) = 1.

Ejemplo 6. Demostrar que

P ( A c ) = 1 − P ( A ).

Demostración. Recordemos de la teoría de conjunto se sabe que A ∩ Ac = ∅, de donde concluimos

que A y Ac son eventos mutuamente excluyentes, luego,

P ( A ∪ A c ) = P ( A ) + P ( A c ),

de donde,
P ( Ω ) = P ( A ) + P ( A c );

ya que A ∪ Ac = Ω, y en consecuencia,

P ( A c ) = 1 − P ( A ).

Definición 7 – Principio de la suma

Si | A| = m, | B| = n y A ∩ B = ∅, entonces

| A ∪ B| = m + n.

Esto quiere decir que: “Si un suceso A puede ocurrir de m maneras (| A| = m), y otro suceso
B puede ocurrir de n maneras (| B| = n), y no pueden ocurrir ambos simultáneamente, entonces el
suceso A ∪ B puede ocurrir de m + n maneras”.

Esta definición se puede generalizar, si A1 , . . . , An son disjuntos dos a dos, entonces

| A1 ∪ A2 ∪ . . . ∪ A n | = | A1 | + | A2 | + . . . + | A n |.

Esto significa que si un evento A1 puede ocurrir de m1 maneras, un evento A2 de m2 maneras, etc., y
un evento An ocurre de mn maneras, entonces la unión de estos eventos ocurre de m1 + m2 + . . . + mn
maneras.
Definición 8 – Principio del producto
Si | A| = m y | B| = n, entonces

| A × B| = | A| · | B| = m · n.

Este principio puede visualizarse disponiendo todos los elementos del producto cartesiano A × B
en una tabla. Suponiendo que A = { a1 , . . . , am } y B = {b1 , . . . , bn }, entonces los elementos de A × B

10 1.1. DEFINICIONES
CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

son pares ordenados:

( a1 , b1 ) ( a1 , b2 ) ... ( a 1 , bn )
( a2 , b1 ) ( a2 , b2 ) ... ( a 2 , bn )
.. .. .. ..
. . . .
( am , b1 ) ( am , b2 ) . . . ( am , bn )

Se ve claramente que el cuadro tiene m filas y n columnas, y por lo tanto, | A × B| = m · n = | A| · | B|.

Esta definición la usaremos para determinar la cardinalidad de eventos que se realizan de forma
sucesiva, es decir, si un primer objeto puede escogerse entre m posibles, y después de realizada esta
selección puede escogerse un segundo objeto entre n posibles, entonces pueden escogerse m · n pares
diferentes.

Esta definición se puede generalizar, así

| A1 × A2 × . . . × A n | = | A1 | · | A2 | · . . . · | A n |,

es decir, si un evento A1 ocurre de m1 formas, y después de realizado este evento se realiza A2 y este
puede ocurrir m2 formas, etc., hasta que el n-ésimo evento (An ) se realice y este ocurre de mn formas;
entonces los n eventos ocurren de forma sucesiva de m1 · m2 · . . . · mn formas.

Ejemplo 7. ¿De cuántas maneras pueden colocarse una torre blanca y una torre negra en un tablero
de ajedrez de modo que se ataquen?

Respuesta. El tablero de ajedrez esta formado de 8 filas y 8 columnas, entonces, el número de casillas
en que se puede ubicar la torre blanca es 8 · 8 = 64.

Una vez ubicada la torre blanca, la torre negra debe colocarse en una casilla de la misma columna
o fila ocupada por la torre blanca, si consideramos como el suceso A la ubicación de la torre negra
en una casilla de la misma fila donde se ubica la torre blanca tenemos que | A| = 7 es decir existe 7
maneras diferentes de ubicarse en las casillas y si consideramos como el suceso B la ubicación de la
torre negra en una casilla de la misma columna donde se ubica la torre blanca tenemos que | B| = 7,
es decir, existe otras 7 maneras diferentes de ubicarse en las casillas.

Como A y B son sucesos mutuamente excluyentes entonces por el principio de la suma se tienen
7 + 7 = 14, diferentes maneras de ubicarse la torre negra.

Por lo tanto, del principio del producto podemos concluir que se tienen 64 · 14 = 896 maneras
de colocarse la torre blanca y negra. Ya que primero se ubica la torre blanca y luego la torre negra.
El orden de colocación de las piezas es indiferente, es decir, si se ubica primero la negra y luego la
blanca el resultado es el mismo.

1.1.1.- D IAGRAMA DE ÁRBOL

Para determinar los elementos del espacio muestral es común hacer un listado de ellos, una forma
para hacerlo de forma sistemática es justamente el diagrama de árbol. Este es un esquema en el cual
se detalla como ocurren los eventos, en ocasiones de forma sucesiva, no es necesario que así ocurra.

1.1. DEFINICIONES 11
Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

Ejemplo 8. ¿Cuáles son los posibles resultados del lanzamiento de dos dados?

Respuesta. Para este experimento el orden en el que se lancen los dados no es relevante, es decir, no
importa si lanzo uno u otro primero. Cada dado tiene 6 resultados posibles como se observa en la
figura 1.1.
Primer Segundo Puntos del
Dado Dado espacio muestral
1 (1, 1)
2 (1.2)
3 (1, 3)
1 4 (1, 4)
5 (1, 5)
6 (1, 6)
1 (2, 1)
2 (2, 2)
3 (2, 3)
2 4 (2, 4)
5 (2, 5)
6 (2, 6)
1 (3, 1)
2 (3, 2)
3 (3, 3)
3 4 (3, 4)
5 (3, 5)
6 (3, 6)
1 (4, 1)
2 (4, 2)
3 (4, 3)
4 4 (4, 4)
5 (4, 5)
6 (4, 6)
1 (5, 1)
2 (5, 2)
3 (5, 3)
5 4 (5, 4)
5 (5, 5)
6 (5, 6)
1 (6, 1)
2 (6, 2)
3 (6, 3)
6 4 (6, 4)
5 (6, 5)
6 (6, 6)
Figura 1.1: Diagrama de árbol de los resultados del lanzamiento de dos dados.

Así, el primer evento tiene 6 resultados posibles y el segundo también; en resumen, el lanzamiento
de los dados se realiza de 36 formas diferentes en el diagrama de árbol se puede observar estos 36
“puntos” muestrales.

Observemos que existe una fuerte relación entre el número de elementos del espacio muestral,
las formas en que un evento ocurre y el cálculo de la probabilidad de que suceda dicho evento; por
esta razón vamos a ver diversos métodos de enumeración.

12 1.1. DEFINICIONES
CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

1.2. M ÉTODOS DE ENUMERACIÓN

Hemos visto que es necesario contar los elementos ya sean del espacio muestral o de los elementos
de un evento. De aquí, que es necesario contar los grupos que se pueden formar a partir de un
conjunto, al cual llamaremos conjunto base, y lo representaremos por Ψ, y que puede tener elementos
diferentes o repetidos. Por ejemplo, tenemos los siguientes conjuntos

Ψ = { a, a, b, b, b, c, d, e, e}, Ψ = {♥, ♦, ♠, ♣},

en donde, el primer conjunto tiene 9 elementos y algunos se repiten; en cambio, el segundo tiene 4
elementos todos distintos. Ahora, tomemos en cuenta el conjunto Ψ = { a, b, c, d} y con los elementos
de este conjunto podemos formar, por ejemplo, los siguientes conjuntos:

{ a }, { a, b}, { a, b, d}, {b, a, d}, {c, b, d}, { a, a, a, a}, { a, b, a, d}.

Observemos que para formas estos grupos se toman en cuenta los siguientes criterios criterios:

1. número de elementos del grupo, este número puede variar entre 1 y el número de elementos
del conjunto base;

2. repetición de elementos, es decir, si los grupos se los realiza con elementos repetidos y si son
todos diferentes;

3. orden de los elementos, es decir, si el orden de los elementos en el grupo es relevante o no.

De esta manera surge la pregunta: ¿cuántos grupos de k elementos se puede formar a partir de un
conjunto de n elementos?, aquí es importante resaltar los aspectos de orden y repetición, ya que son
claves para las agrupaciones.

Cuando el orden no es un factor relevante en las agrupaciones, es decir, no importa el orden de los
elementos en cada una de estas agrupaciones, se les denomina combinaciones; en cambio, si el orden
es relevante las agrupaciones reciben el nombre de permutaciones. Y existen tanto combinaciones
con y sin repetición como permutaciones con y sin repetición.

1.2.1.- P ERMUTACIONES

Definición 9 – Permutación
Dado un conjunto con n elementos diferentes, a cada uno de los arreglos de k elementos, en
un orden predeterminado, tal que 1 6 k 6 n se le denomina permutación de n elementos
tomados k a la vez. Dos permutaciones son diferentes si al menos un elemento es diferente o si
el orden de presentación es distinto. Además, una permutación es sin repetición si cada uno de
los elementos aparece una sola vez.

1.2. MÉTODOS DE ENUMERACIÓN 13

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

Permutaciones sin repetición

Veamos como calcular el número de permutaciones sin repetición y como formar estas agrupa-
ciones a partir de un conjunto base dado.

Ejemplo 9. Respondamos la pregunta: ¿de cuántas formas se pueden formar grupos de 2 elementos
a partir del conjunto {♥, ♦, ♠, ♣}? En este caso, bajo el supuesto de que el orden sí importa, pero sin
repetición de elementos.

Respuesta. Es claro que los grupos de 2 elementos que podemos formar a partir del conjunto base, sin
repetir elementos, son:
{♥, ♦} {♥, ♠} {♥, ♣}
{♦, ♥} {♦, ♠} {♦, ♣}
{♠, ♥} {♠, ♦} {♠, ♣}
{♣, ♥} {♣, ♦} {♣, ♠}
Es decir, el número de permutaciones sin repetición diferentes de 4 elementos tomados 2 a la vez es
12.
Teorema 2 – Permutaciones sin repetición
El número de permutaciones sin repetición diferentes de n elementos tomados k a la vez, repre-
sentada por n P k , es
n!
,
(n − k)!
es decir,
n!
n Pk = .
(n − k)!

Ejemplo 10. Determine el número de formas que se puede sentar 8 personas en 4 sillas en un orden
determinado.

Solución. Es claro que el orden es importante en esta situación y que si una persona se sienta en una
silla ya no se puede sentar en otra. Por lo tanto, vamos a determinar el número de permutaciones sin
repetición de 8 elementos tomados 4 a la vez,

8! 8 · ·7 · 6 · 5 · 4!
8 P4 = = = 8 · ·7 · 6 · 5 = 1 680.
(8 − 4) ! 4!

En consecuencia, el número de posibles formar de sentar a estas 8 personas en las 4 sillas es 1 680.

Ahora bien, si queremos determinar el número de formas que se puede sentar 8 personas en 8
sillas en un orden determinado, el valor de k en este caso sería 8 al igual que el valor de n, entonces
la relación para las permutaciones sin repetición pasaría a ser la siguiente

n!
n Pn =
(n − n)!
n!
=
1!

14 1.2. MÉTODOS DE ENUMERACIÓN

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

= n!

La respuesta a la interrogante planteada sería igual a 8!, es decir 40 320 formas.

Permutaciones con repetición

Ahora, observemos como formar a partir de un conjunto base agrupaciones con elementos repe-
tidos y determinar el número de agrupaciones posibles que se pueden formar.

Ejemplo 11. Respondamos la pregunta: ¿de cuántas formas se pueden formar grupos de 2 elementos
a partir del conjunto {♥, ♦, ♠, ♣}? En este caso, bajo el supuesto de que el orden sí importa, y los
elementos se pueden repetir.

Respuesta. Es claro que los grupos de 2 elementos que podemos formar a partir del conjunto base
son:
{♥, ♥} {♥, ♦} {♥, ♠} {♥, ♣}
{♦, ♥} {♦, ♦} {♦, ♠} {♦, ♣}
{♠, ♥} {♠, ♦} {♠, ♠} {♠, ♣}
{♣, ♥} {♣, ♦} {♣, ♠} {♣, ♣}
Es decir, el número de permutaciones con repetición diferentes de 4 elementos tomados 2 a la vez es
16.
Teorema 3 – Permutaciones con repetición
El número de permutaciones con repetición diferentes de n elementos tomados k a la vez, repre-
sentada por n PR k , es
nk ,

es decir,
n PR k = nk .

Ejemplo 12. Determine la cantidad de números diferentes de 4 cifras se pueden formar con los si-
guientes dígitos: 1, 3, 5, 7 y 9.

Solución. En este caso, es claro que los dígitos se pueden repetir, luego, se requiere se determinar el
número de permutaciones con repetición de 5 elementos tomados 4 a la vez, es decir,

5 PR 4 = 54 = 625.

En consecuencia, la cantidad de números de 4 cifras que se puede formar con los dígitos 1, 3, 5, 7 y 9
es 625.

1.2. MÉTODOS DE ENUMERACIÓN 15

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

1.2.2.- C OMBINACIONES

Definición 10 – Combinación
Dado un conjunto con n elementos diferentes, a cada uno de los arreglos de k elementos, sin un
orden predeterminado, tal que 1 6 k 6 n se le denomina combinación de n elementos tomados
k a la vez. Dos combinaciones son diferentes si al menos un elemento es diferente. Además, una
combinación es sin repetición si cada uno de los elementos aparece una sola vez.

Combinaciones sin repetición

Veamos como calcular el número de combinaciones sin repetición y como formar estas agrupa-
ciones a partir de un conjunto base dado.

Ejemplo 13. Respondamos la pregunta: ¿de cuántas formas se pueden formar grupos de 2 elementos
a partir del conjunto {♥, ♦, ♠, ♣}? En este caso, bajo el supuesto de que el orden no importa y sin
repetición de elementos.

Respuesta. Es claro que los grupos de 2 elementos que podemos formar a partir del conjunto base, sin
repetir elementos, son:
{♥, ♦} {♥, ♠} {♥, ♣}
{♦, ♠} {♦, ♣}
{♠, ♣}
Es decir, el número de combinaciones sin repetición diferentes de 4 elementos tomados 2 a la vez es
6.
Teorema 4 – Combinaciones sin repetición
El número de combinaciones sin repetición diferentes de n elementos tomados k a la vez, repre-
sentada por n C k , es
n!
,
k!(n − k)!
es decir,
n!
n Ck = .
k!(n − k)!

Ejemplo 14. Una persona tiene que escoger 5 preguntas de un banco de preguntas que contiene 15
preguntas, ¿de cuántas formas diferentes pueden escogerse las preguntas si el orden en que conteste
las preguntas es irrelevante y si escoge una pregunta esta ya no se repite?

Respuesta. En esta situación se tiene que el orden es irrelevante y que no hay repetición de preguntas,
por lo que se determina el número de combinaciones de 15 elementos tomados 5 a la vez, es decir

15! 15 · 14 · 13 · 12 · 11 · 10!
15 C 5 = = = 3 003.
5!(15 − 5)! 5 · 4 · 3 · 2 · 10!

En consecuencia, el número de posibles formas en que esta persona puede escoger estas 5 preguntas
es 3 003.

16 1.2. MÉTODOS DE ENUMERACIÓN

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

Combinaciones con repetición

Veamos como calcular el número de combinaciones con repetición y como formar estas agrupa-
ciones a partir de un conjunto base dado.

Ejemplo 15. Respondamos la pregunta: ¿de cuántas formas se pueden formar grupos de 2 elementos
a partir del conjunto {♥, ♦, ♠, ♣}? En este caso, bajo el supuesto de que el orden no importa y con
repetición de elementos.

Respuesta. Es claro que los grupos de 2 elementos que podemos formar a partir del conjunto base,
con repetición de elementos, son:

{♥, ♥} {♥, ♦} {♥, ♠} {♥, ♣}

{♦, ♦} {♦, ♠} {♦, ♣}
{♠, ♠} {♠, ♣}
{♣, ♣}.

Es decir, el número de combinaciones sin repetición diferentes de 4 elementos tomados 2 a la vez es

10.
Teorema 5 – Combinaciones con repetición
El número de combinaciones con repetición diferentes de n elementos tomados k a la vez, repre-
sentada por n CR k , es
( n + k − 1) !
,
k!(n − 1)!
es decir,
( n + k − 1) !
n CR k = .
k!(n − 1)!

Ejemplo 16. Se lanzan 2 dados iguales de forma simultánea, ¿cuántos posibles resultados se puede
obtener?

Respuesta. En este experimento es claro que si un dado se obtiene un número determinado el otro
dado también se puede obtener el mismo número, es decir, existen repeticiones. Es claro además
que el orden de los dados no es relevante ya que se tiran simultáneamente. Después tenemos que
determinar el número de combinaciones con repetición de 6 elementos tomados 2 a la vez, es decir,

(6 + 2 − 1) ! 7 · 6 · 5!
6 CR 2 = = = 21.
2!(6 − 1)! 2 · 5!

En conclusión, el número de resultados posibles en el lanzamiento de dos dados lanzados simultá-

neamente es 21.

1.2. MÉTODOS DE ENUMERACIÓN 17

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

1.2.3.- P ERMUTACIONES A PARTIR UN CONJUNTO CON ELEMENTOS REPETIDOS

En ocasiones el conjunto base posee elementos repetidos y es relevante el orden en el que se

ubiquen los elementos en grupos.

Ejemplo 17. A partir del conjunto base {), ), ), e, e}, ¿cuántos grupos 5 elementos se pueden
formar a partir del conjunto base tomando en cuenta el orden?

Respuesta. Los posibles grupos de 5 elementos que se pueden formar a partir del conjunto base dado
y tomando en cuenta el orden es:

{),),),e,e} {),e,),),e} {),e,e,),)}

{),),e,),e} {),),e,e,)} {e,),),),e}
{e,e,),),)} {e,),),e,)} {e,),e,),)}
{),e,),e,)}

En consecuencia, se pueden formar 10 grupos distintos a partir del conjunto base dado.

Teorema 6 – Permutaciones a partir de un conjunto con elementos repetidos

Dado un conjunto de n elementos tal que existen k elementos distintos (k < n) y cada elemento
distinto se repite n1 , . . . , nk veces, el número de permutaciones con repetición de n elementos
tomados n a la vez es:
n!
.
k
∏ nj !
j =1

Ejemplo 18. A partir del conjunto base {–,–,„,„,§,Æ,Æ,Æ,Æ}, ¿cuántos grupos 9 elementos se pue-
den formar a partir del conjunto base tomando en cuenta el orden?

Respuesta. Del teorema anterior tenemos que para calcular el número de permutaciones a par de un
conjunto con elementos repetidos, así

9!
= 3 780.
2! · 2! · 1! · 4!

Es decir, el número de grupos posibles es 3 780.

A continuación, se presenta ejercicios de aplicación de la sección de enumeración.

Ejemplo 19. Se tiene una baraja de 52 naipes.

a) Si se saca una carta al azar, describa el espacio muestral en un diagrama donde el eje x sea la
denominación de la carta sacada y el eje y el palo (corazones, picas, diamantes o tréboles).

b) Si se extraen dos cartas al azar. ¿Cuál es la probabilidad de que la suma de ambas sea 7?, ¿11?,
¿4?.

c) ¿De cuántas maneras se pueden seleccionar cuatro cartas, de modo que haya una de cada palo?.

18 1.2. MÉTODOS DE ENUMERACIÓN

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

d) Si se extraen diez al azar. ¿Cuál es la probabilidad de no sacar ningún as?, ¿de sacar al menos
un as? y ¿de sacar exactamente uno?.

Solución. a) El espacio muestral esta representado por:

♠ rs rs rs rs rs rs rs rs rs rs rs rs rs

♣ rs rs rs rs rs rs rs rs rs rs rs rs rs

♦ rs rs rs rs rs rs rs rs rs rs rs rs rs

♥ rs rs rs rs rs rs rs rs rs rs rs rs rs

A 2 3 4 5 6 7 8 9 10 J Q K

b) Sea A el evento de que la suma de dos cartas sea 7, tenemos que las únicas formas de que la
suma sea 7 son sacar A y 6; 2 y 5 o 3 y 4. Luego, para sacar cualquiera de estas opciones es
equivalente a sacar individualmente cada carta, sin importar el orden, es decir,

4 4 44
   

1 1 0 8
= .
52 663
 

Luego,
8 8
 
P( A) = 3 =
663 221
Sea B el evento de que la suma de dos cartas sea 11, tenemos que las únicas formas de que la
suma sea 11 son sacar A y 10; 2 y 9; 3 y 8; 4 y 7 o 5 y 6. Luego, para sacar cualquiera de estas
opciones es equivalente a sacar individualmente cada carta, sin importar el orden, es decir,

8
.
663

Luego,
8 40
 
P( B) = 5 =
663 663
Sea C el evento de que la suma de dos cartas sea 4, tenemos que las únicas formas de que la
suma sea 4 son sacar A y 3 o 2 y 2. Luego, para sacar la primera opción es equivalente a sacar
individualmente cada carta, sin importar el orden, es decir,

8
.
663

1.2. MÉTODOS DE ENUMERACIÓN 19

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

Luego, para sacar 2 cartas iguales es igual a:

4 48
  

2 0 1
  =
52 221
2

Finalmente,
8 1 11
P(C ) = + =
663 221 663

c) Hay 13 cartas de cada palo, por lo que el número de formas de seleccionar 4 de modo que exista
una de cada palo.
13 13 13 13
    
= 134 = 28 561
1 1 1 1

d) La probabilidad de sacar no sacar ningún as es igual a la probabilidad de sacar las diez cartas
de las cuales ninguna es un as:
4 48
  

0 10 246
  = .
52 595
10
La probabilidad de sacar al menos un as es el evento complementario de no sacar ningún as:

246 349
1− = .
595 595

La probabilidad de sacar exactamente un as es:

4 48
  

1 9 656
  = .
52 1547
10

Ejemplo 20. Delegados de 10 países, incluida Rusia, Francia, Inglaterra y los Estados Unidos deben
estar sentados en una fila. ¿Cuántas formas diferentes de sentarse son posibles si el delegado francés
y el delegado inglés deben sentarse juntos y los delegados de Rusia y Estados Unidos no?

Solución. Analicemos de la siguiente manera, dividamos a los 10 delegados en 9 grupos, ya que los
delegados de Francia en Inglaterra den estar siempre juntos.

Estos grupos se pueden agrupar de 9! formas, pero en 8! · 2! los delegados de Rusia y USA están
juntos.

Ahora, hay 2! formas de agrupar a los delegados de Francia e Inglaterra, después existen

(9! − 8! · 2!)(2!) = 564 480

formas de sentar a los delegados.

20 1.2. MÉTODOS DE ENUMERACIÓN

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

1.3. P ROBABILIDAD C ONDICIONAL E I NDEPENDENCIA

Definición 11 – Probabilidad Condicional

Dados dos eventos A y B tales que P( B) > 0, se define la probabilidad del evento A condicio-
nado a B, lo que se representa por P( A| B), como

P( A ∩ B)
P( A| B) = ;
P( B)

también, se le conoce como la probabilidad de que ocurra A dado que B ha sucedido.

Ejemplo 21. En una bolsa hay 5 bolas rojas numeradas del 1 al 5; 7 bolas azules igualmente numera-
das del 1 al 7 y 3 bolas amarillas, también numeradas del 1 al 3. Si todas las bolas son equiprobables
(tienen la misma probabilidad de ser escogidas) y sean los eventos A el evento de que una bola sacada
al azar sea roja y B el evento de que la bola saca este marcada con un número par, determine

a) la probabilidad de que ocurra A dado que B ha sucedido.

b) la probabilidad de que ocurra B dado que A ha sucedido.

Solución. La probabilidad de que ocurra B es

2+3+1 2
P( B) = = ,
15 5

ya que hay 2 números pares del 1 al 5, 3 del 1 al 7 y 1 del 1 al 3. Después, determinemos la probabilidad
de que al mismo tiempo ocurra A y B, es decir, P( A ∩ B), es decir,

2
P( A ∩ B) = ,
15

ya que existen únicamente 2 bolas rojas con número par de las 15 que hay en la bolsa. Por lo tanto,

2
P( A ∩ B) 15 1
P( A| B) = = 2
= .
P( B) 5
3

La probabilidad de que ocurra el evento A se calcula de la siguiente manera:

5 1
P( A) = = ,
15 3

ya que hay 5 bolas rojas. En consecuencia,

2
P( A ∩ B) 15 2
P( B| A) = = 1
= .
P( A) 3
5

Observemos del ejemplo anterior es evidente que de forma general P( A| B) 6= P( B| A). Además,
P( A| B) 6= P( A) y P( B| A) 6= P( B). Veamos un ejemplo en que P( A| B) = P( A):

Ejemplo 22. Se tiene un dado y una moneda justa y se los lanza simultáneamente tal que A es el

1.3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA 21

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

evento sacar 5 o 6 en el dado y B es el evento de obtener cara en la moneda. Determine la probabilidad

de que ocurra A dado que B a sucedido.

Solución. Para determinar P( A| B) se requiere calcular P( A ∩ B) y P( B), luego,

2
P( A ∩ B) =
12

ya que existen 12 posibles resultados en el espacio muestral {1C, 2C, 3C, 4C, 5C, 6C, 1S, 2S, 3S, 4S, 5S, 6S}
y únicamente 2 cumplen con el hecho de que el dado sea 5 o 6 y la moneda sea cara. También, hay 6
posibilidades de que la moneda sea cara, entonces

6
P( B) = .
12

Finalmente,
2
P( A ∩ B) 12 1
P( A| B) = = 6
= .
P( B) 12
3

Se observa claramente que

4 1
P( A) = = .
12 3

En el ejemplo anterior P( A| B) = P( A), es decir, el hecho que A ocurra es independiente de que

que B ocurra o no, en otras palabras, B no incide en la ocurrencia de A. De aquí, se tiene la siguiente
definición:
Definición 12 – Eventos Independientes
Dos eventos A y B son independientes si

P ( A | B ) = P ( A ).

De las definiciones de eventos independientes y probabilidad condicional se tiene el siguiente

teorema:
Teorema 7 – Eventos independientes
Si A y B son eventos independientes, entonces

P ( A ∩ B ) = P ( A ) P ( B ).

Demostración. Demostremos el teorema 7 se sabe que si A y B son independientes

P ( A | B ) = P ( A );

también, por definición de probabilidad condicional se tiene que

P( A ∩ B)
P( A| B) = ,
P( B)

en consecuencia,
P( A ∩ B) = P( A) P( B)

22 1.3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

como queríamos.

Ejemplo 23. En una heladería se venden helados de 3 sabores: Vainilla (V), Chocolate (C) y Ron con
Pasas (R) en un mes determinado se cuenta el número de helados vendidos a adultos (A) y jóvenes
(J) y se resume en la siguiente tabla:

V C R
A 25 30 12
J 42 72 15

Determine

a) La probabilidad de que una persona escoja un helado de chocolate.

b) La probabilidad de que una persona joven compre un helado.

c) La probabilidad que una persona que escogió un helado de vainilla sea un joven.

d) La probabilidad de que un adulto haya escogido un helado de Ron con Pasas.

e) La probabilidad de que una persona que escogió un helado de chocolate o vainilla sea un adul-
to.

Solución. Vamos a completar la tabla con los totales

V C R
A 25 30 12 67
J 42 72 15 129
67 102 27 196

a) La probabilidad de que una persona escoja un helado de chocolate está dada por

102
P(C ) = ≈ 0.5204.
196

b) La probabilidad de que una persona joven compre un helado está dada por

129
P( J ) = ≈ 0.6582.
196

c) La probabilidad que una persona que escogió un helado de vainilla sea un joven está dada por

42
P( J ∩ V ) 196
P ( J |V ) = = 67
≈ 0.6269.
P (V ) 196

d) La probabilidad de que un adulto haya escogido un helado de Ron con Pasas está dada por

12
P( R ∩ A) 196
P( R| A) = = 67
≈ 0.1791.
P( A) 196

1.3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA 23

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

e) La probabilidad de que una persona que escogió un helado de chocolate o vainilla sea un adulto
está dada por

P( A ∩ (C ∪ V ))
P( A|C ∪ V ) =
P(C ∪ V )
P(( A ∩ C ) ∪ ( A ∩ V ))
=
P ( C ) + P (V )
P( A ∩ C ) + P( A ∩ V )
=
P ( C ) + P (V )
30 25
196 + 196
= 102 67
196 + 196

≈ 0.3254.

Los diagramas de árbol también se usan para expresar probabilidades y se puede usar para ex-
presar probabilidad condicional, por ejemplo,

Ejemplo 24. Una bolsa contiene 5 bolas rojas 3 bolas verdes y 8 bolas negras. Se sacan 3 bolas al azar
en orden. Determine

a) La probabilidad de que la primera bola sea roja.

b) La probabilidad de que la dos primeras bolas son verdes.

c) La probabilidad de que la tercera bola sea negra dado que las dos primeras fueron rojas.

d) La probabilidad de que la primera bola sea verde, la segunda negra y la última roja.

e) La probabilidad de que la segunda bola sea negra o verde dado que la primera fue roja o verde.

f ) La probabilidad de que se saque las 2 primeras bolas sean verde y negra, sin importar el orden
en que se saquen.

Solución. Usaremos R, V y N para representar los eventos de sacar una bola roja, verde y negra
respectivamente. Y, usaremos subíndices en estas variables para identificar en que lugar salió la bola.

a) La probabilidad de que la primera bola sea roja está dada por

5
P ( R1 ) =
16

ya que, hay 5 bolas rojas y en total hay 16.

b) La probabilidad de que la dos primeras bolas son verdes está dada por

2 3 1
P(V1 ∩ V2 ) = P(V2 |V1 ) P(V1 ) = · =
15 16 40

ya que, hay 3 bolas verdes de 16 antes de sacar la primera bola; cuando se saca la segunda bola
ya solo quedan 2 de 15, porque ya se ha sacado una verde antes.

24 1.3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

2
15 V2
3 V1
16

c) La probabilidad de que la tercera bola sea negra dado que las dos primeras fueron rojas está
dada por
8
P( N3 |( R1 ∩ R2 )) =
14
ya que, no se ha sacado ninguna bola negra (es decir, aún hay 8) en los primeros intentos y ya
solo quedan 14 bolas en la bolsa.
8
14 N3
4
15 R2
5 R1
16

d) La probabilidad de que la primera bola sea verde, la segunda negra y la última roja está dada
por

P(V1 ∩ N2 ∩ R3 ) = P( N2 ∩ R3 |V1 ) P(V1 )

= P( R3 |( N2 ∩ V1 )) P( N2 |V1 ) P(V1 )
5 8 3
= · ·
14 15 16
1
=
28

ya que, primero se saca una bola verde, en ese momento hay 3 de 16 bolas; luego, se saca
una bola negra, es decir, hay 8 de 15. Finalmente, se saca una roja de las 5 y en la bola hay
únicamente 14.
5
14 R3
8
15 N2
3 V1
16

e) La probabilidad de que la segunda bola sea negra o verde dado que la primera fue roja o verde
está dada por

P(( N2 ∪ V2 )|( R1 ∪ V1 )) = P( N2 ∩ R1 ) + P(V2 ∩ R1 ) + P( N2 ∩ V1 ) + P(V2 ∩ V1 )

= P( N2 | R1 ) P( R1 ) + P(V2 | R1 ) P( R1 ) + P( N2 |V1 ) P(V1 ) + P(V2 |V1 ) P(V1 )
8 5 3 5 8 3 2 3
= · + · + · + ·
15 16 15 16 15 16 15 16
17
= .
48

Se detalla a continuación el diagrama de árbol:

8
15 N2
5 R1
16 3 V2
15
8
3 15 N2
16 V1
2 V2
15

1.3. PROBABILIDAD CONDICIONAL E INDEPENDENCIA 25

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

f ) La probabilidad de que se saque las 2 primeras bolas sean verde y negra, sin importar el orden
en que se saquen está dada por

P(V ∩ N ) = P(V1 ∩ N2 ) + P( N1 ∩ V2 )
= P( N2 |V1 ) P(V1 ) + P(V2 | N1 ) P( N1 )
8 3 3 8
= · + ·
15 16 15 16
1
= .
5

Se detalla a continuación el diagrama de árbol:

8
15 N2
3 V1
16

8
16 N1
3 V2
15

Observemos que las ramas de los árboles se ubica siempre la probabilidad condicional del evento
siguiente dado el anterior o anteriores; y el producto de los valores de estas ramas es igual la proba-
bilidad de la intersección de los eventos de la rama en cuestión.

1.4. P ROBABILIDAD T OTAL Y R EGLA DE B AYES

Los teoremas que detallaremos a continuación son utilidad en muchos modelos estadísticos tales
como: modelos factoriales discriminantes, teoría de decisiones, e incluso en redes neuronales que son
la base de la inteligencia artificial.

Para ello, tomemos un espacio muestral Ω tal que se puede partir en n eventos mutuamente
excluyentes, entonces si B1 , B2 , . . . , Bn son los estos n eventos mutuamente excluyentes, por lo tanto,

n
[ n
Bk = Ω y ∑ P( Bk ) = 1.
k =1 k =1

Después, dado un evento A ⊆ Ω cualesquiera, entonces

A = A∩Ω
!
n
[
= A∩ Bk
k =1
n
[
= A ∩ Bk ;
k =1

tome en cuenta que A ∩ B1 , A ∩ B2 , . . . A ∩ Bn son disjuntos, es decir, son mutuamente excluyentes.

En consecuencia,
!
n
[
P( A) = P A ∩ Bk
k =1

26 1.4. PROBABILIDAD TOTAL Y REGLA DE BAYES

CAPÍTULO 1. PROBABILIDAD Probabilidad y Estadística

n
= ∑ P( A ∩ Bk ).
k =1

Finalmente, por la definición de probabilidad condicional se tiene el siguiente teorema:

Teorema 8 – Probabilidad Total
n
[
Dados B1 , B2 , . . . , Bn eventos mutuamente excluyentes tal que Bk = Ω, se tiene que
k =1

n
P( A) = ∑ P( A| Bk ) P( Bk ).
k =1

Ejemplo 25. En una mesa se ubican 3 pistolas las cuales tienen una probabilidad de acertar en un
blanco de 0.4, 0.8 y 0.5 respectivamente. Determine la probabilidad de acertar en el blanco al escoger
un pistola al azar de la mesa y disparar.

Solución. Tomemos en cuenta que la probabilidad de tomar cualquiera de las pistolas es 13 . Si repre-
sentamos los eventos de escoger la pistola 1, 2 y 3 por B1 , B2 y B3 respectivamente y evento de acertar
al blanco por A, se tiene que

P( A| B1 ) = 0.4, P( A| B2 ) = 0.8 y P( A| B3 ) = 0.5.

En consecuencia,

P( A) = P( A| B1 ) P( B1 ) + P( A| B2 ) P( B2 ) + P( A| B3 ) P( B3 )
1 1 1
= 0.4 · + 0.8 · + 0.5 ·
3 3 3
17
=
30
≈ 0.567.

De este teorema y la definición de probabilidad condicional se deduce el siguiente teorema:

Teorema 9 – Regla de Bayes
n
[
Dados B1 , B2 , . . . , Bn eventos mutuamente excluyentes tal que Bk = Ω, se tiene que
k =1

P( A| Bk ) P( Bk )
P( Bk | A) = n ,
∑ P( A| Bj ) P( Bj )
j =1

para todo k ∈ {1, . . . , n}.

Ejemplo 26. Una compañía telefónica regional opera tres estaciones de retransmisión idénticas en
diferentes sitios. Durante un periodo de un año, el número de desperfectos reportados por cada

1.4. PROBABILIDAD TOTAL Y REGLA DE BAYES 27

Probabilidad y Estadística CAPÍTULO 1. PROBABILIDAD

estación y las causas se muestran a continuación.

Estaciones A B C
Problemas con el suministro de electricidad 2 1 1
Desperfecto de la computadora 4 3 2
Fallas del equipo eléctrico 5 4 2
Fallas ocasionadas por otros errores humanos 7 7 5

Suponga que se reporta una falla y que se encuentra que fue ocasionada por otros errores huma-
nos. ¿Cuál es la probabilidad de que provenga de la estación C?

Solución. Supongamos que H representa las fallas ocasionadas por otros errores humanos y que A, B
y C representan las fallas ocurridas en las estaciones A, B y C respectivamente.

Para determinar cuál es la probabilidad de que la falla provenga de la estación C dado que fue
ocasionada por otros errores humanos, P(C | H ), vamos a utilizar la regla de Bayes, luego,

P( H |C ) · P(C )
P(C | H ) = ,
P( H | A) · P( A) + P( H | B) · P( B) + P( H |C ) · P(C )

donde,
18 15 10
P( A) = , P( B) = y P(C ) = .
43 43 43
7 7 5
P( H | A) = , P( H | B) = y ( H |C ) =
18 15 10

5 10
·
P(C | H ) = 10 43
7 18 7 15 5 10
· + · + ·
18 43 15 43 10 43

≈ 0.26

28 1.4. PROBABILIDAD TOTAL Y REGLA DE BAYES