ETS7042 Semestre 2022-30 Prof. Virginia González y Prof.

César Henao
UNIDAD 2. Probabilidad
(1) Introducción
Definiciones y términos básicos Notación y operación entre conjuntos Definición axiomática de probabilidad
Unión: se denota con el símbolo 𝐴 ∪ 𝐵, y 1. Enfoque clásico a priori o de Laplace: si
representa el evento que contiene todos los un experimento puede tener como resul-
elementos que pertenecen a 𝐴, o 𝐵, o am- tado cualquier elemento de su espacio
bos. Note que 𝐴 ∪ 𝐵 = 𝐵 ∪ 𝐴. muestral con IGUAL PROBABILIDAD, y se
conocen los puntos muestrales del subcon-
Intersección: se denota con el símbolo 𝐴 ∩
junto 𝐴, entonces la probabilidad de dicho
𝐵, y representa el evento que contiene to-
evento es
dos los elementos que son comunes entre 𝐴
y 𝐵. Note que 𝐴 ∩ 𝐵 = 𝐵 ∩ 𝐴. |𝐴|
𝑃(𝐴) =
Complemento: el complemento de un |𝑆|
Experimento: cualquier proceso que ge- evento 𝐴 respecto del espacio muestral 𝑆 es 2. Enfoque empírico o a posteriori: la pro-
nere una observación o un dato. el subconjunto de todos los elementos de 𝑆 babilidad del evento es el número al que se
Experimento aleatorio: es aquel que puede que no están en 𝐴. Denotamos el comple- aproxima su frecuencia relativa cuando el
producir resultados diferentes, aun cuando mento de 𝐴 mediante el símbolo 𝐴′. Note experimento se repite un gran número de
se repita siempre de la misma manera. que 𝑆 = 𝐴 ∪ 𝐴′ por lo tanto |𝑆| = |𝐴| + veces (ley de los grandes números), es de-
|𝐴′|. cir, la relación entre el número de veces que
Espacio muestral: Es el conjunto de todos
ocurre el evento 𝐴 (𝑛𝐴) sobre el número de
los resultados posibles de un experimento Mutuamente excluyentes: dos eventos 𝐴 y
veces que se hace el experimento (𝑛)
estadístico, se representa con el símbolo 𝑆. 𝐵 son mutuamente excluyentes si 𝐴 ∩ 𝐵 =
A cada miembro del espacio muestral se le ∅ (vacío), es decir, si 𝐴 y 𝐵 no tienen ele- 𝑛𝐴
𝑃(𝐴) = lim
llama elemento o punto muestral. mentos en común. Por lo tanto, dichos 𝑛→∞ 𝑛
eventos no pueden ocurrir de forma simul- 3. Enfoque axiomático: Sea 𝑆 un espacio
tánea. muestral y 𝐴 un evento de 𝑆, se llama fun-
Factorial de un número: es el producto con- ción de probabilidad sobre el espacio mues-
secutivo de todos los números enteros, tral 𝑆 a 𝑃(𝐴) si satisface los siguientes axio-
desde el 1 hasta el número dado 𝑛 inclu- mas
Evento: es un subconjunto del espacio
muestral. Los eventos pueden ser simples, sive. Notación 𝑛!. 0 ≤ 𝑃(𝐴) ≤ 1; 𝑃(𝑆) = 1; 𝑃(∅) = 0
compuestos o mutuamente excluyentes. 𝑛! = 𝑛 ∙ (𝑛 − 1) ∙ (𝑛 − 2) ∙ … ∙ 3 ∙ 2 ∙ 1; Si 𝐴1 , 𝐴2 , 𝐴3 , … es una serie de eventos mu-
También es concebible que un evento sea
𝑛! = 𝑛 ∙ (𝑛 − 1)!; 0! = 1 tuamente excluyentes, entonces
un subconjunto que incluya todo el espacio
∞
muestral 𝑆, o un conjunto vacío que se de- Diagrama de Venn: se usa para ilustrar de 𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … ) = ∑ 𝑃(𝐴𝑖 )
nota con el símbolo ∅. forma gráfica la relación entre eventos y el 𝑖=1
correspondiente espacio muestral. Notación fórmulas
|𝐴|: Cardinalidad del evento 𝐴
|𝐴′|: Cardinalidad del complemento de 𝐴
𝐶𝑛𝑟 : Combinaciones 𝑛 objetos de orden 𝑟
Cardinalidad: es la medida del número de 𝑛!: Factorial de 𝑛
elementos o puntos muestrales en el con- 𝑃(𝐴): Probabilidad del evento 𝐴
junto. La cardinalidad de un conjunto 𝐴 𝑃(𝐴′): Probabilidad del complemento de 𝐴
usualmente se denota |𝐴|. 𝑃(𝐴|𝐵): Probabilidad de 𝐴 dado 𝐵
Diagrama de árbol: es una herramienta 𝑃(𝐴 ∩ 𝐵): Probabilidad 𝐴 intersección 𝐵
gráfica que permite enumerar todas las po- 𝑃(𝐴 ∪ 𝐵): Probabilidad de 𝐴 unión 𝐵
sibles maneras de realizar un conjunto de 𝑃(𝑆): Probabilidad del espacio muestral
acciones secuenciales o independientes. 𝑃𝑛 : Permutaciones 𝑛 objetos todos a la vez
𝑃𝑛𝑟 : Permutaciones 𝑛 objetos de orden 𝑟
Probabilidad: es una medida numérica de
𝑃𝑛𝑛1,𝑛2,…,𝑛𝑘 : Permutaciones 𝑛 obj. 𝑘 grupos
la creencia de que un evento futuro pueda
𝑃𝐶𝑛 : Permutaciones circulares 𝑛 objetos
ocurrir. Algunos eventos aleatorios no se
|𝑆|: Cardinalidad del espacio muestral
pueden predecir, pero la frecuencia relativa
∅: Conjunto vacío
con la que ocurren puede ser estable, por lo
tanto, se puede obtener una medida intui-
tiva y significativa de la posibilidad de que
un evento ocurra.
ETS7042 Semestre 2022-30 Prof. Virginia González y Prof. César Henao
UNIDAD 2. Probabilidad
(2) Técnicas de conteo
Conteo de puntos muestrales Regla aditiva 4. De 𝑛 objetos clasificados en 𝑘 grupos di-
ferentes con objetos idénticos
Cuando el número de posibles resultados Se aplica cuando un experimento aleatorio
de un experimento es muy grande, sería se compone de varias acciones y cada ac- Se llama permutaciones de 𝑛 objetos
absurdo pretender enumerarlos todos. Y ción ocurre de distintas maneras, pero las con 𝑘 grupos de objetos idénticos, a las
realmente no es importante poder enume- acciones no pueden ocurrir de forma si- diferentes maneras distinguibles en que
rarlos, sino saber contarlos, para ello se uti- multánea (acciones o eventos mutua- se pueden ordenar esos 𝑛 objetos, de
lizan las técnicas de conteo. A través de mente excluyentes). manera que los 𝑛1 objetos iguales entre
procedimientos y fórmulas, esta técnica sí, los 𝑛2 objetos iguales entre sí, …, y los
nos permite contar el número de puntos Si una primera acción alternativa puede
𝑛𝑘 objetos iguales entre sí, al permu-
del espacio muestral (o su cardinalidad |𝑆|) realizarse de 𝑛1 maneras diferentes, una
tarse entre ellos por grupo, no pueden
y el número de puntos del evento de inte- segunda acción alternativa puede reali-
distinguirse unos de otros. Entonces,
rés (o su cardinalidad |𝐴|), para así calcular zarse de 𝑛2 maneras diferentes, …, y una
para calcular el número de permutacio-
la probabilidad del evento de interés como k-ésima acción alternativa se puede rea-
nes distinguibles de 𝑛 objetos clasifica-
𝑃(𝐴) = |𝐴|/|𝑆|. Las técnicas de conteo re- lizar de 𝑛𝑘 maneras diferentes, entonces
dos en 𝑘 grupos diferentes con objetos
quieren de un análisis combinatorio y su las 𝑘 acciones alternativas se pueden
realizar de 𝑛1 + 𝑛2 + 𝑛3 + ⋯ + 𝑛𝑘 ma- idénticos (𝑃𝑛𝑛1,𝑛2,…,𝑛𝑘 ), se divide el nú-
principio fundamental se denomina regla mero de permutaciones lineales de 𝑛 ob-
de multiplicación. neras diferentes.
jetos (𝑛!) entre las 𝑛1 ! permutaciones
Permutaciones equivalentes, entre las 𝑛2 ! permutacio-
nes equivalentes, …, y entre las 𝑛𝑘 ! per-
Se llaman permutaciones de 𝑛 objetos a to- mutaciones equivalentes:
das las diferentes maneras en que se pue-
𝑛!
den ORDENAR esos 𝑛 objetos; todas las 𝑃𝑛𝑛1,𝑛2,…,𝑛𝑘 =
permutaciones constan de los mismos 𝑛 𝑛1 ! ∙ 𝑛2 ! ∙ … ∙ 𝑛𝑘 !
elementos, pero se consideran diferentes Donde ∑𝑘𝑖=1 𝑛𝑖 = 𝑛
por el orden en que se colocan estos. Las
fórmulas utilizadas en permutaciones sur- Combinaciones
gen como una combinación del principio
Se llaman combinaciones de 𝑛 objetos de
fundamental de conteo (regla de la multi- orden 𝑟 a los distintos grupos que se pue-
plicación) con la definición de factorial. El den formar al ESCOGER secuencialmente 𝑟
orden de los objetos dentro del arreglo sí
objetos de entre 𝑛 posibles, de modo que
importa. A continuación, se presentan las cada una de las combinaciones es distinta
fórmulas que aplican para permutaciones de las demás si difiere en uno de sus obje-
en experimentos SIN REPETICIÓN de obje- tos por lo menos, sin importar el orden de
tos: los objetos dentro del arreglo. A continua-
1. De 𝑛 objetos tomando todos a la vez ción, se presentan las fórmulas que aplican
para combinaciones en experimentos SIN
Regla de multiplicación El número de permutaciones que se pue- REPETICIÓN de objetos:
Se aplica cuando un experimento aleatorio den formar con 𝑛 objetos distintos to-
mados todos a la vez es: Para obtener el número de combinacio-
se puede descomponer en un conjunto de
𝑃𝑛 = 𝑛! nes de 𝑛 objetos tomando 𝑟 a la vez (𝐶𝑛𝑟 ),
acciones secuenciales o simultáneas. El or-
se divide el número de permutaciones de
den de los objetos dentro del arreglo sí im-
2. De 𝑛 objetos tomando 𝑟 a la vez (𝑟 < 𝑛) 𝑛 objetos tomando 𝑟 a la vez (𝑃𝑛𝑟 ) entre
porta.
las permutaciones de 𝑟 objetos (𝑃𝑟 ):
El número de permutaciones que se pue-
Si una primera acción puede realizarse 𝑃𝑛𝑟 𝑛!/(𝑛 − 𝑟)! 𝑛!
de 𝑛1 maneras diferentes, una segunda den formar con 𝑛 objetos distintos to- 𝐶𝑛𝑟 = = =
𝑃𝑟 𝑟! 𝑟! ∙ (𝑛 − 𝑟)!
acción puede realizarse de 𝑛2 maneras mando 𝑟 a la vez es:
diferentes, …, y una k-ésima acción se 𝑃𝑛𝑟 = 𝑛!/(𝑛 − 𝑟)!
puede realizar de 𝑛𝑘 maneras diferen-
3. Circulares de 𝑛 objetos
tes, entonces las 𝑘 acciones se puede
realizar de 𝑛1 ∙ 𝑛2 ∙ 𝑛3 ∙ … ∙ 𝑛𝑘 maneras Para calcular el número de permutacio-
diferentes. nes circulares de 𝑛 objetos (𝑃𝐶𝑛 ) se di-
vide el número de permutaciones linea-
les de 𝑛 objetos (𝑃𝑛 ) entre las 𝑛 permu-
taciones equivalentes:
𝑃𝐶𝑛 = 𝑃𝑛 /𝑛 = 𝑛!/𝑛 = (𝑛 − 1)!
ETS7042 Semestre 2022-30 Prof. Virginia González y Prof. César Henao
UNIDAD 2. Probabilidad
(3) Método de composición de eventos
Conceptos básicos Ley de probabilidad total
Método de composición de eventos: Con- Se aplica cuando el espacio muestral se ex-
siste en expresar un evento de interés en presa en 𝑘 particiones y deseamos calcular
términos de uniones, intersecciones o com- 𝑃(𝐴).
plementos de otros eventos, con el propó-
sito de calcular la probabilidad de dicho Si los eventos 𝐵1 , 𝐵2 , … , 𝐵𝑘 constituyen
evento de interés a partir de las probabili- una partición del espacio muestral 𝑆, tal
dades conocidas de otros eventos. que 𝑃(𝐵𝑖 ) ≠ 0, para 𝑖 = 1,2, … , 𝑘, en-
tonces, para cualquier evento 𝐴 de 𝑆:
Probabilidad incondicional: es la probabili- 𝑘
dad del evento que no depende de otros
𝑃(𝐴) = ∑ 𝑃(𝐵𝑖 ∩ 𝐴)
eventos, por lo tanto, está asociada a even-
𝑖=1
tos independientes. La probabilidad incon- 𝑘
dicional de un evento 𝐴 se denota 𝑃(𝐴). = ∑ 𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴|𝐵𝑖 )
Probabilidad condicional: es la probabili- 𝑖=1

dad del evento dado el hecho de que uno o Donde 𝐵1 ∪ 𝐵2 ∪ … ∪ 𝐵𝑘 = 𝑆 y 𝐵𝑖 ∩

más eventos ya han ocurrido, por lo tanto, 𝐵𝑗 = ∅ para 𝑖 ≠ 𝑗.
está asociada a eventos dependientes. La
Teorema de Bayes
probabilidad de un evento 𝐴, dada la ocu-
rrencia de un evento 𝐵 se denota 𝑃(𝐴|𝐵). Se aplica cuando el espacio muestral se ex-
𝑃(𝐴 ∩ 𝐵) presa en 𝑘 particiones y deseamos calcular
𝑃(𝐴|𝐵) = ; 𝑠𝑖 𝑃(𝐵) > 0 𝑃(𝐵𝑟 |𝐴).
𝑃(𝐵)
Eventos independientes: dos eventos 𝐴 y 𝐵 Si los eventos 𝐵1 , 𝐵2 , … , 𝐵𝑘 constituyen
son independientes si se cumplen estas tres una partición del espacio muestral 𝑆, tal
condiciones (i) 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵), que 𝑃(𝐵𝑖 ) ≠ 0, para 𝑖 = 1,2, … , 𝑘, en-
(ii) 𝑃(𝐴|𝐵) = 𝑃(𝐴) y (iii) 𝑃(𝐵|𝐴) = 𝑃(𝐵). tonces según la fórmula de probabilidad
Es decir, la ocurrencia de 𝐵 no influye en las condicional, para cualquier evento 𝐴 de
A menudo es más fácil calcular la probabi- 𝑆, tal que 𝑃(𝐴) ≠ 0:
probabilidades de ocurrencia de 𝐴, y vice-
lidad del complemento de un evento, que 𝑃(𝐵𝑟 ∩ 𝐴)
versa.
la del evento en sí. Si este es el caso para 𝑃(𝐵𝑟 |𝐴) =
Eventos dependientes: si la existencia de 𝑃(𝐴)
algún evento 𝐴, entonces podemos aplicar
eventos independientes no se satisface, en- la fórmula: Sustituyendo la fórmula de probabilidad
tonces los eventos 𝐴 y 𝐵 son dependientes. total y la ley multiplicativa se obtiene la
Es decir, la ocurrencia de 𝐵 sí influye en las fórmula general para el Teorema de Ba-
probabilidades de ocurrencia de 𝐴, y vice- yes:
versa. 𝑃(𝐵𝑟 ∩ 𝐴)
𝑃(𝐵𝑟 |𝐴) = 𝑘
Eventos mutuamente excluyentes: dos ∑𝑖=1 𝑃(𝐵𝑖 ∩ 𝐴)
eventos 𝐴 y 𝐵 son mutuamente excluyentes 𝑃(𝐵𝑟 ) ∙ 𝑃(𝐴|𝐵𝑟 )
= 𝑘
si 𝑃(𝐴 ∩ 𝐵) = 0, dado que 𝐴 ∩ 𝐵 = ∅ y ∑𝑖=1 𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴|𝐵𝑖 )
𝑃(∅) = 0.
Una colección de eventos {𝐴1 , 𝐴2 , … , 𝐴𝑛 }
Leyes de probabilidad de un espacio muestral 𝑆 se denomina par-
tición de 𝑆 si 𝐴1 , 𝐴2 , … , 𝐴𝑛 son mutua-
Las leyes de probabilidad proporcionan las
mente excluyentes y 𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑛 =
probabilidades de uniones e intersecciones
𝑆 por lo tanto se tiene:
de eventos y desempeñan un importante
papel en el método de composición de
eventos para la solución de problemas de
probabilidad. La primera es la ley multipli-
cativa y la segunda es la ley aditiva. Al apli-
car estas leyes debemos tener en cuenta si
los eventos que estamos tratando son de-
pendientes, independientes o mutua-
mente excluyentes.