2 Capitulo 2 PDF

1
Métodos de Enumeración, Función de

Probabilidades v Eventos
SUMARIO:
2.1. - Introducción
2.2. - Experimento Estadístico y Espacio Muestra!
2.2.1. - Espacio Muestral de un Experimento
2.2.2. - Eventos de un Espacio Muestral
2.3. - Funciones que se Evalúan en Conjuntos
2.3.1. - Cardinalidad de un Espacio Muestral
2.3.2. - L a Función de Probabilidades
2.3.3. - El Espacio de Probabilidades y Eventos
2.4. - Métodos de Enumeración
2.4.1. - Cardinalidad de Eventos Finitos
2.4.2. - Regla de la Multiplicación de Opciones
2.4.3. - Combinaciones y Muestras
2.4.4. - Permutaciones
2.4.5. - E l Coeficiente Multinomial
2.5. - Probabilidad Condicional
2.5.1.- Muestreo con y sin Reposición
2.6. - Independencia Estocástica de Eventos
2.7. - Regla de la Probabilidad Total y Teorema de Bayes
2.8. - Apuestas y Probabilidades
Objetivos del C a p í t u l o
Que el lector llegue a:
1) Comprender qué es un Experimento y cuándo a éste se lo califica como un Experimento Estadístico.

2) Determinar el número de elementos de un conjunto fmito.
3) Defmir con precisión el par de conjuntos que constituyen un Espacio Muestral.
4) Diferenciar cuando un par de Eventos son Mutuamente Excluyentes y cuando no.
5) Identificar el significado de los axiomas que sustentan la definición de Función Probabilidad.
6) Calcular el número de Muestras de tamaño n que se pueden obtener de una Población Objetivo de tamaño N.
7) Diferenciar entre conjunto ordenado y no ordenado.
8) Conocer y familiarizarse con los Axiomas de Kolmogorov para una función de Probabilidades.
9) Calcular la probabilidad de que ocurra un evento.
10) Entender la relación Probabilidad - Incertidumbre.
11) Calcular la Probabilidad Condicional de un Evento, dado que ha ocurrido otro previamente.
12) Manejar fluidamente la noción de Independencia Estocástica entre dos o más eventos.
13) Calcular la probabilidad de que ocurra un evento, dado que han ocurrido dos o más eventos que restringen su Espacio
Muestral.
14) Manejar fluidamente el enunciado, demostración y aplicaciones del Teorema de Bayes. •
15) Diferenciar Espacio Muestral de Espacio de Probabilidades.
16) Conocer qué es una "posibilidad" ó apuesta.
Introducción
2.1.-INTRODUCCIÓN
U n a vez presentado lo que se denomina Estadística Descriptiva, es preciso comenzar a

cuantificar la incertidumbre relacionada con los eventos que se relacionan con el
quehacer estadístico; para eso, en el presente capítulo discutimos los principales
elementos que configuran la introducción a dicho tema. Comenzamos por lo que es un
Experimento, y en particular un Experimento Estadístico, para luego centrarnos en un
grupo de conjuntos relacionados con la e x p e r i m e n t a c i ó n , como son Espacio Muestral y
Eventos. Establecida esta plataforma, se trata con funciones que se e v a l ú a n en conjuntos,
como p r ó l o g o de la p r e s e n t a c i ó n del "conjunto estrella" del capítulo: la F u n c i ó n de
Probabilidades y los axiomas de Kolmogorov que la sustentan. - ,
Puesto que para calcular probabilidades de eventos de cardinalidad finita es importante

saber determinar el n ú m e r o de posibles resultados de un experimento, bajo condiciones
predeterminadas de trabajo, se revisan algunas técnicas de conteo para conjuntos
ordenados y no ordenados, éstas son combinaciones, permutaciones, coeficiente
multinomial, así como la n o c i ó n de medida.
E l capítulo termina revisando c ó m o determinar Muestras, haciendo r e p o s i c i ó n y sin

hacerlo, generando de esta manera eventos condicionados y con ellos el cálculo de sus
correspondientes probabilidades condicionales, continuando con un resultado ahamente
relevante, que es el denominado Teorema de Bayes. Se incluye t a m b i é n la n o c i ó n de
"apuestas".
2.2.- EXPERIMENTO ESTADÍSTICO Y ESPACIO MUESTRAL
2.2.I.-Espacio Muestral de un Experimento
Experimento U n Experimento es un conjunto de acciones con las que, utilizando procedimientos con
Conjunto de acciones con precisión establecida, se efectúa algún tipo de o b s e r v a c i ó n o medida.
las que, utilizando
procedimientos
E n general, el propósito de la e x p e r i m e n t a c i ó n es generar nuevo conocimiento o puede
claramente establecidos,
se efectúa algún tipo de ser t a m b i é n con la finalidad de verificar el cumplimiento de algún principio, supuesto o
observación o medida teoría previamente establecida. T a m b i é n se experimenta para mejorar la eficacia de algún
mecanismo útil y a construido, esto es para innovar.
U n experimento se dice es un Experimento E s t a d í s t i c o si reúne las siguientes

características:
Espacio Muestral de un a) Se conoce cuáles son todos los resultados posibles del experimento antes de su
Experimento ejecución;
Se denomina así al par b) Cualquier realización del experimento debe conducir a un resultado que no es
( O , if), donde: conocido previo a tal ejecución, pero que se sabe es uno de los "posibles"; y ,
a) Q es el conjunto de c) E l experimento puede ser repetido bajo idénticas condiciones. •'
todos los resultados
posibles del experimento;
Dado un Experimento Estadístico, se denomina Espacio Muestral de un Experimento,
y.
al par ( Q , ií), donde:
b) y es el conjunto
potencia de Q
a) Q es el conjunto de todos los resultados posibles del experimento; y, • . - v-
72
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Experimento Estadístico y Espacio Muestral
b) es el conjunto potencia de Q, esto es, es el conjunto de todos los subconjuntos
de Q; ¿f es denominado Espacio de Eventos.
L o s elementos de Q son llamados "puntos" y g e n é r i c a m e n t e se los representa por la letra

griega co. L o s elementos de if se los denomina Eventos.
T é n g a s e en cuenta que para un Espacio Muestral (Í2, ¿O 'o siguiente debe siempre
cumplirse:
1) Q no es vacio; y,
2) y cumple con incluir al conjunto v a c í o 0 ; es "cerrado" bajo unión contable de sus
elementos ( E | , E2 e => ( E ] u E2) e ^ j así como t a m b i é n bajo c o m p l e m e n t a c i ó n
de sus elementos E l e y => E f e
Espacio de Eventos Como estructura algebraica, el Espacio de Eventos if es denominado sigma álgebra
Dado un Espacio
(a-álgebra).
Muestral ( Q . ^ ) ^ es
denominado Espacio de
N ó t e s e que no es el tínico a - á l g e b r a posible de definir sobre Q. Como vamos a ver a
Eventos, y es un
CT-álgebra continuación. •
Supongamos que un Experimento Estadístico consiste en lanzar una moneda una vez y
observar si sale sello o cara; tenemos que:
Q={c0i;(02} = { 5 ; c }
Donde 5 significa que el resultado del lanzamiento es sello y c que es cara, mientras que
el espacio de eventos es:
. y={0;{s};{c};Q}
Siendo 0 = { } el conjunto vacio, y en el contexto de la e x p e r i m e n t a c i ó n que estamos

describiendo, el conjunto vacío o Evento Imposible es "no sale cara ni sale sello" y Q es
"sale cara o sale sello".
N ó t e s e que la unión de cualquier par de elementos de if pertenece a ^ y por tanto es

"cerrado" bajo la unión de elementos en if; a d e m á s , si se toma el complemento de
cualquiera de los elementos de if el resultado es un conjunto que t a m b i é n pertenece a if.
Como s e ñ a l á r a m o s previamente, se cumple:
i) E , , E 2 e y ^ (E,uE2) € y ; y , ...
ii) E , G J / : ^ E' G y , .
Para cualquier par de eventos E i y E2 en y .
Para cualquier Q, es verdad que si if' es el conjunto de subconjuntos de Q definido como
if' = { 0 ; Q } se puede demostrar que if' es t a m b i é n un sigma álgebra, pero no será
utilizado dentro de lo que se trata en este libro. •

73
Espacio Muestral de un Experimento
H a b l e m o s del n ú m e r o de elementos de if. U n conjunto E se dice es Contable si y solo s i ,

es posible establecer una correspondencia uno a uno entre los elementos de E y aquellos
de B , donde B es un subconjunto del conjunto de los n ú m e r o s Enteros no Negativos.
S i B = { 1 ; 2; 3; ... ; n } decimos que B es finito. A l conjunto vacío se lo define como

finito.
Espacio Muestral U n Espacio Muestral ( Q , if) se dice es un Espacio Muestral Discreto si y solo si Q es
Discreto
contable.
Un espacio Muestral (Q ,
if) es Discreto si y solo si
Si por ejemplo el experimento consiste en lanzar sucesivamente dos monedas y observar
Q. es contable
qué par ordenado de "lados" salen, tenemos que cuatro puntos constituyen Q:
Q = { o ) i ; (O2; (Ü3; CO4} = { í s ; se; C5,-ce}
Donde ss significa que en la primera moneda ocurrió sello y en la segunda t a m b i é n ; se, es

primero sello y luego cara, y así sucesivamente.
Obviamente que Q es discreto. Mientras que if tiene 2''= 16 elementos, esto es:
if = { 0 ; {ss}; {se}; {es}; {ce}; {ss;sc}; {ss;cs};... ; {sc;cs;cc}; Q}
Si p e n s á r a m o s en un experimento en el que se "lanzan" cuatro monedas, de manera

sucesiva, y observamos q u é cuarteto ordenado de "lados" ocurre, Q tiene 2" = 16 puntos
(elementos) mientras que if fiene 65536 elementos, que es el n ú m e r o de subconjuntos
de Q.
A c o n t i n u a c i ó n presentamos los dieciséis "puntos" que constituyen Q, para el

experimento de las "cuatro monedas"; ordenando los puntos de Q de acuerdo a la
canddad de sellos presentes en cada punto.
Í2 = { c c c c •
cees ;ccsc; cscc; sccc;
sscc; scsc; sccs; eses; ccss; cssc;
sssc; sscs; scss; csss;
ssss} , , , , ,: •
= { ( D i ; CO2; CO3; CO4; (O5; cog; © 7 ; « 8 ; CO9; co,o; © n ; 0 , 2 ; © , 3 ; © M ; ©15; © l e }
¡Atención! No siempre Q es finito, para poner un ejemplo en que Q es infínito contable,

Un espacio Muestral imaginemos un experimento que consiste en lanzar una moneda hasta que salga "cara ".
(Q, if) puede ser discreto T e n d r í a m o s en esta situación:
y Q no ser finito
Q = { c; se; ssc; sssc; ssssc; sssssc;... }
E s decir, un resultado posible es que salga "cara" en el primer lanzamiento de la moneda;

Espacio Muestral
otro es que primero salga sello y luego cara; igualmente puede resultar que en los dos
Continuo
Si Q no es discreto,
primeros lanzamientos de la moneda salga sello y cara en el tercero; y asi ad infinitun.
(Í1, if) es un Espacio Este es un Experimento Estadístico con un n ú m e r o infinito contable de resultados
Muestral Continuo posibles. Obviamente el Espacio Muestral ( Q , if) de este experimento es discreto, a pesar
de no tener cardinalidad finita. k
Si Q no es discreto, ( Q , if) es un Espacio Muestral Continuo. Ocurre por ejemplo cuando
a un grupo de entes se les mide su estatura o determina su peso. V é a s e Chung [18]. •

74
CAPÍTULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos
Funciones que se Evalúan en Conjuntos
2.2.2.- Eventos de un Espacio Muestral
Eventos Dado un experimento Estadístico, todo subconjunto de Q se denomina Evento y cuando

Todo subconjunto de Í2 dos eventos de un mismo Q no tienen elementos en comiin, se dice que son Eventos
se denomina Evento Mutuamente Excluyentes, esto es:
E ] y E t son Eventos Mutuamente Excluyentes sí y solo si

[(Ei,E2cQ)A (E,nE2=0)] (2.1)
Eventos Mutuamente Ejemplo 2.1

Excluyentes
Son dos o más eventos de
Las personas tenemos cuatro tipos de sangre: A , B , A B y O; a su vez existe el Factor Rhesus
n que no tienen
o Factor R h , que puede ser positivo o negativo. S i un investigador realiza un experimento
elementos en común
que consiste en verificar a una persona su tipo de sangre y el Factor Rhesus, ¿Cuáles son los
resultados posibles de este Experimento Estadístico?.
Desarrollo.
L a respuesta es simple,
Q = { ( A R h ' ) ; ( A R h ) ; ( B Rh"); ( B Rh~); ( A B R h ) ; ( A B R h ); (O R h ) ; (O Rh ) }
E l Espacio Muestral es discreto finito ya que la cardinalidad de Q es ocho y consecuentemente

if contiene 2^ eventos. •
Ejemplo 2.2
Si a n personas adultas se les mide su estatura, determinar Q. .
Desarrollo. . . • . \ .
n no es único para este Espacio Muestral infinito, pero para un grupo de n estudiantes de
educación superior en el Ecuador, Q podría ser Q = { x e R | 1.20 < x < 2 . 0 0 } , x en metros;
mas si la Población Objetivo son los jugadores de baloncesto de la N B A , Q podría ser:
n= { X G R i 1.80 < x < 2 . 3 0 } , X en metros. •
2.3.- FUNCIONES QUE SE EVALÚAN EN CONJUNTOS
2.3.1.- Cardinalidad de un Espacio Muestral
Para quien ha tomado un curso de M a t e m á t i c a s a nivel superior, las fiinciones que se

Cardinalidad evalúan en n ú m e r o s reales -funciones de variables r e a l - son extremadamente familiares
Número de elementos de y hay quienes las manejan con tanta frecuencia que se imaginan son las ú n i cas que tienen
un conjunto finito E
un verdadero sentido práctico, pero en realidad esto no es así; existen muchos otros tipos
de funciones y las utilizamos, aunque no siempre lo hagamos de manera consciente.
75
Cardinalidad de un Espacio Maestral
Cuando estamos frente a un conjunto fmito E de entes y nos preguntan c u á n t o s elementos

tiene E , con gran soltura respondemos, adjudicándole a l mismo, un n ú m e r o N ( E ) y sin
damos cuenta hemos evaluado una función N en uno de los puntos de su dominio A ,
punto al que denominaremos conjunto E . Esta función se denomina Cardinalidad y es
m á s usual que muchos otros entes m a t e m á t i c o s con los que rutinariamente lidiamos y
reconocemos como tales.
Formalmente N es una función representable como:
N:A - ^ K
Donde A (el dominio) es un conjunto cuyos elementos son t a m b i é n conjuntos y K es e l

conjunto de los n ú m e r o s enteros no negativos, puesto que N ( A ) puede ser cero.
Si por ejemplo A es el conjunto de los habitantes de las ciudades ecuatorianas que eran
capital de provincia al momento de realizarse el empadronamiento del Censo de
P o b l a c i ó n de Noviembre 2 0 0 1 , entonces N(Guayaquil) = 1'985.379. E n este caso N
asigna a cada ciudad el n ú m e r o de habitantes que fueron contabilizados al momento del
empadronamiento.
Este tipo de funciones son utilizadas en Estadística, con el propósito de medir la

incertidumbre existente alrededor de l a factibilidad de que ocurra un evento E , que es
constituyente de un Espacio Muestral ( Q , ¿^). Surge de inmediato la n o c i ó n de
"Probabilidad".
Probabilidad es un concepto arraigado, aunque solo informalmente, en l a cultura de los

pueblos.
Si se le pregunta a una persona adulta, sin importar su nivel educativo, cuál es l a

probabilidad que salga el n ú m e r o cuatro cuando se efectúa el "lanzamiento" de un dado
"legal", sin duda alguna, dirá que es "un sexto"; o tal vez menos explícitamente, que "es
la misma que l a de cualquier otro n ú m e r o " en el dado; o tal vez otra expresión en l a que
señale que los seis n ú m e r o s tienen igual probabilidad de ocurrir, cuando se lanza u n dado
legal. S i se le pregunta a esta misma persona donde a p r e n d i ó todo aquello, le dirá que no
recuerda o lo m á s probable es que diga que esa es una pregunta que tiene una respuesta
"obvia". L o cierto es que lo aprendemos en el diario convivir. Este tipo de a s i g n a c i ó n
probabilística es parte de la cultura de los pueblos.
Mas, si la m a ñ a n a de un domingo cualquiera le preguntamos a una persona cuál es l a

probabilidad que ese d í a gane Barcelona el juego que tiene programado, las respuestas
serán en su m a y o r í a sin mayor sustento; las respuestas serán "que gana sin duda alguna" .
si viene de uno de sus fanáticos - l a victoria es un evento seguro-; o que "con seguridad
pierde" si el entrevistado pertenece a la "otra orilla" - l a victoria es un evento imposible-;
tal vez obtendremos un "no se" de los que están poco interesados en el fútbol. Este tipo
de respuesta subjetiva y extremista no resiste análisis; mas lo cierto es que l a n o c i ó n de
probabilidad está presente en la cultura popular por aprendizaje, m á s involuntario que
voluntario, t a m b i é n por afecto y en muchos casos t a m b i é n por e x p e r i m e n t a c i ó n . Aunque
no lo sepa el gran p ú b l i c o , está utilizando funciones que se evalúan en conjuntos, a las
que se les asignan como valor un número real entre cero y uno. • .
Si el experimento consiste en verificar el resultado del partido que el domingo juega

Barcelona, tenemos que, /
76
CAPITULO 2: Métodos de Enumeración, Función de Probabilidades y Eventos.
Q = { G a n a Barcelona; Empata Barcelona; Pierde Barcelona}

= { ( O i ; CO2; CO3} •
Damos a co n tin u ació n una ilustración m á s formal de funciones que se e v a l ú a n en

conjuntos. Supongamos que A es un conjunto unidimensional constituido por todos los
intervalos cerrados que es posible construir sobre los números reales positivos.
Supongamos a d e m á s que: -
E , = { x e R i O < X < 1 } ; y,
E2= { x e R | V2< X < 2 } (2.2)
Defínase la función Q, tal que Q ( E ) = e d x , para cualquier intervalo real cerrado E ,

E
por lo que, ' . .
I
-X
Q(E,) = e " ' d x = -e"' + 1 = 0 . 6 3 2 (2.3)
2
Q(E2)= í e " ' ' d x = -e"^ + e " ' = 0.471; y ,
1/2
Q(E,nE2) = e "dx = - e - ' + e-'" = 0.239

1/2
Q(E,uE2)= e"''dx = - e - ' + 1 - 0.865 • (2.4)

o
T é n g a s e en cuenta a d e m á s que.
Medida de Unión de
Eventos Q ( E , u E2) = Q ( E , ) + Q(E2) - Q ( E , n E 2 ) (2.5)
Q ( E , u E , ) = Q(E,) +
Q(E2)-Q(E,nE2) E n la sección siguiente se hará evidente el uso que vamos a dar a las funciones que se
e v a l ú a n en conjuntos. Este tema puede ser ampliado consultando Bartle [ 5 ] . •
2.3.2.-La Función de Probabilidades l'^osB'i' ^£^'^'"'1'
Estamos ya en condiciones de definir una función que determine valores de

probabilidades para los eventos que pueden ocurrir cuando se está frente a un
Experimento Estadístico.
Supongamos que el Experimento Estadístico tiene Espacio Muestral ( Q , if); una función
P cuyo dominio es ^ y cuyo conjunto de llegada, es el intervalo cerrado de n ú m e r o s
reales de cero a uno, es una F u n c i ó n de Probabilidades ( P : if - > [0,1]) si y solamente
si:
a) P ( Q ) = 1 ; • • í -
b) 0 < P ( E ) < 1, V E e y ; y , ,
c) P ( E i u E 2 ) = P ( E , ) + P(E2); siempre que E , n E2 = 0 . (2.6)
77
La Función de Probabilidades
N ó t e s e q u e E , , E 2 € y p e r o P ( E i ) e [ 0 , l ] , i = 1,2. •
L o s axiomas aquí impuestos a la función P se denominan Axiomas de Kolmogorov, en

honor al m a t e m á t i c o ruso del siglo X I X A . Kolmogorov que creó el sustento teórico de lo
que hoy es conocido como la Te o r í a de Probabilidades.
Se pretende que P sea una medida formal de la incertidumbre que rodea a los eventos
que constituyen el Espacio Muestral de un Experimento Estadístico.
E l n ú m e r o real P ( E ) se denomina Probabilidad de que el Evento E ocurra, bajo las

condiciones impuestas en el experimento.
Probabilidad
E l número real P(E) se
denomina Probabilidad C o n los A x i o m a s de Kolmogorov no se pretende escoger una función en particular
de que un Evento E cuando se tiene un determinado Espacio Muestral, solo se exige que la función escogida
ocurra, bajo las cumpla los requisitos de la definición de F u n c i ó n de Probabilidades.
condiciones impuestas en
el experimento
Si por ejemplo un experimento consiste en verificar el g é n e r o del primer b e b é que nace
en un hospital el 1 de enero de un a ñ o cualquiera, no queda dudas de que
- Q = {hombre; mujer} = {cúi; CO2}
y si otro experimento consiste en verificar el g é n e r o de la primera persona que será

declarada h é r o e de guerra durante un conflicto armado entre dos naciones, vuelve a
tenerse que Q = ¡ h o m b r e ; mujer}, pero en el primer caso P](hombre) será un valor
cercano a 0.50, mientras que en el segundo caso, P2(hombre) será probablemente mucho
mayor que 0.5, tradicionalmente cercano a uno. N ó t e s e que hablamos de dos distintas
funciones de probabilidades sobre un mismo Espacio Muestral ( Q , iF) correspondientes a
dos diferentes "experimentos".
2.3.3.- El Espacio de Probabilidades y Eventos
Puede ocurrir t a m b i é n que sobre un mismo Espacio Muestral ( Q , f) correspondiente a

un mismo experimento se definan distintas funciones de probabilidades P, basados en
distintas experiencias o percepciones por parte de diferentes grupos humanos.
Espacio de L a tema ( Q , y , P ) es denominada Espacio de Probabilidades.

Probabilidades
L a tema (Q, if, P) es
Abundaremos un poco, acerca de la razón por la cual ( Q , if) es denominado un Espacio
denominada Espacio de
Probabilidades
Medible.
U n a función \i que se e v a l ú a en los subconjuntos de un conjunto Q y es tal que
• ---í-í,,,,. ^. ^ ^[0,00) = (2.7)
es denominada una Medida sobre ( Q , A ) , si y solamente s i :
a) n ( 0 ) = O;y,
b) A es un cj-álgebra aditivo, esto es ^ ( U ) = X M-(A¡) ; para cualquier sucesión

1=1 i=l
disjunta de elementos Aj en A . (2.8)
78
É s t o es lo que t a m b i é n se denomina una "medida contablemente aditiva". N ó t e s e que

bajo las condiciones dadas, | i ( A ) > O para todo A e A a d e m á s ( Q , A ) es lo que se
denomina un Espacio Medible.
Función de
Probabilidad P Esto significa que P, la F u n c i ó n de Probabilidades, es una medida sobre el Espacio
L a función de
Medible ( Q , if). • - ;
probabilidad P es una
medida sobre el espacio
(£2, y , P) L u e g o de esta disgresión teórica, vamos a probar algunas propiedades de la F u n c i ó n de
Probabilidades P.
Teorema 2.1. S i P es una F u n c i ó n de Probabilidades, para cualquier evento E&f la probabilidad de

que el mismo ocurra es P ( E ) = 1-PÍE*"); siendo E ' ' e l complemento de E en Q .
Prueba. Por definición de complemento E*" de un conjunto cualquiera E , se cumple que

E u E * ^ = Q, por tanto P ( E u E*^) = 1 ; siendo E y E*" Eventos Mutuamente Excluyentes,
P ( E u E ' ^ ) = P ( E ) + P(E'=) = 1 ' (2.9)
C o n c l u y é n d o s e entonces que
P(E) = 1 - P(E^) / ' (2.10)
L o cual demuestra el teorema. •
C o m o corolario de este teorema, se concluye que P ( 0 ) = O, lo cual significa que la

probabilidad de que el Evento Imposible ocurra es cero.
Recordemos que la probabilidad de que el Evento Seguro Q ocurra, es por definición

uno. E n síntesis:
, P(0) = OyP(Q)= 1 • (2.11)
Teorema 2.2. S i P es una F u n c i ó n de Probabilidades mientras que E i y E2 son eventos en el

correspondiente Espacio Muestral ( Q , if), entonces
P ( E , u E , ) = P ( E | ) + P(E2) - P ( E , n E j ) (2.12)
Prueba. Siendo E ; y E2 subconjuntos de Q es cierto que ¡ . f . . . . ,
E | u E2 = ( E , n E J ) u (E2 n E f ) u ( E , n E2)
L o s tres eventos mostrados entre paréntesis son disjuntos o mutuamente excluyentes; de

aquí podemos decir que:
P(E,uE2) = P [ ( E , n i ^ . ) u ( E 2 n Ef)u(E,nE2)]
= P(E, n E 2 ) + P(E2n E [ ^ ) + P(E| n E 2 )
= P ( E | n E 2 ) + P(E2) - . •
= [ P ( E , n E 2 ) + P ( E | n E2)] +P(E2) - P ( E | n E2)
=P(E,) + P(E2)-P(E,nE2) (2.13)
L o cual prueba el teorema. V é a s e Figura 2.1. ^
79
El Espacio de Probabilidades y Eventos . •s» -
Figura 2.1
Diagrama de Venn para Eventos en EjUEz
Espacio Muestral ( Q , ¿F), entonces P(E2 E ^ ) = P(E2) - P ( E | n E2). (2.14)
Prueba. Para probar el teorema se debe tener en cuenta que,
E 2 = ( E 2 n E , ) u ( E 2 n EJ^) - ^~ • : -
Véass Figura 2.1.
De donde, aplicando (2.13). '
P(E2) = P ( { E 2 n E , } u { E 2 n E ^ } ) " '
= P(E2 n E l ) + P(E2 n E J ^ ) - P[(E2 n E l ) n ( E2 n E¡^)]
Siendo disjuntos los conjuntos cuyas probabilidades se evalúan en el lado derecho de la

última igualdad, sigue lo que se postula en el enunciado del Teorema, esto es:
P(E2n E ; ' ) = P ( E 2 ) - P ( E | n E 2 ) • (2.15)
Teorema 2.4. S i P es una F u n c i ó n de Probabilidades y E i y E2 son Eventos en un Espacio Muestral

( Q , y ) tal que E i c E2, entonces P ( E i ) < P(E2). (2.U)
Se deja la d e m o s t r a c i ó n al lector. •
Corolario.
Si P es una F u n c i ó n de Probabilidades y E i y E2 son eventos cualesquiera en un Espacio

Muestral ( Q , íf\ P ( E i u E2) < P ( E | ) + P(E2).
Teorema 2.5. S i P es una F u n c i ó n de Probabilidades y E i y E2 son Eventos en un Espacio Muestral

\, y ) , entonces P ( E , n E2) > P ( E , ) + P(E2) - 1. (2.17)
80
Prueba. E n virtud de que P ( E | u E j ) = P ( E i ) + P(E2) - P ( E i n E2), es verdad que,
P ( E , n E2)= P ( E , ) + P(E2) - P ( E i u E2),
el teorema sigue del hecho de que P ( E i u E2) < 1. •
E n este teorema (2.17) es denominada Desigualdad de Bonferroni, permite calcular l a

probabilidad de que dos eventos ocurran al mismo tiempo, o al menos acota esta
probabilidad.
Teorema 2.6. S i P es una F u n c i ó n de Probabilidades y E , y E2 son eventos cualesquiera en un Espacio

Muestral ( Q , if), entonces P ( E | n E2) > 1 - P ( E^^) - P( E j ) . (2.18)
Prueba. Esta desigualdad (2.18) se denomina Desigualdad de Boole. L a prueba se deja al

lector. •
L o s interesados en las interpretaciones gráficas de conjunto, refiéranse a la Figura 2.2

que se presenta en las p r ó x i m a s líneas, y que es un diagrama de V e n n que esquematiza Q,
así como los eventos con los que se ha trabajado en la d e m o s t r a c i ó n .
Figura 2.2
Diagrama de Venn para dos eventos en Q
S i se tienen tres eventos en lugar de dos, se puede probar que:
_ P ( E , u E 2 u E 3 ) = P ( E , ) + P(E2) + P ( E 3 ) - P ( E i n E 2 ) - P ( E i n E 3 )
- P(E3 n E2) + P ( E i n E2 n E3) (2.19)
Para probar este resultado, debe considerarse a E i u E2 como un evento y E3 como otro
evento y aplicar (2.12) que es la e x p r e s i ó n para la probabilidad de la u n i ó n de dos
eventos, cuya d e m o s t r a c i ó n se hiciera en líneas previas. •
L a extensión a la probabilidad de la u n i ó n de n eventos es obvia.
81
El Espacio de Probabilidades y Eventos
Ejemplo 2.3
Obsérvese el esquema gráfico en el que con la notación habitual, se presentan tres eventos y
las correspondientes probabilidades; calcular P ( E | u E3) y P [ ( E i u E 2 U Eif].
Desarrollo.
Bajo las condiciones dadas, j
P ( E , ) = 0.12 + 0.10 + 0.05 + 0.08 = 0.35

PÍE,) = 0.20 + 0.10 + 0.05 + 0.10 = 0.45
P(E3) = 0.08 + 0.05 + 0.10 + 0.15 = 0.38
P ( E , n £2) = 0.05+ 0.10 = 0.15
P ( E | n E 3 ) = 0.08 + 0.05 = 0.13
P ( E 2 n E 3 ) = 0.05 + 0.10 = 0.15
P ( E , n E 2 n E 3 ) = 0.05
Por lo que, aplicando (2.19)
P ( E , u E2 u E3) = 0.35 + 0.45 + 0.38 - 0.15 - 0.13 - 0.15 + 0.05

= 1.18-0.43 +0.05 ; '
= 1.23 - 0 . 4 3 = 0.80
Todo aquello que está en Q pero que no pertenece a la unión de E ; con E2 y con E3 constituye
( E | u E2 u E^f, cuya probabilidad es entonces,
P ( E , u E 2 u E 3 ) ' = = 1 - 0 . 8 0 = 0.20 •
Ejemplo 2.4
' E n un artículo que el recientemente fallecido Martin Gardner publicara en 1976 en el número
234 de la revista de divulgación científica denominada Scientific American y que lo titulara
Mathematical Games plantea el siguiente juego que conduce a una paradoja.
E l juego consiste en escoger, al gusto del participante, una de dos umas, una negra y otra
blanca, y luego de eso, escoger aleatoriamente una bola de las que están dentro de la urna que
fue seleccionada. Si al final el participante tiene una bola roja, recibe un premio.
Si una urna negra contiene cinco bolas rojas y seis verdes y una urna blanca contiene tres
bolas rojas y cuatro verdes, evidentemente que si usted fuera el jugador escogería la urna
, 5 3
•( . negra pues •j-¡->y
Se tiene otra situación, una uma negra tiene seis bolas rojas y tres verdes, mientras que una
urna blanca tiene nueve rojas y cinco verdes, si usted fuese el jugador, otra vez escogería la
uma negra porque la probabilidad de sacar una bola roja, y así ganar el premio, es mayor en la
uma negra que en la blanca, ya que ~>y^- Í
Pero observe lo que ocurre cuando se le plantea la siguiente situación.

E l contenido de la segunda uma negra se une al de la primera uma negra y el de la segunda
uma blanca al de la primera uma blanca. Se vuelve a jugar con esta configuración de las
82
umas. No lo piense, responda a lo siguiente ¿cuál urna escogería? Si se dejó llevar por la
intuición escogió una vez m á s la negra, pero... no; debió escoger la uma blanca, donde, de las
veintiún bolas doce son rojas; en la uma negra once de veinte son rojas y
12 11
— = 0.571 > — = 0.550.
21 20
Este resultado es conocido como la Paradoja de Simpson y su moraleja es: al tomar

decisiones, déjese llevar por la ciencia y la pericia técnica. Evite decisiones intuitivas ó
emocionales. •
Ejemplo 2.5
U n experimento con el que los profesores de Estadística y Probabilidades impresionamos a

nuestros alumnos es "jugándosela" al decir que está casi seguro que en la clase existen dos
estudiantes que cumplen año el mismo día. E l autor lo ha efectuado decenas de veces, en
cursos con cuarenta o más estudiantes, y hasta ahora su calidad de "casi bmjo" ha fallado solo
una vez. Encontrar la razón de estos resultados "milagrosos".
Desarrollo.
Supongamos que cada día del aflo es igual de "bueno" para nacer y no tengamos en cuenta los
años bisiestos, esto es, consideraremos que todo año tiene 365 días.
Sean n las personas en el aula.
Sea E el evento "dos de las n personas en el aula cumplen año el mismo día". • ,
Tenemos además que P ( E ) = 1 - PÍE'^^). • '
Sí O es el espacio de puntos del experimento, éste consiste de una "sucesión ordenada de n

números representando fechas" de la forma (ai ai ... an) donde el primer número denota el
valor del "uno" al "trescientos sesenta y cinco", que le corresponde al día del cumpleaños de
la primera persona, el segupdó número, al día del cumpleaños de la segunda persona y así
sucesivamente hasta llegar a la enésima persona.
E n el caso de í/o5 personas, -
n = {(1 1);(1 2 ) ; ... ;(1 365); . . . ;(365 365)}
que configuran 365" elementos en Q. '
Si existiesen solo tres personas, el resultado (1 4 33) corresponde a la primera persona

cumpliendo año el uno de enero, la segunda el cuatro de enero y la tercera el dos de febrero.
Si son tres personas.
Q = {(1 1 1) (1 1 2 ) . . . (1 1 365) ... (365 365 365)}.
Para un total de 365^ elementos en Q.
Evidentemente el número de resultados posibles para el caso de n personas es 365". E n tanto

que:
83
Cardinalidad de Eventos Finitos
E l número de formas, que n personas no cumplan años el mismo día es
365-364 • . . . • ( 3 6 5 - n + l )
Por lo que:
c 365(364) .... ( 3 6 5 - n + 1)
P ( E ^ ) = ^
365"
Si se calcula el valor de P ( E ) = 1 - P ( E ' " ) , para distintos valores de n, se encuentra que cuando
n = 23 se supera el valor 0.500 para P ( E ) ; mas precisamente si n = 23, P ( E ) = 0.506; para
n = 40, que es cuando nosotros nos arriesgamos P ( E ) = 0.891, lo cual conduce a no acertar en
109 casos de mil. Con este último valor de n, el evento es verosímil. •
2.4.- MÉTODOS DE ENUMERACIÓN
2.4.1.-Cardinalidad de Eventos Finitos
C o m o puede inferirse de la teoría e ilustraciones presentadas en el presente capítulo, es

de singular importancia conocer la Cardinalidad de Eventos Finitos con los que se
trabaja en Estadística con extremada frecuencia, y a que la probabilidad de que ellos
ocurran, depende de su cardinalidad, esto es, del n ú m e r o de elementos que posea el
evento con respecto al total contenido en Q.
S i por ejemplo, Q tiene N elementos, esto es Q = {oji, 0 J 2 , . . . , oj^} y E es un evento en un

espacio Muestral ( Q , if), tal que E tiene k elementos, k < N , entonces:
N(E) k
. ^ P(E) = — ^ = — , N 9 ^ 0 (2.20)
N(Í2) N
• \
Si nos preguntamos cuál es la probabilidad de que aparezca un n ú m e r o menor que 3 en el
lanzamiento de un dado "legal", o equilibrado, sabemos que:
Q = {1;2;3;4;5;6} •
y que el conjunto de n ú m e r o s menores que tres es el evento E = { 1 ; 2 } ; a d e m á s N ( E ) = 2

y N ( Q ) = 6; por lo que la probabilidad de que un n ú m e r o menor que 3 aparezca durante el
experimento es:
2 1
P(E) = - = -
6 3 -
L a moraleja es que para muchas actividades, resaltando entre ellas, la de calcular

probabilidades de eventos de cardinalidad finita, se debe saber determinar la cantidad de
elementos que constituyen un evento y como será evidente en líneas venideras, no
siempre el conteo se lo puede realizar "por simple o b s e r v a c i ó n " como lo hemos hecho
con experimentos que involucran pocos dados o pocas monedas.
Es cierto que la Cardinalidad de eventos finitos es vital para el cálculo de probabilidades,

pero t a m b i é n es verdad que para determinar probabilidades de eventos no finitos.
84
Métodos de Enumeración
necesariamente debe existir algún tipo de ''medida" que los caracterice y esta, bien puede
ser su longitud, área o volumen. Este tema puede ser ampliado en B r o w n y B r o w n [ 1 1 ] .
Ejemplo 2.6
Un experimento consiste en lanzar un dardo sobre un objetivo circular de un metro de radio;

¿Cuál es la probabilidad de que el dardo "caiga" sobre un punto perteneciente a la corona
circular cuyo radio interior mide 0.50 metros?. (Se supone que los dardos solo pueden caer
dentro del círculo).
Desarrollo.
E s el caso de un Espacio Muestral continuo y por tanto infinito, donde
Q = { ( x y ) E R ' | x ' + y ' < 1}
E es el evento, "el dardo cae en la corona circular de radio interior r i = Vi". Véase Figura 2.3.
Figura 2.3
Evento: "El dardo cae en la corona circular de radio interior r¡ = 1/2"
Por lo que,
_ Área de la corona _ ;r(l^ - (1 / 2)^) _ 3

r, = 0.5;r=l Área de Q ;r(l)^ 4
Q no es un Espacio de Eventos finitos y la "medida" con la que lo caracterizamos es su

área. •
E s también posible simular un experimento utilizando una computadora. E n las tablas y

gráficos siguientes se presentan los resultados de simular el lanzamiento de una moneda
"legal" lanzada cinco, diez, ... , cien veces en el primer esquema de simulación y cien,
doscientas, ... , m i l veces en el segundo esquema.
Desarrollo.
Como se da en la realidad, aunque la moneda sea legal, no siempre ocurre que el número de
caras es igual al de sellos, es m á s , en la simulación del primer esquema, sólo una vez la
proporción p = número de sellos que ocurra en n lanzamientos es 0,50 (n = 100), pero es cierto
también que, la proporción nunca excede 0.600 ni es inferior a 0.36. E n el segundo esquema,
n > 100, la máxima distancia a 0.50 es | 0.50 - 0.470 | = 0.03, que ocurre cuando se lanza
n = 200 veces la moneda. Estos resultados insinuarían lo que posteriormente enunciaremos
como " L e y de los Números Grandes". E n los esquemas la primera columna del cuadro
representa el número de veces que se simula el lanzamiento de la moneda, la segunda columna
es p, en su versión racional; por ejemplo p = 3/5 representa 3 veces "salió sello" en cinco
lanzamientos. L a tercera columna es la versión decimal de la segunda.
E l segundo esquema de simulación va de cien en cien repeticiones y lo dicho para el primero

es válido para el segundo esquema, aunque las "distancias a p = 0.50" son menores. •
85
Cardinalidad de Eventos Finitos . t . > ; • v
Primer Esquema: Tablas y Gráfico

Evento: Sale sello
Número de Repeticiones 5 10 15 20 25 30 35 40 45 50
p (versión racional) 3/5 5/10 7/15 12/20 10/25 11/30 18/35 18/40 22/45 27/50
p (versión decimal) 0.600 0.500 0.467 0.600 0.400 0.367 0.514 0.450 0.489 0.540
Número de Repeticiones 55 60 65 70 75 80 85 90 95 100

p (versión racional) 23/55 35/60 32/65 34/70 38/75 45/80 39/85 54/90 45/95 50/100
p (versión decimal) 0.418 0.583 0.492 0.486 0.507 0.563 0.459 0.600 0.474 0.500
G. Zurita: Probabilidad y Estadística, Fundamentos y Aplicaciones
1.00
0.75
• • • • •
0.50
0.25
0.00 I I I—r—! l i l i — I l i l i l í — I r—1 1 n

5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Segundo Esquema: Tablas y Gráfico

Evento: Sale sello
Número de
100 200 300 400 500 600 700 800 900 1000
Repeticiones
p (versión
51/100 94/200 162/300 201/400 235/500 304/600 334/700 379/800 443/900 512/1000
racional)
p (versión
0.51 0.47 0.54 0.503 0.47 0.507 0.477 0.474 0.492 0.512
decimal)
1.00.
0.75.
0.50.
E Í £ : : : ' ; : : ? : ; : é : : : " : : : i : ; : ¥
0.25.
0.00.
Too 200 300 400 500 600 700 800 900 lo'oO ^ "
4.2.-Regla de la Multiplicación de Opciones ;
S i una c o m p a ñ í a de taxis opera con v e h í c u l o s de tres distintas marcas, a las que

llamaremos A , B y C . L a c o m p a ñ í a tiene cuatro taxis de marca A , tres de marca B y dos
de marca C , esto es, un total de nueve v e h í c u l o s . U n cliente les pide el alquiler
simultáneo de tres a u t o m ó v i l e s pero exige que sean de diferentes marcas. ¿ D e cuántas
opciones de agrupamiento de sus v e h í c u l o s dispone la c o m p a ñ í a para complacer a su
cliente? •n---,fc: : . .
Resolvamos primero el problema utilizando un "diagrama de á r b o l " . V é a s e Figura 2.4,

en la misma observamos que son veinticuatro las opciones que tiene la c o m p a ñ í a de taxis;
comenzando con la opción A ] B i C | y terminando con A4 B3 C2.
Figura 2.4
Diagrama de Arbol: Regla de Multiplicación de Opciones
E2 E3
Vehículo de marca Vehículo de marca Vehículo de marca
A B ^ c,
R.
^ B, c,
r"
c,
7\
Ci
•
—-— """^B,
r-
C,
r-
Ci
B, cr
" B; c,
r"
Ci
Ci
Bj , rr
. ' C|
—
C|
~ C2
E n realidad nos encontramos ante tres conjuntos finitos E i , E2 y E3 con sus respectivas
cardinalidades U] = 4, n2 = 3 y n3 = 2, lo cual hace posible que si deseamos escoger
primero un a u t o m ó v i l de la marca A , lo podemos hacer de cuatro formas, si luego
escogemos uno de la marca B lo podemos hacer de tres maneras y posteriormente, de dos
maneras los de la marca C ; para un total de 4-3-2 = 24 opciones, y así escoger las
opciones con las que el cliente pueda ser satisfecho. •
E s t a situación puede generalizarse para k conjuntos E i , E2, ... , E ^ que respectivamente

denen n i , n2, ... , n^ elementos, mediante la denominada Regla de M u l t i p l i c a c i ó n de
Opciones, teorema cuyo enunciado es el siguiente:
Teorema 2.7. Sean E , , E2,... , E ^ , k eventos cuyas Cardinalidades son respectivamente n¡, n2, ... , «*; si
se debe tomar k elementos, primero uno de E i , luego otro de E2 y así sucesivamente hasta
tomar el último elemento en E ^ , entonces el n ú m e r o de opciones que es posible elegir, es
igual a:
«/• «2' ••• • 'í* (2.21)
87
Regla de la Multiplicación de Opciones
Esto es, al producto de las cardinalidades de los eventos en consideración. ••^^ - i ,s
Prueba. L a prueba del mismo es inductiva, haciendo variar i desde uno hasta k. E l caso en que
i = 1 es trivial; el resto de la prueba es relativamente sencilla. •
U n a aplicación de la Regla de Multiplicación de Opciones, es la d e t e r m i n a c i ó n del

n ú m e r o de "placas" que el organismo regulador del tráfico vehicular puede emitir para
v e h í c u l o s "particulares" en cualquier provincia del Ecuador.
Cada placa tiene siete campos útiles, los tres primeros, de izquierda a derecha, ocupados
por letras del alfabeto y los cuatro restantes por cualquiera de los diez dígitos del sistema
n u m é r i c o decimal.
L a s letras que pueden ser ubicadas en los correspondientes campos de la placa son
veintiséis, pues no se utilizan la C h , la L l , ni la Ñ . U n bosquejo gráfico de la placa se
presenta a continuación, donde:
ECUADOR
El E2 E s - E4 Es Egxgr
>, ^
E | es un conjunto de una sola letra que puede ser ubicada en el primer campo ( l a de la
provincia);
E2 es el conjunto de veintiséis letras que pueden ser ubicadas en el segundo campo;
E3 es el conjunto de veintiséis letras que pueden ser ubicadas en el tercer campo;
E4 es el conjunto de los diez dígitos y que van a ser ubicados en el cuarto campo;
E5 es el conjunto de los diez dígitos y que van a ser ubicados en el quinto campo;
E6 es el conjunto de los diez dígitos y que van a ser ubicados en el sexto campo; y,
E7 es el conjunto de los diez dígitos y que van ser ubicados en el s é p t i m o campo.
L a Cardinalidad de E | es N ( E i ) = 1 puesto que allí se ubica solo la letra que identifica a la

provincia, A para Azuay, B para Bolívar, C para Carchi, etc..
N(E2) = N(E3) = 26
Mientras que
N(E4) = N(E5) = N(E6) = N(E7) = 1 0 , ,
y a que diez son los dígitos del cero al nueve.
Por tanto el n ú m e r o de placas que se puede emitir en una provincia del Ecuador es:
1 - 2 6 - 2 6 - 1 0 - 1 0 - 1 0 - 1 0 = 6'760.000
88
En la Costa, donde al año 2010 existen siete provincias, se pueden emitir

7(6760.000) = 47'320.000 placas y en las veinticuatro provincias del país
24(6'760.000) = 162'240.000 placas en total. •
Será profusa la utilización que daremos a la Regla de Multiplicación de Opciones durante

el desarrollo de este libro, tan profusa que a veces no nos daremos cuenta de ello.
Ejemplo 2.8
E n Guayaquil, en uno de los buses de la "Metrovía", existe una fila lateral de 4 asientos para
personas especiales o también de la tercera edad. Si en el bus viajan 8 pasajeros aptos para
ocupar este tipo de asientos, ¿De cuántas maneras diferentes pueden sentarse ellos?.
Desarrollo.
L a primera posición del asiento pude ser ocupada de 8 formas, la segunda de 7 formas, la
tercera de 6 formas y la última de 5 formas.
Aplicando la Regla de Multiplicación de Opciones, ^
Número de formas = 8 - 7 - ó - 5 = 1680

_ , (Pero siguen quedándose paradas cuatro personas)
' 2.4.3.- Combinaciones y Muestras
\s que se tiene una Población Objetivo de t a m a ñ o fmito N y que de ella vamos

\ tomar Unidades de Investigación, una a una y sin reemplazo, para que constituyan una
¡Muestra de t a m a ñ o n, siendo n menor o como m á x i m o igual a N.l E l N ú m e r o de
Muestras que de esta forma pueden tomarse, se lo denomina N ú m e r o de
Combinaciones de n objetos, seleccionados desde un conjunto {Población Objetivo) de
t a m a ñ o N.
N ó t e s e que en esta definición, el orden no es relevante y que hemos identificado la

N ú m e r o de
expresión C o m b i n a c i ó n con Muestra. U n a c o m b i n a c i ó n de t a m a ñ o n tomada de un
Combinaciones
Es igual al número de conjunto de t a m a ñ o N es lo mismo que en la notación del Capítulo 1, una Muestra X de
Muestras de tamaño n t a m a ñ o n tomada de una P o b l a c i ó n Objetivo de t a m a ñ o N .
que pueden tomarse
desde un conjunto Si por ejemplo se tiene una P o b l a c i ó n Objetivo compuesta por las cuatro primeras letras
(Población Objetivo) que
del alfabeto y se quiere identificar todas las posibles Muestras de t a m a ñ o dos que de ella
tiene tamaño N. E l orden
no es relevante
pueden obtenerse, se tiene:
Población Objetivo de tamaño N = 4: { a ; b; c; d } .

Posibles Muestras de tamaño n = 2: {a\h} { a ; c } { a ; d } { b ; c } { b ; d } { c ; d } .
Como puede verse, son en total seis las Muestras -o combinaciones- de t a m a ñ o dos que
se obtienen de una Población Objetivo de t a m a ñ o cuatro. S i d e s e á r a m o s saber cuántas
Muestras de t a m a ñ o tres pueden obtenerse de la misma Población Objetivo tenemos:
Posibles Muestras de tamaño « = 3; { a ; b; c } { a ; b; d} { a ; c; d } { b ; c; d } .
89
Combinaciones y Muestras v=ns '
E n total cuatro Muestras de t a m a ñ o tres de una P o b l a c i ó n Objetivo de t a m a ñ o cuatro.
Lo tradicional es representar con el símbolo

al N ú m e r o de Muestras
n ;
(Combinaciones) de t a m a ñ o n que se pueden tomar de ima P o b l a c i ó n Objetivo de
tamaño N.
De manera inductiva se puede probar que,
^N^ N!
(2.22)
(N-n)!n!
Siendo el s í m b o l o n! denominado Factorial del N ú m e r o Entero n, que se define como:
n! = l - 2 - 3 - . . . - n ; (2.23)
esto es, n! es el producto de los n ú m e r o s enteros positivos menores o iguales que n ; debe
tenerse en cuenta a d e m á s que cero factorial, O!, se /o define igual a uno.
N!
Coeficiente Binomial Se puede igualmente probar que: es siempre un número entero, a pesar
Número de (N-n)!n!
Combinaciones de
de que aparece como un n ú m e r o racional que potencialmente puede ser t a m b i é n
tamaño n tomadas de una
Población Objetivo de
fi-accionario, por ser el cociente de n ú m e r o s enteros.
tamaño N
Otra d e n o m i n a c i ó n que es usual darle al n ú m e r o de Combinaciones de t a m a ñ o n tomadas
de una P o b l a c i ó n Objetivo de t a m a ñ o N es Coeficiente Binomial, y a que aparece en la
Factorial
n! = n ( n - 1)! e x p a n s i ó n de las potencias enteras de un binomio. •
t)! = 1
De la definición de factorial se puede verificar que siempre es verdad que
n! = n - ( n - l ) ! •
Ejemplo 2.9
Se nos pide computar 3!; (3! - 2!); (3 - 2)! y 10! / (4! 6!).
Desarrollo.
Calculando se obtiene:
3! = 3 - 2 - l = 6
(3!-2!) = (3-2-l-2-l) = 6 - 2 = 4
(3-2)! =1!= 1
• . 10! 10-9-8-7-(6!) 10 • 9 • 8 • 7
= 210
4!6! (6!)-4-3-21 4-3-2-1
90
Ejemplo 2.10
De un grupo de veinte estudiantes se van a elegir seis para integrar un comité. E n la Población
Objetivo hay nueve damas y once caballeros; se requiere que dos de los integrantes del comité
sean necesariamente mujeres. L a pregunta es, ¿De cuántas maneras se puede elegir este
comité?.
Desarrollo.
Se tienen dos conjuntos, el de varones al que llamaremos E i del que hay que escoger cuatro
elementos y el de mujeres E2 del que hay que escoger dos personas.
E l número de formas en que se pueden escoger cuatro varones de un conjunto de once es:
11! 11-10 7! 11 • 10 • 9 • 8
= 330
(ll-4)!4! 7!4! 4 • 3 •2 • 1
E l número de formas en que se pueden escoger dos mujeres de un conjunto de nueve es:
9! • 7!
= 36
( 9 - 2 ) ! 2! 7! 2!
Consecuentemente el número de formas en que se puede elegir el comité con cuatro varones y
dos mujeres, aplicando la Regla de Multiplicación de Opciones, es:
'11^ (9^
(n,)-(n2) = = 3 3 0 - 3 6 = 11880 •
a.
S i en este mismo contexto nos preguntaran de c u á n t a s formas se puede elegir los

miembros del c o m i t é exigiendo que cuando mas puede haber un v a r ó n en el mismo, esto
es igual a:
íin r9^
+ '"1 = 1 - 8 4 + 11-126 = 1470
vO. a . v5.
E l primer sumando cuantifica el caso de " n i n g ú n hombre y seis mujeres" y el segundo

sumando el de "un hombre y cinco mujeres", y con estas dos opciones se cubre el
''cuando mas un hombre". • . . _
S i nuevas condiciones posibilitan ubicar en el c o m i t é de seis miembros no m á s de tres

hombres, debemos considerar cuatro casos y sumarlos, así:
{9\ r i o r i p ^9^ 9
+ +
v6. A j .5. v2y v4y v3y
= 1 -8 4 + 11 -126 + 5 5 - 1 2 6 + 1 6 5 - 8 4 = 2 2 2 6 0
Cantidad que representa el n ú m e r o de formas en que se puede integrar el c o m i t é

incluyendo como máximo tres hombres. •
91
Combinaciones y Muestras
S i no d i s c r i m i n á s e m o s por g é n e r o , sino que cualquier persona, sea este hombre o mujer,

puede estar en el c o m i t é , el n ú m e r o de formas de seleccionar los integrantes del c o m i t é
de seis personas es:
20 20!
= 38760 formas •
6J 14! 6!
Ejemplo 2.11
Una muy útil aplicación del número de combinaciones es el conocido resultado que se
denomina Binomio de Newton y que se expresa de la siguiente manera:
'1^ rr 1
(a + b) = a + b = a b + a b = 2. a b ;
vOv i =0
^2^ '2^ '2^

{a + hf = & +2ab + b^ = a b + a V + a b = 2, a b ;
\) i=0
(a + b)^ = a^+3a^b + 3ab^+b^
'3^ ^3^ '3^ '3^

_ a b + a V + a'b^ + a b = 2, . a b
.0. \\J .3. i = oUJ
En general se puede inductivamente probar que:
n n 'n^ 0, n
(a + b)" = a b + a b +...+ n-i, 1
a b a b
vO; i=0
Para cualquier par de números reales a y b ; i = l , 2 , . . . , n .
Éste es un resultado de mucha utilidad para el cálculo de probabilidades cuando se

introduzca el concepto de Variable Aleatoria Discreta.
Ahora es evidente la razón por la que a se lo denomina también "Coeficiente
Binomial". •
S o n importantes otros resultados relacionados con los previos y que deben ser tenidos en
cuenta de manera implícita en la resolución de problemas en los que se efectúan cálculos
de probabilidades, tales resuhados son:
Recordar
E l número de n
subconjuntos de un i ( - i y = 0 (2.24)
conjunto de tamaño i=1
nes 2"
A s í como t a m b i é n .
= 2" (2.25)
i=1
92
L a s pruebas para estos dos casos son inductivas, teniendo en cuenta que ( 1 - l ) " e s igual a
cero y desarrollando a d e m á s ( 1 + 1)" = 2", utilizando la expresión del Binomio de
Newton. R e c u é r d e s e que el n ú m e r o de subconjuntos de un conjunto de t a m a ñ o n es 2".
I
2.4.4.- Permutaciones
Permutaciones C u a n d o definíamos Combinaciones de t a m a ñ o n tomadas de un conjunto de t a m a ñ o N ,

Subconjuntos ordenados enfatizábamos que los subconjuntos obtenidos no eran ordenados, esto es, si A = { a , b } y
de tamaño n tomados de g = { b , a } , entonces A = B ; analicemos ahora cuando se toman de un conjunto de t a m a ñ o
un conjunto de tamaño N N , subconjuntos o r í í e « a í / o í de t a m a ñ o «.
N'
Como es obvio, existirá un total de Muestras o conjuntos no ordenados.
vn;
Necesitamos saber cuántos conjuntos ordenados "genera" cada una de estas
Combinaciones.
Ilustremos primero el problema con casos particulares. Como e n c o n t r á r a m o s en la

sección previa, para una P o b l a c i ó n Objetivo de t a m a ñ o N = 4, { a ; b; c; d } , se pueden
obtener seis Muestras (combinaciones) de t a m a ñ o dos que son: { a ; b} { a ; c } { a ; d } { b ; c }
{b; d} { c ; d } .
Analicemos en la Figura 2.5, el n ú m e r o de conjuntos ordenados que obtenemos en esta

situación:
Figura 2.5
Combinaciones y Permutaciones (n =2; N= 4)
Muestras Conjuntos Ordenados

(Combinaciones) (Permutaciones)
ab ab ba
ac ac ca
ad ad da
be be cb
' • bd bd db
cd cd de
Hemos conseguido dos conjuntos ordenados de cada Muestra ( c o m b i n a c i ó n ) , diremos

que cada subconjunto de t a m a ñ o dos, genera 2! subconjuntos ordenados del mismo
tamaño. •
Consideremos ahora la misma P o b l a c i ó n ( N = 4 ) y sus Muestras de t a m a ñ o n = 3, que

como y a hemos determinado, son cuatro muestras en total: { a ; b; c } ; { a ; b; d } ; { a ; c; d } ;
{b;c;d}.
E n la Figura 2.6 se presentan los conjuntos ordenados correspondientes a cada Muestra.
Estos resultados nos ponen al tanto de que cada Muestra de t a m a ñ o tres "genera" seis
subconjuntos ordenados y seis es lo mismo que tres factorial, 3!.
93
Permutaciones
Figura 2.6
Combinaciones y Permutaciones (n =3; N = 4)
Muestras Conjuntos Ordenados

/ (Combinaciones) (Permutaciones)
abe acb bac
abe
bca cab cba
abd adb bad
abd
bda dab dba
,.: acd adc cad
acd
, . -. , cda dac dea
bcd bdc cbd
bcd
cdb dbc dcb
De igual forma encontraremos que cada Muestra de t a m a ñ o cuatro nos permitirá obtener
cuatro factorial conjuntos ordenados, esto es veinticuatro conjuntos ordenados de t a m a ñ o
cuatro; y asi sucesivamente, de cada Muestra o combinación de tamaño n, se p o d r á
obtener n! conjuntos ordenados de t a m a ñ o n.
Cada uno de estos conjuntos ordenados los denominaremos una P e r m u t a c i ó n de

N ú m e r o de
t a m a ñ o n.
Permutaciones
El número de
Permutaciones de tamaño Con lo que hasta ahora sabemos, podemos afirmar que el n ú m e r o de Permutaciones de
n que se pueden obtener t a m a ñ o n que se pueden obtener de un conjunto (Población Objetivo) de t a m a ñ o N , para
de un conjunto de « < N , es igual n! veces el mimero de Combinaciones del mismo t a m a ñ o .
tamaño N , para n < N, es
igual n! veces el número
Si denotamos por ^P"^ al n ú m e r o de Permutaciones de t a m a ñ o n tomadas de un conjunto
de Combinaciones del
mismo tamaño de t a m a ñ o N , es cierto que:
N! N!
Total de Permutaciones
,P^=n! = n! (2.26)
(N-n)!n! (N-n)!
de T a m a ñ o n
N!
Si por ejemplo se tiene una P o b l a c i ó n Objetivo de N = 6 elementos y se quiere
(N-n)!
determinar cuántas Permutaciones de t a m a ñ o tres existen partiendo del mismo,
encontramos que el n ú m e r o de Muestras (Combinaciones) de t a m a ñ o tres son:
^6^
6! 6-5-4-3!
= 20 Muestras (no ordenadas)
(6-3)!3! 3!3!
E n tanto que el n ú m e r o de conjuntos ordenados (Permutaciones) de t a m a ñ o tres tomadas

de este conjunto de t a m a ñ o seis son: 20-3! = 120, o lo que es lo mismo:
6!
= P° = - = 120
(6-3)!
E l N ú m e r o de Permutaciones de t a m a ñ o n, tomadas de un conjunto de t a m a ñ o N = n es

igual a n!; tal cual lo verificáramos cuando encontramos que cada Muestra de t a m a ñ o n,
"genera" n Permutaciones, esto es.
94
n!
,P" =n! = n! • = — = n! (2.27)
(n-n)!n! O!
E l problema de los asientos para tercera edad y discapacitados en la M e t r o v í a que

presentamos en sección previa, puede t a m b i é n ser resuelto utilizando permutaciones, esto
es:
A8>
N ú m e r o de formas = ^ ¥ =4! = 4!- = - = 8 - 7 - 6 - 5 = 1680
4! 4! 4!
Ejemplo 2.12
Experimento de la Aguja de Buffon
U n experimento que sirve para estimar el valor de n, el cociente entre la longitud de una
circunferencia y su d i á m e t r o , es el denominado "Experimento de la Aguja de Buffon ".
Para efectuar tal e s t i m a c i ó n se lanza una aguja de longitud í, sobre un piso de tablones de
igual ancho a con a > £ ; la pregunta es ¿cuál es la probabilidad P de que al lanzar la

aguja sobre el piso, cuando la aguja llegue al reposo, cruce o al menos "toque" una grieta
21
que separa a los tablones? A n a l í t i c a m e n t e se puede probar que P = — , cantidad que
71 a
puede ser estimada lanzando la aguja un n ú m e r o n grande, de veces y como se conoce í
así como a, el valor de n puede ser estimado posterior a esto, pues y a se tiene la
e s t i m a c i ó n frecuencial de P. A l lector se lo incentiva a que en su hogar, efectúe el
experimento, lanzando al menos 200 veces la aguja y verificando cuan cerca de
71 = 3.14159 es la estimación que logra. V é a s e F/gwra 2.7. •
Figura 2.7
Experimento de la Aguja de Buffon
grieta
aguja
95
El Coeficiente Multinomial
2.4.5.- El Coeficiente Multinomial
C u a n d o se determinan las combinaciones de t a m a ñ o n en una P o b l a c i ó n Objetivo de

t a m a ñ o N , es posible visualizar t a m b i é n que a la P o b l a c i ó n se la está "partiendo" en dos
grupos, uno de t a m a ñ o n y otro de t a m a ñ o ( N - n) y como sabemos, del primero se
'N N N!
pueden obtener combinaciones y del segundo , esto es, la misma
.n N-n ( N - n ) ! n!
Muestras o
Combinaciones
Distinguibles cantidad de combinaciones de un t a m a ñ o n y de t a m a ñ o ( N - n ) ; , por ejemplo.
Son cada una de las 3,
Muestras de tamaño n y
las de tamaño (N - n),
Cada una de las Muestras de t a m a ñ o n y las de t a m a ñ o ( N - n) se denominan t a m b i é n
que se toman de una
Población Objetivo de Muestras o Combinaciones Distinguibles. •
tamaño N
Los resultados previos es posible extenderlos a una Población Objetivo de t a m a ñ o N , en

la que existan Uj elementos que por sus particularidades puedan ser clasificados como
'"similares" entre ellos, pero "distinguibles" de los restantes ( N - n , ) , de igual forma n2
que sean similares y asi sucesivamente hasta n^^ elementos similares, con la c o n d i c i ó n de
que:
' . n, + n 2 + . . . + n k = N (2.28)
Bajo estas condiciones, el n ú m e r o de Muestras o Combinaciones Distinguibles cuando

Q se particiona en k conjuntos distinguibles o identificables, de t a m a ñ o n i , n2, ... , n^, se
N
lo denota por y se puede demostrar que este n ú m e r o es igual a
n,,n2,...,nkj
N!
; estamos asegurando que:
n.! n,! ... n,
N N!
(2.29)
l^n|,n2,...,n;,; n,! n2!...nk!
Ejemplo 2.13
Un ingeniero tiene que hacer mantenimiento a las estaciones computacionales que administra
en un laboratorio de Nanotecnología; un día cualquiera en el laboratorio tiene a su disposición
diez estaciones, dos de marca P H , cinco de marca B M I y tres de marca Dolí; calcúlese el
número de formas que puede "ubicar" las 10 estaciones en uno de los salones del laboratorio.
Desarrollo.
Tenemos un conjunto de tamaño N = 10 estaciones y tres grupos distinguibles, por sus marcas,
grupos que son de tamaño n, = 2, n2 = 5 y na = 3.
' 10 ^ 10!
Por tanto el número de formas que puede distribuirlas es: = 2520 4
v2,5,3. 2! 3! 5!
96
Probabilidad Condicional
N ó t e s e que si no m i r á r a m o s la marca de las estaciones computacionales, el ingeniero

puede distribuir sus estaciones de N ! = 10! maneras diferentes.
E l razonamiento puede extenderse al arreglo de veinte libros en las perchas de una

biblioteca, sabiendo que cuatro son de Muestreo Probabilistico, once de Procesos
Estocásticos, cuatro de Análisis Estadístico Multivariado y uno de Simulación
20
M a t e m á t i c a ; el n ú m e r o de arreglos es: Piénsese t a m b i é n en una c o m p a ñ í a
1,4,11,4, I j
distribuidora de vehículos, que los clasifica como de "bajo consumo" de combustible,
"mediano consumo" y "alto consumo"; o, en un agricultor que cultiva arroz utilizando
abono " o r g á n i c o " , otro tipo de cultivo de arroz en que "utiliza herbicidas" y otro tipo en
que no utiliza tratamiento de tipo alguno. L a e x p r e s i ó n definida en (2.29) se denomina
Coeficiente Multinomial.
Aspiramos que el esquema Multinomial sea reconocido por el lector de manera directa y
lo apliquen de forma generalizada. E n capítulos venideros será utilizado nuevamente. •
2.5.- PROBABILIDAD CONDICIONAL
2.5.1.- Muestreo con y sin Reposición
( Un mazo de naipes tiene cincuenta y dos cartas; trece de ellas son corazón rojo, trece
\ negro, trece son brillo y trece trébol; se van a tomar de manera sucesiva,
I aleatoria y sin reemplazo dos cartas. Nos preguntamos cuál es la probabilidad que la
Nsegunda carta sea trébol, sabiendo que l a primera ftxe c o r a z ó n negro.
E l esquema de extracción de cartas al que nos referimos en las líneas previas es

denominado "Muestreo sin R e p o s i c i ó n " o m á s c o m ú n m e n t e , "Muestreo Aleatorio
Simple".
E n este experimento, llamemos E | al evento "sale c o r a z ó n negro en la primera

e x t r a c c i ó n " y E2 "sale trébol en la segunda". Suponiendo que toda carta en el mazo tiene
igual probabilidad de ser escogida y que la segunda es tomada sin tener en cuenta como
fue escogida la primera, pero si contabilizando el efecto sobre la cantidad de elementos
disponibles para efectuar la segunda extracción, por la no reposición.
E n primer lugar podemos afirmar que:
N(Q) 52 - -
Puesto que trece son las cartas del tipo " c o r a z ó n negro" y cincuenta y dos el total de
ellas; nos resta determinar el valor de la probabilidad:
P(E2, sabiendo que y a se extrajo una carta, que es corazón negro y que no ha sido
reintegrada al mazo).
97
Muestreo con y sin Reposición
Esto significa que quedan cincuenta y un cartas en total, pero trece de ellas siguen siendo
trébol por lo que la probabilidad buscada es 13/51. ,,. -
Buscando notación diremos que:
P(E2 sabiendo que la primera carta fue corazón negro y no fue reintegrada) = —
51
o simplemente:
P(E2|E,) = ^ _
Que se lee, "probabilidad de que ocurra E2 dado que y a ocurrió E i " . •
N ó t e s e que si una vez verificada cuál fiae la primera carta extraída hubiese sido
reintegrada al mazo t e n d r í a m o s .
13
P ( E 2 | E i ) = — = P(E2)
52
f
Esquema de extracción que se denomina "Muestreo con Reposición"; insistimos que el
esquema que utilizamos previamente es el conocido como "Muestreo s i n R e p o s i c i ó n " o
"Aleatorio Simple". •
H e m o s presentado una n o c i ó n intuitiva de lo que es "Probabilidad Condicional",

pasamos a definirla y analizar algunas de sus características.
Dado un Experimento Estadístico, consideremos dos eventos uno E | y otro E2, tales que
el primero ha ocurrido mientras que el segundo, E2, está por ocurrir. L a probabilidad de
que ocurra E2 dado que ha ocurrido E ] se la denota y define como:
P(E21 E , ) = ^ ' ' ^ ~ ^ ; siempre que E , Tí 0 (2.30)
L a última restricción, E , * 0 , es necesaria, a fin de evitar la división para cero.
Si se tuviese el caso del lanzamiento de un dado legal y nos preguntaran cuál es la

probabilidad que haya salido un número par, si se sabe que el n ú m e r o que salió es mayor
que cuatro. , , .. . . . ,,. .
Esto hace
E ] = { 5 ; 6 } = Sale n ú m e r o mayor que cuatro; y
£ 2 = { 2 ; 4; 6 } = Sale n ú m e r o par; y, a d e m á s E j n £ 2 = { 6 }
Por lo que, .
P ( E i ) = 2/6;P(E2) = 3 / 6 ; y , P ( E , n E 2 ) = 1/6 -
lo cual nos lleva a:
PÍE |E)-P(E.nE2)_l/6_l
P^^^l^'^ P(EO 2/6 2
98
Si n e c e s i t á r a m o s calcular P ( E i IE2), t e n d r í a m o s : " ' " J
P(E, n E , ) ve 1
P(E,|E2) = ^ J 2^ = _ =- ,
PCEj) 3/6 3 :
E s importante tener en cuenta que la definición de Probabilidad Condicional satisface los

axiomas de la Función de Probabilidades, A x i o m a s de Kolmogorov, sin embargo debe
resaltarse que si el experimento tiene un Espacio Muestral ( Q , ¿f), al "condicionar" el
mismo, esto es, al conocerse alguna información adicional sobre la ejecución del
experimento -se sabe que ha ocurrido Ejpor ejemplo-, el espacio Muestral se restringe a
( Q ' , J " ) ; donde Q ' es el conjunto de resultados posibles, conociendo que ha ocurrido E j
mientras que if' es el conjunto de subconjuntos de Q ' . Por lo tanto,
a) P ( E , l E , ) = l ;
b) P ( E 2 Í E , ) > 0 ; y ,
c) P ( E 2 u E31E,) = P(E21 E l ) + P ( E 3 l E | ) , siempre que E 2 n E 3 = 0 • ' (2.31)
S i no es evidente que P ( E i ! E i ) = 1; verifiquémoslo.
Según la definición de Probabilidad Condicional, si P es una F u n c i ó n de Probabilidades y

E i y E 2 son eventos en un Espacio Muestral ( Q , >/) entonces: : . • ,> .
P(EilEi) = P(E,nE|)/P(E,) = P(E,)/P(E,)=l (2.32)
De manera similar, cuando E2 n E3 = 0
P ( E 2 U E 3 l E , ) = P[(E2UE3)nE,)]/P(E,) (2.33)
: ' =P[(E2nEi)u(E,nE3)]/P(E,)
: , =[P(E2nE,) + P(E,nE3)]/P(Ei)
= P(E2 n E , ) / P ( E , ) + P ( E , n E 3 ) ] / P ( E , )
=P(E2!Ei) + P(E3lE,) • (2.34)
N ó t e s e que E l IE2 ó E2IE1 son elementos de Q', no de í í . -. -: - - ,.
E s igualmente posible demostrar lo siguiente:
Teorema 2.8. S i P(E2) > O entonces P ( E | IE2) = 1 - P( EJ^ IE2). • (2.35)
Este teorema, en t é r m i n o s de probabilidades condicionales, es equivalente al de la

probabilidad del complemento de un evento, es decir,
P(E,)=l-P(Ef) •
99
Muestreo con y sin Reposición .f>ii>. - -.! u
E x p r e s i ó n que cabe tener en cuenta porque no siempre es claro determinar que el

complemento de E i i E2 es IE2. N o debe pensarse equivocadamente que es E i 1 E2 . •
Pasamos a dar una ilustración del último teorema enunciado y cuya d e m o s t r a c i ó n

sugerimos al lector la realice.
Ejemplo 2.14
E n el caso del lanzamiento de un dado legal,
n= {1;2;3;4;5;6}.
Si E l es el evento "sale número par" y E2 es "sale número mayor que tres", verificar los
axiomas de Probabilidad Condicional.
Desarrollo.
Sea
E , = { 2 ; 4 ; 6} (A)
E2= {4; 5; 6}
Entonces
E i n E 2 = {4; 6}
EilE2={4;6} (B)
(Note la diferencia entre (A) y (B))
E, !E2={2}
P(Ef^|E2) = P ( { 2 } ) = -
3 1
Mientras PCE^) = P ( { 1 ; 3 ; 5 } ) = - = -
6 2
P(E||E2) = l - P ( E ^ | E 2 ) = l - ^ = ^
Para verificar este último resultado, utilicemos la ya conocida definición de Probabilidad

Condicional de un evento dada en (2.30), esto es
P(E|E )= ^ ^ ^ ^ = ^ =^
Como era de esperarse, los dos resultados coinciden. •
Ejemplo 2.15
Se va efectuar un torneo de un juego en el que se utilizan umas; al juego se lo denomina

"Acierto"; para efectos de este torneo, en las umas a emplearse se depositan cuatro fichas
marcadas del uno al cuatro; a cada jugador se le asigna una uma; un "tumo" de un jugador
100
ocurre cuando ha extraído las cuatro fichas de su uma. Las fichas son extraídas por cada
jugador de manera aleatoria sucesiva y sin reemplazo.
Ocurre un "acierto" si el jugador al extraer la ficha i-ésima, el número que se lee es el i ,

(i = 1; 2; 3; 4). Gana el jugador que obtiene más "aciertos".
Efectúe el análisis probabilístico del juego. >
Desarrollo. '' '
Concentremos nuestra atención en la probabilidad de que un "acierto" Ej ocurra en la i-ésima

extracción. Para cada jugador, Q tiene una cantidad de elementos que es igual a 4! = 24, es
decir, el número de permutaciones de tamaño cuatro que se pueden conseguir de un conjunto
de tamaño cuatro; veamos.
n = {1234; 1243; 1324; 1342; 1423; 1432;

2134; 2143; 2314; 2341; 2413; 2431;
3124; 3142; 3214; 3241; 3412; 3421;
4123; 4132; 4213; 4231;4312;4321}
Donde por ejemplo, 1234 significa, la ficha señalada con el número uno sale primero y la
ficha con el número dos, sale segunda y la marcada con el número tres, sale tercera y la
marcada con el número cuatro, sale cuarta.
Como lo anunciáramos previamente, llamemos Ej al evento "ocurre el número i en la i-ésima

sacada" entonces,
E l = {1234; 1243; 1324; 1342; 1423; 1432}
- E2= {1234; 1243; 3214; 3241; 4231; 4213}
E3= {1234; 1432; 2134; 2431; 4132; 4231}
E4= {1234; 1324; 2314; 2134; 3124; 3214} '
Por tanto, P(Ei) = 6/24 = 3! / 4 ! ; en tanto que:
EinE2= {1234; 1243}

EinE3= {1234; 1432}
EinE4= {1234; 1324}
E2nE3= {1234; 4231}
E2nE4= {1234; 3214}
E3nE4= {1234; 2134}
De acuerdo con estos resultados, Ej y Ej no son eventos mutuamente excluyentes, ya que en

ningún caso Ej n Ej = 0 .
Siendo en realidad P ( E i n Ej) = 2/24 = 2!/4! ; para i, j = 1, 2, 3,4; i j .
Además,
E j O E j H E k = { 1 2 3 4 } ; por lo que: P ( E ¡ n E j n E k ) = 1/24 ' "
= l!/6! ; p a r a i , j , k = l , 2 , 3 , 4 ; i ; ' j ; í k .
Estas son las probabilidades que deben considerar los jugadores al participar en la
competencia. •
Pasamos ahora a demostrar un teorema interesante, relacionado con probabilidad

condicional.
101
Muestreo con y sin Reposición
Teorema 2.9. S i P es una F u n c i ó n de Probabilidades y E i y E2 son eventos Mutuamente Excluyentes en

un Espacio Muestral ( Q , if), entonces
P ( E , I E , U E 2 ) = P ( E , ) / [ P ( E , ) + P(E2)] (2.36)
Prueba. Aplicando (7.50; P ( E , I E , u E2 ) = P [ ( E | ) n ( E , u E 2 ) ] / P ( E | U E2),

= P ( E , ) / P ( E | u E2), ( y a que E , n ( E , u E2) = E , por
' hipótesis)
P(E,)
(2.37)
P ( E | ) + P(E2)
L o cual completa la prueba. • "
Ejemplo 2.16
E n el lanzamiento de un dado "legal" se sabe que ha salido número menor que tres o número
mayor que tres. Se pide, que con la información dada, determinemos cual es la probabilidad
que haya salido número menor que tres.
Desarrollo.
Sea E ] = número menor que tres = f 1 ; 2} ' . ~,

Sea E2 = número mayor que tres = { 4 ; 5 ; 6 ¡
Evidentemente que E , y E2 son eventos mutuamente excluyentes y se nos pide determinar

P(E,| E,UE2). :
Puesto que: . .
P ( E i ) = 2/6 y P(E2) = 3/6
Entonces aplicando (2.37)

2
P(E,) _ 6 _2
•
^ ( ^ • ' ^ • " ^ ^ ^ = P ( E , ) V P ( E 2 ) ^ 2 +7 -T
6 6
2.6.- INDEPENDENCIA ESTOCASTICA DE EVENTOS
C o m o y a hemos establecido,
^ -V ^ - P(E2 | E , ) = ; siempre que E , * 0 ;
esta última e x p r e s i ó n hace posible que obtengamos la denominada "Regla de

M u l t i p l i c a c i ó n para Probabilidad Condicional" que es:
P ( E | n E 2 ) = P(E2lE,)P(E,) (2.38)
102
Independencia Estocástica de Eventos
/
Eventos
O también: ,
P ( E , n E2) = P ( E , 1E2) P(E2) _ (2.39)
Estocásticamente
Independientes s e g ú n sea el caso. E s o b v i o que si h a ocurrido E | , y este hecho afecta la probabilidad de
unimismo Espacio"*^ ^ ^2 ocurra, entonces es v e r d a d que P(E21 E i ) ?t P(E2); pero t a m b i é n puede ocurrir que
Maestral ( ü , y ) , diremos tal s i t u a c i ó n no se d é y que P(E21 E , ) = P(E2). ^^^^
que el Evento E| es
Estocásticamente E s lo que nos p r o p o n e m o s a n a l i z a r a c o n t i n u a c i ó n . .
Independiente del
Evento E2 cuando y solo Sean E , y E j eventos de un m i s m o Espacio Muestral ( Q , if), diremos que e l Evento E i es
cuando:
P(E21 El) = P(E2), así E s t o c á s t i c a m e n t e Independiente del Evento E2 cuando y solo cuando:
como
P(E, 1E2) = P(E,) P ( E 2 ! E I ) = P(E2), asicomoP(EilE2) = P ( E i ) - (2.40)
Eventos ^ ° usual es decir que los Eventos E | y E2 son Independientes, prescindiendo de la

Estocásticamente p a l a b r a " e s t o c á s t i c a m e n t e " ; sin embargo hay que tener e n cuenta esta palabra, y a que en
Independientes pero no ciertos casos se confunde la "Independencia E s t o c á s t i c a " de eventos con el concepto
Mutuamente algebraico de "independencia lineal" de vectores.
Excluyentes
SiEiyE2so« N ó t e s e que la definición de Independencia de u n par de Eventos i m p l i c a que s i E . y E2
estocásticamente ^ ^ r - i ij ¿.
independientes no son son Eventos Independientes, entonces:
mutuamente excluyentes i
pues necesariamente P ( E i n E2) = P ( E | ) P ( E 2 ) (2.41)
P(EinE2) ii O • , - ' , . . , ,
Ejemplo 2.17
Si se tienen eventos E , y E2 que se conoce son independientes y se sabe además que

P ( E , ) = 0.8 y P(E2) = 0.30, determinar P ( E | n E j ) y P ( E , u E2).
Desarrollo. , - • > 's . : . . • :
Si los dos eventos son por hipótesis independientes,
' " P ( E i n E2) = P(E,)P(E2) = 0.8(0.3) = 0.24
Mientras que
P(Ei u En) = P ( E , ) + P(E2) - P ( E , n E 2 ) = 0.8 + 0.3 - 0.24 = 0.86
E s muy importante notar que los eventos E i y E2 son Estocásticamente independientes; pero
no son Mutuamente Excluyentes pues necesariamente P ( E i n E2) * 0.
Si en este mismo problema nos preguntasen cuál es la probabilidad de que ocurra el

complemento de E j sin duda alguna diríamos que P( eJ" ) = 1 - 0.8 = 0.2; mientras que, si nos
c c
pidieran calcular P( E , n E j ) , ¿podríamos hacerlo suponiendo que los eventos E , y E2 son
independientes? Trabajamos a continuación sobre el asunto. •
Teorema 2.10. S i E i y E2 son Eventos Independientes en un mismo Espacio Muestral ( Q , if) entonces,
t a m b i é n son Independientes los siguientes pares de eventos:
103
Independencia Estocástica de Eventos i^-, . ÍW^VK '
i) E , y E ^ .' ' f2,42)
ii) E ^ y E 2 ; y , . (2.43)
iii) E í ^ y E ^ ^ : "'7^^' -(2.44)
Prueba, i ) Por hipótesis P ( E | n E2) = P ( E i ) P ( E 2 ) y a que los dos eventos son independientes,
a d e m á s se tiene que el evento E i n E ^ expresado como l a diferencia de dos eventos
mutuamente excluyentes, es tal que
E , n E j = [ E , - ( E | n E 2 ) ] = { ( o e Q I (06 E | A cog ( E , n E 2 ) } ;
por lo que,
P ( E i n E ^ ) = P [ E , - ( E , n E2)] = P ( E , ) - P ( E , n E2)
. =P(E,)-P(E,)P(E2)
= P(E,)[1-P(E2)] = P ( E , ) P ( E ^ )
L o cual verifica la Independencia de E i con E j , bajo la hipótesis dada. '
i i ) L a prueba de Independencia entre y E2 es similar a l a previa solo que ahora

utilizaremos e l hecho de que:
E[^nE2=[E2-(E,nE2)]= { c ü € n | o ) e E2AC0g ( E , n E 2 ) }
Para llegar a que,

P ( E f n E 2 ) = P(Ef)P(E2)
iii) Probemos ahora el tercer resultado.
P( E ^ n E ^ ) = P [ Q - ( E , u E2)] = 1 - [ P ( E , ) + P(E2) - P ( E , n E 2 ) ]
= 1 - P ( E , ) - P ( E 2 ) + P(E,)P(E2)
= [1-P(E,)]-P(E2)[1-P(E,)]
= [1-P(E,)][1-P(E2)]
= P(Ef)P(E^)
L o cual concluye la prueba. •
Finura 2.8
Independencia de Ejy E*^
E2nEf
VV X \
y
J
104
E n el Ejemplo 2.17, nos p r e g u n t á b a m o s , si nos pidieran calcular P ( E^" n E2), ¿ p o d r í a m o s

hacerlo suponiendo que los dos eventos presentados en l a intersección son
independientes?. ., , . • •
Estamos ahora en condiciones de decir sí y proceder al c á l c u l o .
. P ( E ; ' n E 2 ) = P(Ef)P(E2)
= [ 1 - P ( E , ) ] P ( E 2 ) = 0.20(0.30) = 0.06 • " "
V e a m o s las novedades acerca de l a independencia de m á s de dos eventos.
T r e s eventos E | , E2 y E3 se dicen son E s t o c á s t i c a m e n t e Independientes, cuando y solo

cuando es verdad que se cumplen las siguientes cuatro condiciones:
i) P ( E , n E 2 ) = P(E|)P(E2); ^^-y--^^^^^ (2.45)
ii) P ( E , n E 3 ) = P ( E , ) P ( E 3 ) ; . V"^' (2.46)
iii) P ( E 2 n E 3 ) = P(E2)P(E3);y, " ' ' ^^^^
iv) P ( E , n E 2 n E 3 ) = P(E,)P(E2)P(E3). (2.48)
E n un primer vistazo p e n s a r í a m o s que la última c o n d i c i ó n implica las tres primeras o que

las tres primeras implican la cuarta, pero aquello no es cierto, presentaremos algunas
ilustraciones sobre el particular. T é n g a s e en cuenta que en general,
P ( E , n E 2 n E 3 ) = P(E|)P(E2lE,)P(E3lE|nE2) (2.49)
E l ii/ew/^/o 2.20 es una buena ilustración para (^.-/P).
Ejemplo 2.18
Se conoce que tres eventos son tales que se cumplen las siguientes condiciones:
P ( E , ) = P(E2) = P(E3) = 1/2;

P ( E , n E2) = P ( E , n E 3 ) = P(E2 n E3) = 1/4; y,
P ( E | n E 2 n E 3 ) = 1/4.
Se desea determinar si los tres eventos así ligados son estocásticamente independientes.
Desarrollo.
E n este caso:
P ( E , n E 2 ) = P(E,)P(E2) = ( l / 2 ) ( l / 2 ) = l / 4 ^
P ( E , n E 3 ) = P(E,)P(E3) = ( l / 2 ) ( l / 2 ) = 1/4
. . P ( E 2 n E 3 ) = P(E2)P(E3) = ( l / 2 ) ( l / 2 ) =1/4
L o cual significa que los tres eventos son independientes de dos en dos; pero
• ^ ^• y ~ ;V'-. • ;:• P ( E , n E 2 n E 3 ) * P(E,)P(E2)P(E3)
105
Pues el término de la izquierda en la expresión previa es igual a 1/4, por hipótesis; mientras
que el de la derecha es igual a (1/2)^ = 1/8, por deducción.
Por lo que los tres eventos no son Independientes de tres en tres y por tanto no se los puede
considerar como Estocásticamente Independientes entre sí. •
Analicemos dos situaciones más relacionadas con independencia estocástica.
Ejemplo 2.19
Un experimento consiste en lanzar de manera independiente, dos veces una moneda legal. Se
define como E | , al evento, "sale cara en el primer lanzamiento"; E2 es "sale cara en el segundo
lanzamiento" y E3 es "el lado que sale en el primer lanzamiento es el mismo que el segundo".
Se desea verificar si estos tres eventos son Estocásticamente Independientes.
Desarrollo.
E n este caso Q = {ss; se; es; ce}, en tanto que E i = {es; c e } ; £ 2 = {ce; s e } ; £ 3 = {ss; ce}
E,nE2={cc};
E,nE3={cc};
E2nE3={cc};
•• • E , n E 2 n E 3 = {ce}
De donde:
P(E,) = P(E2) = P(E3) = 2 / 4 = l / 2 . ^
. P ( E , n E 2 ) = P ( E , n E 3 ) = P ( E 2 n E 3 ) = 1/4
P ( E , n E 2 n E 3 ) = 1/4.
P(E,)P(E2)P(E3) = ( 1 / 2 ) ' = 1/8

Siendo
P ( E , n E 2 n E 3 ) * P ( E , ) P(E2)P(E3) j
los tres eventos no son Estocásticamente Independientes, aunque sí lo son de par en par. •
Ejemplo 2.20
De un mazo de barajas se extraen de manera sucesiva y sin reemplazo cuatro cartas, se pide
calcular la probabilidad que todas las cartas sean "reyes".
Desarrollo.
Se sabe que el mazo tiene cuatro reyes, si Ej representa "sale rey en la i-ésima extracción".
Se nos pide calcular P ( E , n E2 n E3 n E4) que en este caso de acuerdo a la expresión (2.49)
(extendida a n = 4) es igual a
P(EinE2nE3nE4) =P(Ei)-P(E2|E,)-P(E3|E,nE2)-P(EJE,nE2nE3) •
106
• - / ; _ 4 3 2 1 _ 24 ^ :
52 51 50 49 6497400
A continuación enunciamos dos teoremas que son importantes en cuanto a Independencia

de Eventos y que sugerimos al lector haga su mejor esfuerzo por demostrarlos,
Teorema 2.11. S i E i , E2 y E3 son Eventos E s t o c á s t i c a m e n t e Independientes en un Espacio Muestral

(Q, >/), entonces es verdad que deben:
i ) E i y E 2 n E 3 ser E s t o c á s t i c a m e n t e Independientes
ii) E l y E2 u E3 ser E s t o c á s t i c a m e n t e Independientes
i i i ) E , y £ 2 0 E3 ser E s t o c á s t i c a m e n t e Independientes
Teorema 2.12. Cualquier evento E en ( Q , if) es Independiente del evento imposible 0 .
Ejemplo 2.21
Se lanzan cuatro dados legales de manera sucesiva, determine la probabilidad que en los
cuatro dados ocurra un número par.
Desarrollo.
Tenemos: O = {1111; 1112; 6666}.
Se debe suponer que cada lanzamiento es independiente de los demás por lo que si
denominamos Ej al evento "sale número par en el i-ésimo dado lanzado", tenemos que,
2134 € E , pero 1234 g E j
P ( E , ) = P(E2) = P(E3) = P(E4) = 3/6 =1/2
(utilizando el supuesto de independencia)
P ( E , n E2) = P ( E , n E3) = P ( E | n E4) = P(E2 n E3)
= P(E2nE4) = P(E3nE4)= i x i = l
P ( E , n E , n E3) = P ( E , n E2 n E4) -.
= P(!•:, n E3 n E4) = P(E2 n E3 n E4) = 1 X 1 X 1 = 1
P(E,nE2nE3nE4)= 1 x 1 x 1 x 1 =1 •
2 2 2 2 16
107
Ejemplo 2.22
Se sabe que dos eventos E , y E j de un mismo Espacio Muestral son tales que P(Ei) = 0.35,
P(E2) = 0.45 y P ( E i n E2) = 0.18. ¿Son Independientes este par de eventos?
Desarrollo.
Si fuesen independientes E , y E2, debería cumplirse que
: . , P(E,)P(E2) = P ( E , n E 2 ) , . ,
mas,
P(E,)P(E2) = (0.35)(0.45) = 0.1575 0.18
Consecuentemente E ] y E2 no son eventos estocásticamente independientes. •
Ejemplo 2.23
Se tienen dos eventos E , y E j tales que P ( E , ) = 0.20, PÍEj) = 0.50 y P ( E , n E j ) = 0.10.

Determinar P ( E , I E2), P(E21 E , ) , P ( E | I E j ) .
Desarrollo.
Nótese que: P(E,)P(E2) = 0.20(0.50) = 0.10 = P ( E , n E2)
L o cual hace Estocásticamente Independientes a los dos eventos, de donde:
P ( E i l E 2 ) = P ( E , ) = 0.20
P ( E 2 l E , ) = P(E2) = 0.50;y,
P( E , I E2 ) = P ( E | ) = 0.20
Esto es consecuencia de lo demostrado previamente en el sentido de que si E j y E j son

c e c
Independientes, también lo son sus complementos E , y E j , así como también E j con E j
y EJ con E j . •
Ejemplo 2.24
L a oficina de seguridad de una

Calle institución financiera se ubica en la
parte posterior del primer piso de un
Zona de edificio, véase Esquema 1. E n caso de
Atención al presentarse una irregularidad, un
Público
grupo de empleados tiene a su
disposición un terminal que al ser
Oficina pulsado acciona un mecanismo que
Seguridad envía un mensaje de alarma a la
Esquema 1
oficina de seguridad. E l mecanismo
de seguridad está constituido por tres componentes que se disponen
como se indica en el Esquema 2. E l sistema funciona si al menos una Esquema 2
108
Regla de la Probabilidad Total y Teorema de Bayes
de las vías desde ( A ) hasta ( B ) está habilitada. L a probabilidad de que cualquier componente
funcione es 0.95, y lo hacen de manera independiente ¿Cuál es la probabilidad que al
producirse una emergencia, el sistema de alarmas funcione?
Desarrollo.
E l sistema cumple su objetivo si:
a) C i , C2 y C3 funcionan;
b) C , y C2 funcionan pero no C3; y,
c) C i y C3 funcionan pero no C2
Nótese que siempre C i debe funcionar. ' -
Si P(Ci), i = 1, 2, 3; representa la probabilidad del evento, " l a i - é s i m a componente funciona",

entonces: C , n (Cj u C 3 ) es el evento, "el sistema de seguridad funciona", por lo que:
P ( C i n (C2 u C 3 ) ) = P [ ( C , n C , ) u ( C , n C3)]
= P ( C , n C 2 ) + P ( C i n C3) - P [ ( C , n C 2 ) n ( C , n C3)]
= P(C,nC2)+P(C,nC3)-P[C,nC2nC3] .
= P(Ci)P(C2) + P ( C i ) P ( C 3 ) - P ( C , ) P ( C 2 ) P ( C 3 ) : '
= (0.95)^+(0.95)^-(0.95^
= 0.9025 + 0 . 9 0 2 5 - 0 . 8 5 7 4
= 0.9476
E s obvio que si tuviésemos una cuarta componente - C4 - el sistema puede ser m á s

"confiable" o menos, dependiendo de cómo ubiquemos a la nueva componente. Mejor sería
ponerlo como en el Esquema i o el Esquema 6.
Esquema 3 Esquema 4
• 0 =
B A B
O
y lo evitable sería la configuración del Esquema 4; aunque entre ambos estaría el Esquema 5.
Esquema 5 Esquema 6
• 0 0
C, C4
Piense en el Esquema 6. •
2.7.- REGLA DE LA PROBABILIDAD TOTAL Y TEOREMA DE BA YES
E n un experimento estadístico, supongamos que el conjunto de los resultados posibles

Q, es "particionado" en k eventos, a los que denominaremos E | , E 2 , . . . , Ek.
109
Regla de la Probabilidad Total y Teorema de Bayes , i , .Í^ j
: "X^^ ' Particionar significa que los k eventos son Exhaustivos y Mutuamente Excluyentes.
( V é a s e F/gwra 2.9). L a primera condición, exhaustividad, implica que:
(2.50)
i= l
/ y la segunda, ser Disjuntos ó Mutuamente Excluyentes, esto es:
E , n Ej = 0 , para i j (2.51)
S u p ó n g a s e a d e m á s que A es un evento cualquiera en ( Q , if). E s nuestro p r o p ó s i t o , bajo

estas condiciones, encontrar P ( A ) , para lo cual debemos expresar al evento A como la
unión de k Eventos Mutuamente Excluyentes, lo que conseguimos de l a siguiente
manera:
k
A = ( A n E i ) u ( A n E 2 ) u . . . u ( A n E k ) = IJ ( A n E,) (2.52)
V é a s e Figura 2.9, donde es claro que hemos expresado al evento A como la u n i ó n de k

Eventos Mutuamente Excluyentes en el Espacio Muestral ( Q , ¿f) y por tanto la
probabilidad de esta u n i ó n de eventos, es igual a la suma de sus correspondientes
probabilidades, por lo que,
P ( A ) = P ( A n E | ) + P ( A n E2) + ... + P ( A n E O
k
= X P ( A n E , ) ; (2.53)
i=i
Además, • -i
• " • P ( A n E i ) = P(AlE¡)P(Ei)
Finalmente tenemos:
k x;.í-
P(A) = XP(A|EÍ)P(EÍ) • (2.54)
i=i
E s t e resultado es conocido como la Regla de Probabilidad Total y es la puerta de
ingreso a la d e m o s t r a c i ó n del reputado Teorema de Bayes que luego de un par de
ilustraciones probaremos.
Figura 2.9
Probabilidad Total
' A= (AnE,)u(AnE2)u... u(AnEk) '' r. " 1
E, n A'
110
Ejemplo 2.25
Una granja camaronera adquiere alimento para sus langostinos, de tres proveedores distintos a
los que llamaremos E | , E , y E3; E | provee el 4 5 % del producto consumido; E j provee el 25%;
y, E3 el restante 30%. E s importante para los biólogos de la granja que los proveedores
entreguen el producto con la cantidad requerida de proteínas que la dieta administrada
requiere. Por los registros administrativos de la compañía propietaria de la granja, se sabe que
no siempre los proveedores entregan el alimento con la cantidad de proteínas que se requiere;
E , incurre en esta inconformidad, en el 2 % de sus entregas; E2 el 3 % y E3 el 1.5% de las veces
que entrega. .
Se nos pregunta ¿Cuál es la probabilidad que ocurra una entrega que no cumpla con el
requerimiento proteico establecido?.
Desarrollo.
Procedamos a la solución del problema planteado. . •
Sea Ej el evento "el i-ésimo proveedor entrega su pedido", y sea A el evento, "el alimento
entregado no contiene la cantidad requerida de proteínas".
L o que se pregunta entonces, es el valor de P ( A ) .
Nuestros datos son:
P ( E | ) = 0.45 ; PÍE,) = 0.25 y ?(E,) = 0.30;
además,
P ( A | E , ) = 0.020; P ( A I E j ) = 0.030 ; y, P Í A l E j ) = 0.015;
Por lo tanto según la Regla de Probabilidad Total dada en (2.54):
P(A) = XP(A|E,)P(E¡) ^
i=l
= 0.020(0.45) + 0.030(0.25) + 0.015(0.30)
= 0.0090 + 0.0075 + 0.0045 = 0.021 „
Hemos encontrado entonces que la probabilidad de que, bajo las condiciones dadas, el evento
A ocurra es 0.021, en otras palabras que de mil entregas, alrededor de veintiuna no reunirán
los requisitos proteicos que exige el comprador en la granja camaronera. •
Teorema 2.13. S i P ( E i IE2) = P ( E i I E 2 ) , entonces E | y E2 son E s t o c á s t i c a m e n t e Independientes.
Prueba. Considerando que E2 u E 2 = í^, que E j es un subconjunto cualquiera de Q y aplicando la

Regla de la Probabilidad Total obtenemos: ' •
^ ^ P(E,) = P(E,|E2)P(E2) + P ( E , 1 E ^ ) P ( E ^ ) - ' (2.55)
i Utilizando la i n f o r m a c i ó n que la hipótesis del teorema proporciona, esto es,
111
Regla de la Probabilidad Total y Teorema de Bayes i >f_
P(E,|E2) = P ( E , | E ^ ) (2.56)
tenemos:
' P(E,) = P(E,1E2)P(E2) + P ( E , | E 2 ) P ( E ^ )
= P(EilE2)[P(E2) + P ( E ^ ) ] = P ( E | | E 2 ) ( l ) = P(E,|E2) (2.57)
L o cual significa que E ] y E2 son Independientes, y a que
• ' P(E,) = P(E,|E2).
De manera similar se llega a la c o n c l u s i ó n que ;'
P(E2) = P ( E 2 l E , ) .
L o cual demuestra el teorema. •
I Pasamos ahora a enunciar y probar el denominado Teorema de B a y e s .
/ T e o r e m a 2.14. Teorema de Bayes. Sea ( Q , if) el Espacio Muestral de un Experimento Estadístico; sean
a d e m á s E i , E2, ... , E ^ , k Eventos Exhaustivos y Mutuamente Excluyentes en dicho

Espacio Muestral. Sea A un evento cualquiera que resulta en el experimento. Bajo estas
condiciones,
P(E^|A)= ;(A|Er)P(E.) (2.58)
¿P(A|Ei)P(Ei)
Para r entero positivo constante, no mayor que k.
\. Por la aplicación de la definición de probabilidad condicional dada en (2.30),

i -• •
V ' P ( E J A ) = P(A n E,) / P(A)
^ , =P(AlE,)P(E,)/P(A)
Aplicando (2.540 donde,

k
P(A) = I P ( A | E , ) P ( E i )
i=l
Llegamos a que,
P(EJA)= ; (2.59)
lP(A|Ei)P(Ei)
i=l
Con lo que se completa la prueba del denominado Teorema de Bayes. •
E n el contexto del Teorema de Bayes, P ( E i ) es denominada la Probabilidad a priori del

evento E¡, en tanto que P ( E j l A ) es la Probabilidad a posteriori de E\. U n amplio
tratamiento de lo que se denomina Estadística Bayesiana se lo encuentra en Gelman [32].
112
F/emplo 2.26
E n una fábrica ensambladura de vehículos, los ingenieros y tecnólogos que trabajan en los
procesos de ingeniería son entrenados de tres diferentes maneras para cumplir con sus tareas
específicas; la una forma es capacitarlos en una planta que funciona fuera del país; la otra
forma es capacitarlos en la misma fábrica en la que van a trabajar; y, la tercera forma es
capacitarlos en el país pero en una fábrica que no es en la que van a trabajar. E l 10% de los
empleados son capacitados de la primera forma, el 55%) en la segunda forma y el restante 3 5 %
de la tercera. Se sabe por el uso de registros administrativos que el primer tipo de personas
cumplen con sus labores específicas el 98%. de las veces, el segundo tipo el 97% de las veces
y los de tercer tipo solo el 95% de las veces. Se encuentra un día cualquiera que alguien no
cumplió sus tareas específicas, ¿Cuál es la probabilidad de que quien no cumplió fue
entrenado en el exterior?.
Desarrollo.
Llamemos A al evento "alguien no cumple sus labores específicas", mientras que E j es el

evento "alguien tuvo entrenamiento de tipo i " , i = 1, 2, 3.
Las Probabilidades a priori de Ej son:
P ( E , ) = 0.10; P(E2) = 0.55; PCEj) = 0.35
mientras que,
P ( A l E | ) = 1-0.98 = 0.02;
P ( A l E 2 ) = 1-0.97 = 0.03; y,
P ( A l E 3 ) = 1-0.95 = 0.05
Debemos calcular la Probabilidad a posteriori P(E|I A).

Como paso previo se debe calcular P ( A ) que es la probabilidad que alguien no cumpla sus
labores específicas.
Para el efecto, aplicando la Regla de Probabilidad Total, tenemos:
P(A) = XP(A|EÍ)P(EÍ)
i=l •
= 0.02(0.10) + 0.03(0.55) + 0.05(0.35)
= 0.036
Siendo en este caso r = 1, .

P(E.|A)= /(A|E.)P(E.) ,
¿P(A|E,)P(E,)
i=i
= 0.002/0.036 = 0.0555 •
113
Apuestas y Probabilidades
Ejemplo 2.27
E n Biomedicina se denota por T al evento, "una prueba (screening) da como resultado que una
persona sale positiva para una enfermedad", mientras que D es el evento, la persona realmente
está afectada por la enfermedad. Nos preguntamos, ¿Cuál es la probabilidad que la persona
realmente esté afectada dado que el "screening" resultó positivo? (recuerde que no hay test
infalible). Buscamos P ( D 1T).
P(DnT) P ( T 1 D)P(D)
P(D|T) =
P(T) P(T 1 D)P(D)+P(T I D'^)P(D'^)
Resultado que se consigue utilizando el Teorema de Bayes. Véase Figura 2.10.
P ( D I T ) es el "valor predictivo" o capacidad de predicción de la prueba.
De igual forma, P ( T | D ) es denominada "sensitividad" de la pmeba.
Figura 2.10
Ilustración Ejemplo 2.27
2.8.-APUESTAS Y PROBABILIDADES
Apuestas y No es difícil escuchar que los aficionados a deportes o a ciertas actividades en las que se
Probabilidades efectúan apuestas, hablan de que las "posibilidades" o las "apuestas" de que el caballo X
Decir que X puede ganar gane la p r ó x i m a carrera son tres a uno (3:1) o de que Barcelona pierda son uno a cinco
a Y con una relación a:b,
(1:5). ¿ Q u é es lo que en t é r m i n o s probabilisticos, estas expresiones significan? Decir que
probab i 1 ísticamente
X puede ganar a Y con una relación a:b, probabilísticamente significa:
significa:
a
P(X gane a Y ) = •
P ( X gane a Y ) = ( 2 . 6 0 )
a+b
a+b
E s decir el caballo X tiene probabilidad ^ de ganar; o, Barcelona 1 de perder.

4 6
Con mayor formalidad podemos decir que si E es un evento definido en un espacio

muestral (Í2, J') y que si las "apuestas" a favor de que E ocurra, se estima son a:b, (a y b
enteros), la probabilidad que E ocurra es mientras que la probabilidad que E ' '
a+b
ocurra es
a+b•
114
Apuestas y Probabilidades
A l iniciarse el campeonato ecuatoriano de fútbol, las apuestas para que Barcelona gane el
campeonato son de 2:7 mientras que las de Liga de Quito son 3:9. ¿Cuál es la probabilidad
que uno de ellos gane el campeonato?
Desarrollo. . - . .^ : .
Sea E B el evento, Barcelona gana el campeonato; y.

Sea E L el evento. Liga de Quito gana el campeonato
Nos preguntan cuál es el valor de P ( E B u E L ) ; se tiene entonces: ,
2 2
P(EB) 0.222
7 +2 9
3
P(EL) = 0.250
9 +3 12
Por lo que:
P ( E B U E L ) = 0.222 + 0.250 = 0.472
Nótese que P ( E B n E L ) = O, ya que es imposible que ambos ganen el mismo campeonato. •

2 Capitulo 2 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2 Capitulo 2 PDF

Uploaded by

Copyright:

Available Formats

1

Métodos de Enumeración, Función de

1) Comprender qué es un Experimento y cuándo a éste se lo califica como un Experimento Estadístico.

U n a vez presentado lo que se denomina Estadística Descriptiva, es preciso comenzar a

Puesto que para calcular probabilidades de eventos de cardinalidad finita es importante

E l capítulo termina revisando c ó m o determinar Muestras, haciendo r e p o s i c i ó n y sin

2.2.- EXPERIMENTO ESTADÍSTICO Y ESPACIO MUESTRAL

2.2.I.-Espacio Muestral de un Experimento

U n experimento se dice es un Experimento E s t a d í s t i c o si reúne las siguientes

b) es el conjunto potencia de Q, esto es, es el conjunto de todos los subconjuntos

de Q; ¿f es denominado Espacio de Eventos.

L o s elementos de Q son llamados "puntos" y g e n é r i c a m e n t e se los representa por la letra

elementos ( E | , E2 e => ( E ] u E2) e ^ j así como t a m b i é n bajo c o m p l e m e n t a c i ó n

de sus elementos E l e y => E f e

Siendo 0 = { } el conjunto vacio, y en el contexto de la e x p e r i m e n t a c i ó n que estamos

N ó t e s e que la unión de cualquier par de elementos de if pertenece a ^ y por tanto es

Para cualquier par de eventos E i y E2 en y .

Para cualquier Q, es verdad que si if' es el conjunto de subconjuntos de Q definido como

if' = { 0 ; Q } se puede demostrar que if' es t a m b i é n un sigma álgebra, pero no será

utilizado dentro de lo que se trata en este libro. •

H a b l e m o s del n ú m e r o de elementos de if. U n conjunto E se dice es Contable si y solo s i ,

S i B = { 1 ; 2; 3; ... ; n } decimos que B es finito. A l conjunto vacío se lo define como

Q = { o ) i ; (O2; (Ü3; CO4} = { í s ; se; C5,-ce}

Donde ss significa que en la primera moneda ocurrió sello y en la segunda t a m b i é n ; se, es

if = { 0 ; {ss}; {se}; {es}; {ce}; {ss;sc}; {ss;cs};... ; {sc;cs;cc}; Q}

Si p e n s á r a m o s en un experimento en el que se "lanzan" cuatro monedas, de manera

A c o n t i n u a c i ó n presentamos los dieciséis "puntos" que constituyen Q, para el

= { ( D i ; CO2; CO3; CO4; (O5; cog; © 7 ; « 8 ; CO9; co,o; © n ; 0 , 2 ; © , 3 ; © M ; ©15; © l e }

¡Atención! No siempre Q es finito, para poner un ejemplo en que Q es infínito contable,

E s decir, un resultado posible es que salga "cara" en el primer lanzamiento de la moneda;

Si Q no es discreto, ( Q , if) es un Espacio Muestral Continuo. Ocurre por ejemplo cuando

a un grupo de entes se les mide su estatura o determina su peso. V é a s e Chung [18]. •

2.2.2.- Eventos de un Espacio Muestral

Eventos Dado un experimento Estadístico, todo subconjunto de Q se denomina Evento y cuando

E ] y E t son Eventos Mutuamente Excluyentes sí y solo si

Eventos Mutuamente Ejemplo 2.1

Q = { ( A R h ' ) ; ( A R h ) ; ( B Rh"); ( B Rh~); ( A B R h ) ; ( A B R h ); (O R h ) ; (O Rh ) }

E l Espacio Muestral es discreto finito ya que la cardinalidad de Q es ocho y consecuentemente

Si a n personas adultas se les mide su estatura, determinar Q. .

2.3.- FUNCIONES QUE SE EVALÚAN EN CONJUNTOS

2.3.1.- Cardinalidad de un Espacio Muestral

Para quien ha tomado un curso de M a t e m á t i c a s a nivel superior, las fiinciones que se

Cuando estamos frente a un conjunto fmito E de entes y nos preguntan c u á n t o s elementos

Formalmente N es una función representable como:

Donde A (el dominio) es un conjunto cuyos elementos son t a m b i é n conjuntos y K es e l

Este tipo de funciones son utilizadas en Estadística, con el propósito de medir la

Probabilidad es un concepto arraigado, aunque solo informalmente, en l a cultura de los

Si se le pregunta a una persona adulta, sin importar su nivel educativo, cuál es l a

Mas, si la m a ñ a n a de un domingo cualquiera le preguntamos a una persona cuál es l a

Si el experimento consiste en verificar el resultado del partido que el domingo juega

Q = { G a n a Barcelona; Empata Barcelona; Pierde Barcelona}

Damos a co n tin u ació n una ilustración m á s formal de funciones que se e v a l ú a n en

Defínase la función Q, tal que Q ( E ) = e d x , para cualquier intervalo real cerrado E ,

Q(E,nE2) = e "dx = - e - ' + e-'" = 0.239

Q(E,uE2)= e"''dx = - e - ' + 1 - 0.865 • (2.4)

2.3.2.-La Función de Probabilidades l'^osB'i' ^£^'^'"'1'

Estamos ya en condiciones de definir una función que determine valores de

c) P ( E i u E 2 ) = P ( E , ) + P(E2); siempre que E , n E2 = 0 . (2.6)

L o s axiomas aquí impuestos a la función P se denominan Axiomas de Kolmogorov, en

E l n ú m e r o real P ( E ) se denomina Probabilidad de que el Evento E ocurra, bajo las

- Q = {hombre; mujer} = {cúi; CO2}

y si otro experimento consiste en verificar el g é n e r o de la primera persona que será

2.3.3.- El Espacio de Probabilidades y Eventos