Unidad 2 / Escenario 3

Lectura Fundamental

Nociones básicas de Probabilidad

Contenido

1 Introducción 1

2 Definiciones básicas 1

3 Conteo de un espacio muestrales 4

4 Probabilidad 10

5 Calculando probabilidades con el software R 15

Referencias 20

Palabras Claves: Probabilidad, técnicas de conteo, teorı́a de conjuntos

1. Introducción

El término probabilidad se refiere al estudio del azar y la incertidumbre en cualquier situación, en el cual varios
posibles sucesos (eventos) pueden ocurrir. La probabilidad proporciona métodos para cuantificar las oportunidades
y/o posibilidades asociadas a dichos eventos.

La probabilidad constituye una parte muy importante de nuestra vida cotidiana, pues dı́a a dı́a nos enfrentamos
a la incertidumbre y esto genera la necesidad de recurrir a la probabilidad para la toma de decisiones personales
y profesionales.

Vivimos en un mundo incapaz de predecir el futuro, por tanto nuestra necesidad de encarar a la incertidumbre nos
lleva a estudiar y utilizar la teorı́a de la probabilidad como única herramienta capaz de acercarnos a la realidad
de interés.

Los ingenieros sustentan sus decisiones en un análisis de incertidumbres como las siguientes:

1. ¿Qué probabilidad hay de que disminuyan las ventas si se utiliza una nueva técnica de producción?

2. ¿Qué probabilidad hay de que un método nuevo de ensamblado aumente la productividad?

3. ¿Cuáles son las probabilidades de que el producto se tenga listo a tiempo?

4. ¿Qué probabilidad existe de que una nueva invención sea rentable?

2. Definiciones básicas

Definición 1 (Experimento). Es cualquier acción o proceso que genera observaciones.

Ejemplo 1. A continuación describimos algunos ejemplos:

1. Tiempo de recorrido de la casa al trabajo.

2. Número de goles en un partido.

3. Realizar una llamada de venta.

4. El número de contratos adjudicados a una empresa de 5 licitaciones a las que se presenta.

A continuación se describe los tipos de experimentos más comunes.

Definición 2 (Experimento determinı́stico). Es cualquier experimento que, al repetirse bajo las mismas condi-
ciones, genera siempre los mismos resultados.

POLITÉCNICO GRANCOLOMBIANO 1
Los anteriores experimentos, son muy comunes en fı́sica, debido a que estos experimentos son muy controlados y
se basan en teorı́as cientı́ficas muy elaboradas.
Definición 3 (Experimento aleatorio (estocástico)). Es cualquier experimento que, al repetirse bajo las mismas
condiciones, no genera siempre los mismos resultados. Lo denotaremos con la letra griega ξ.

Estos experimentos, son los que comúnmente encontramos en la vida cotidiana. Por lo cual, centraremos el estudio
a estos tipos de experimentos.
Definición 4 (Espacio muestral). Es el conjunto de todos los posibles resultados de un experimento aleatorio. Lo
denotaremos con la letra griega Ω.
Ejemplo 2. A continuación describimos algunos ejemplos:

• ξ=Lanzamiento de una moneda. Ω={C, S}.

• ξ=Lanzamiento de una dado. Ω={1,2,3,4,5,6}.
• ξ=Número de personas que ingresan a la universidad en un tiempo determinado. Ω={0,1,2,3,. . . }.
Definición 5 (Evento). Es cualquier subconjunto del espacio muestral. Si un evento tiene un solo elemento se
llama evento elemental. Lo denotaremos con las letras mayúsculas.
Ejemplo 3. A continuación describimos algunos ejemplos:

• ξ=Lanzamiento de dos monedas. Ω={CC, CS, SC, SS}. A={“Aquellos resultados cuya 1er moneda sea
cara”}={CC, CS}, B={“Aquellos resultados cuya 2da moneda sea sello”}={CS, SS}.
• ξ=Lanzamiento de dos dados. Ω={(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}. A={“Aquellos resultados cuya suma sea par”}={(1,1), (1,3), (1,5),
(2,2), (2,4), (2,6), (3,1), (3,3), (3,5), (4,2), (4,4), (4,6), (5,1), (5,3), (5,5), (6,2), (6,4), (6,6)}, B={“Aquellos
resultados cuya suma sea mayor o igual a 9”}={(3,6), (4,5), (4,6), (5,4), (5,5), (5,6), (6,3), (6,4), (6,5), (6,6)}

2.1. Operaciones entre eventos

En la anterior sección se observo que un evento, no es más que un conjunto, por lo tanto las operaciones entre
eventos no son más que operaciones entre conjuntos. A continuación estudiaremos las operaciones más básicas
entre eventos. Estas definiciones son tomadas de Llinas y Rojas (2006).
Definición 6 (Intersección). Sean A y B dos eventos de un espacio muestral Ω. Su intersección, simbolizada
por A ∩ B, es el conjunto de todos los resultados posibles en Ω que pertenecen a A y B. Se lee A y B.
Definición 7 (Unión). Sean A y B dos eventos de un espacio muestral Ω. Su unión, simbolizada por A ∪ B, es el
conjunto de todos los resultados posibles en Ω que pertenecen por lo menos a uno de estos eventos. se lee A o B.
Definición 8 (Diferencia). Sean A y B dos eventos de un espacio muestral Ω. Su diferencia, simbolizada por
A − B, es el conjunto de todos los resultados posibles en Ω que pertenecen a A pero no a B.
Definición 9 (Excluyentes). Sean A y B dos eventos de un espacio muestral Ω. Si los eventos A y B no tienen
en común resultados de Ω, se denominan mutuamente excluyentes (o disyuntos) y su intersección A ∩ B es
el conjunto vacı́o.

POLITÉCNICO GRANCOLOMBIANO 2
Definición 10 (Complemento). Sean A evento de un espacio muestral Ω. Su complemento, simbolizado por Ac
(A, A0 ), es el conjunto de todos los resultados posibles en Ω que no pertenecen a A.

Ejemplo 4. Dado el ejemplo 3, determine lo siguiente:

• A ∩ B = {(4,6), (5,5), (6,4), (6,6)}.

• A ∪ B = {(1,1), (1,3), (1,5), (2,2), (2,4), (2,6), (3,1), (3,3), (3,5), (3,6), (4,2), (4,4), (4,5), (4,6), (5,1), (5,3),
(5,4), (5,5), (5,6), (6,2), (6,3), (6,4), (6,5), (6,6)}.

• A − B = {(1,1), (1,3), (1,5), (2,2), (2,4), (2,6), (3,1), (3,3), (3,5), (4,2), (4,4), (5,1), (5,3), (6,2)},

• B − A = {(3,6), (5,4), (5,6), (6,3), (6,5)}

2.2. Algunas otras propiedades

A continuación se listan algunas propiedades básicas entre conjuntos. Para mayor información se sugiere la lectura
de Allendoerfer y Oakley (1990)

• A ∩ ∅ = ∅.

• A ∪ ∅ = A.

• A ∩ A0 = ∅.

• A ∪ A0 = Ω

• Ω0 = ∅.

• ∅0 = Ω.

• (A0 )0 = A.

• (A ∩ B)0 = A0 ∪ B 0 .

• (A ∪ B)0 = A0 ∩ B 0 .

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

determine los elementos de los siguientes eventos

• A ∪ C.

• A ∩ B.

• C 0.

• (C 0 ∩ D) ∪ B.

• A ∩ C ∩ D0 .

POLITÉCNICO GRANCOLOMBIANO 3
3. Conteo de un espacio muestrales

La tarea de contar continúa siendo un proceso importante en problemas prácticos de la vida cotidiana. Por ejemplo,
el número de alumnos en un salón, el número de llamadas recibidas durante un dı́a de trabajo, el total de accidentes
por moto en un fin de semana. Los anteriores casos son sencillos, sin embargo, el proceso de contar se complica
cuando no tenemos el listado de resultados, por ejemplo el número de grupos de 4 personas que se pueden conformar
de un total de 10 persona o determinar cuántos números de tres cifras se pueden formar con los dı́gitos del 1 al 9
si no se puede repetir dı́gitos.

En esta sección estudiaremos algunos casos especiales de conteo que más adelante nos ayudara para definir un
caso especial de probabilidad.

Para entender algunos conteos, se estudiara los modelos urnas que son muy útiles para entender varios conceptos.

3.1. Modelos de urnas

Suponga que se tiene una urna en la cual se tienen bolas numerados. Estas bolas se consideran como una población.
Ahora suponga que de esta urna se quiere sacar un o más bolas, las cuales para nuestro caso se considera está
extracción como una muestra. Teniendo esta situación se pueden considerar los siguientes casos:

Seleccionar sin reemplazo Cada bola seleccionada se deposita fuera de la urna, y por eso puede seleccionarse
una sola vez.

Seleccionar con reemplazo Cada bola seleccionada se reemplaza en la urna, y por eso puede seleccionarse
varias veces.

Seleccionar considerando el orden Se selecciona cierta cantidad de bolas, una tras otra, y se considera el
orden obtenido.

Seleccionar sin considerar el orden Se selecciona cierta cantidad de bolas a la vez (o también una tras otra),
pero sin que interese el orden de las bolas extraı́das.

Los anteriores cuatro casos se pueden combinar, es decir, se puede extraer una muestra con o sin reemplazo y con
o sin orden.

Ejemplo 5. Para entender lo anterior suponga que se tiene un población de n = 4 letras Ω= {A, B, C, D}. De
esta población se quiere muestras de tamaño k = 2.

A continuación describamos el número de muestras que se pueden obtener según el modelo de urnas descritos
anteriormente.

Selección sin orden y sin reemplazo En total se tienen 6 resultados que son los siguientes:

AB, AC, AD, BC, BD, CD

POLITÉCNICO GRANCOLOMBIANO 4
Seleccionar sin orden y con reemplazo En esté caso las letras se pueden repetir, por lo cual se tiene 10
resultados que son los siguientes:

AA, AB, AC, AD, BB, BC, BD, CC, CD, DD

Seleccionar con orden y sin reemplazo En esté caso interesa la posición de las letras, por lo que AB y BA
son dos casos diferentes. De aquı́ se obtiene un total de 12 resultados que son los siguientes:

AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC

Seleccionar con orden y con reemplazo A diferencia del caso anterior las letras se pueden repetir, por lo que
se pueden obtener 16 resultados los cuales son los siguientes:

AA, AB, AC, AD, BA, BB, BC, BD, CA, CB, CC, CD, DA, DB, DC, DD

En ejemplo anterior, nótese que cuando la población es pequeña, la enumeración de los elementos es fácil, sin
embargo, cuando la población es mayor esto puede ser muy complicado, para ello se sugiere utilizar las siguientes
formulas de conteo.
Tabla 1: Formulas de conteo

Con reemplazo (repetición) Sin reemplazo (repetición)

n!
Con orden nk P (n, k) = (n−k)!
n

n+k−1

(n+k−1)! n

n!
Sin orden k r = k = (n−1)!k! k = (n−k)!k!
Fuente: Kerns (2013).

Ejemplo 6. Retomando el ejemplo 5, se describirán cada una de las formulas de la tabla 1.

Selección sin orden y sin reemplazo La formula que se utiliza es la combinación, la cual se utiliza para de-
terminar de la población n cuantas combinaciones son posibles de tamaño k. En nuestro ejemplo se obtiene
lo siguiente:  
4 4! 4 · 3 · 2! 4·3 12
= = = = =6
2 (4 − 2)! · 2! 2! · 2! 2·1 2
Seleccionar sin orden y con reemplazo La formula que se utiliza es la combinación con reemplazo, la cual
se utiliza para determinar de la población n cuantas combinaciones son posibles de tamaño k en donde los
elementos se pueden repetir. En nuestro ejemplo se obtiene lo siguiente:
     
4 4+2−1 5 5! 5 · 4 · 3! 5·4 20
= = = = = = = 10
2 r 2 2 (5 − 2)! · 2! 3! · 2! 2·1 2

Seleccionar con orden y sin reemplazo La formula que se utiliza es la permutación, la cual se utiliza para
determinar de la población n cuantas arreglos ordenados son posibles de tamaño k. En nuestro ejemplo se
obtiene lo siguiente:
4! 4 · 3 · 2!
P (4, 2) = = = 4 · 3 = 12
(4 − 2)! 2!
Seleccionar con orden y con reemplazo La formula que se utiliza es la potenciación, la cual se utiliza para
determinar de la población n cuantas arreglos ordenados con repetición son posibles de tamaño k. En nuestro
ejemplo se obtiene lo siguiente:
42 = 4 · 4 = 16

POLITÉCNICO GRANCOLOMBIANO 5
Lo anterior se puede realizar utilizando la función urnsamples del paquete prob (Kerns, 2017) en el programa R
(R Core Team, 2017). Para ello se sugiere instalar el paquete mediante la siguiente instrucción:

install.packages("prob", repos = "http://r-forge.r-project.org",dependencies = TRUE)

Ejemplo 7. Retomando el ejemplo 5, se describirán cada uno de los resultados utilizando el programa R. Para
ello creamos un objeto que tenga los elementos de la población

n <- c("A","B","C","D")
n

## [1] "A" "B" "C" "D"

Cargamos el paquete anteriormente mencionado

library(prob)

Teniendo en cuenta lo anterior miremos cada uno de los casos

Selección sin orden y sin reemplazo Ahora veamos todos los posibles resultados sin orden y sin reemplazo
de tamaño 2

urnsamples(x = n,size = 2,ordered = FALSE,replace = FALSE)

## X1 X2
## 1 A B
## 2 A C
## 3 A D
## 4 B C
## 5 B D
## 6 C D

Seleccionar sin orden y con reemplazo Ahora veamos todos los posibles resultados sin orden y con reemplazo
de tamaño 2

urnsamples(x = n,size = 2,ordered = FALSE,replace = TRUE)

## X1 X2
## 1 A A
## 2 A B
## 3 A C
## 4 A D
## 5 B B
## 6 B C
## 7 B D
## 8 C C
## 9 C D
## 10 D D

POLITÉCNICO GRANCOLOMBIANO 6
Seleccionar con orden y sin reemplazo Ahora veamos todos los posibles resultados con orden y sin reemplazo
de tamaño 2

urnsamples(x = n,size = 2,ordered = TRUE,replace = FALSE)

## X1 X2
## 1 A B
## 2 B A
## 3 A C
## 4 C A
## 5 A D
## 6 D A
## 7 B C
## 8 C B
## 9 B D
## 10 D B
## 11 C D
## 12 D C

Seleccionar con orden y con reemplazo Ahora veamos todos los posibles resultados con orden y sin reem-
plazo de tamaño 2

urnsamples(x = n,size = 2,ordered = TRUE,replace = TRUE)

## X1 X2
## 1 A A
## 2 B A
## 3 C A
## 4 D A
## 5 A B
## 6 B B
## 7 C B
## 8 D B
## 9 A C
## 10 B C
## 11 C C
## 12 D C
## 13 A D
## 14 B D
## 15 C D
## 16 D D

Ejercicio 2. Teniendo en cuenta lo anterior, clasifique cada uno de los casos anteriores con o sin reemplazo y con
o sin orden. Después de esto, realice el respectivo conteo utilizando las formulas y realice la enumeración de los
elemento utilizando la ayuda del software R.

1. ¿De cuantas maneras se puede sentar Gabriela, Jeniffer, Alberto y Hernán en un sofá que sólo tiene disponible
dos puestos?

POLITÉCNICO GRANCOLOMBIANO 7
 2. Una urna contiene 7 fichas. ¿Cuantas formas diferentes hay de seleccionar 3 fichas con reemplazo si se
seleccionan de a una ficha a la vez?
3. ¿Cuántas formas diferentes se pueden sentar 8 alumnos en una oficina con sólo 5 sillas?
4. ¿De cuantas formas podemos contestar un examen con 10 preguntas de selección múltiple si cada pregunta
tiene 4 posibilidades de respuesta?
5. ¿De cuantas formas se puede conformar un comité de 3 personas de 8 personas disponibles?
6. Una celular tiene cuatro daños de los cuales cinco proveedores pueden arreglar cada daño¿De cuántas maneras
se pueden escoger cuatro de los cinco proveedores para arreglar el celular, sin tener en cuenta el precio del
arreglo?

3.2. Teorema fundamental del conteo

En la sección anterior, se describieron las técnicas usuales de conteo. Ahora combinemos más de un conteo en un
experimento. Esto puede ser complicado pero el teorema que veremos a continuación nos permitirá solucionar el
problema.
Teorema 1 (Teorema fundamental de conteo). Si r experimentos se ejecutan de tal manera que el primero puede
resultar de n1 posibles resultados y si para cada uno de estos n1 posibles resultados hay n2 posibles resultados
del segundo experimento y si para cada uno de los posibles resultados de los dos primeros experimentos hay n3
posibles resultados del tercer experimento y . . . , entonces hay un total de n1 · n2 · · · nr posibles resultados de los r
experimentos.

Nótese que para esté ejercicio, debemos realizar lo siguiente:

1. Determine cuántos eventos hay en el problema, y si es necesario identifique cada uno de ellos.
2. Calcule de cuántas formas puede ocurrir cada uno de estos eventos.
3. Por último aplique el teorema fundamental del conteo.
Ejemplo 8. A continuación se describen diferentes casos en los que se aplica el teorema fundamental de conteo.

1. Una joven tiene es su armario tres blusas (de marca A, B y C), dos faldas (de color azul y rojo) y dos pares
de zapatos (de cuero y tela). ¿De cuantas maneras de puede vestir si todas las combinaciones son posibles?
Nótese que para este caso, se identifican tres eventos, escoger 1 blusa de 3, 1 falda de 2 y 1 par de zapatos
de 2 pares. Ahora, cada caso solo puede ocurrir 3, 2 y 2 veces respectivamente. Por el teorema fundamental
de conteo los posibles resultados en total son 3 · 2 · 2 = 12 manera posibles.
Para identificarlas se puede utilizar la función expand.grid en el software R, de la siguiente manera:

blusas <- c("A","B","C") # Blusas

faldas <- c("Azul", "Rojo") # Faldas
zapatos <- c("cuero", "tela") # Zapatos

resultados <- expand.grid(blusas, faldas, zapatos)

resultados

POLITÉCNICO GRANCOLOMBIANO 8
 ## Var1 Var2 Var3
## 1 A Azul cuero
## 2 B Azul cuero
## 3 C Azul cuero
## 4 A Rojo cuero
## 5 B Rojo cuero
## 6 C Rojo cuero
## 7 A Azul tela
## 8 B Azul tela
## 9 C Azul tela
## 10 A Rojo tela
## 11 B Rojo tela
## 12 C Rojo tela

2. 5 libros distintos de ingenierı́a, 7 de diferentes de matemáticas y 3 diferentes de fı́sica se colocan en un

estanterı́a. De cuantas formas distintas es posible ordenarlos si los libros de cada asignatura deben estar
todos juntos.
Identificando los eventos se tienen 4, ordenar los 5 libros de ingenierı́a, ordenar los 7 libros de matemáticas,
ordenar los 3 de fı́sica y ordenarlos los libros en el estante por las 3 materias. Ahora cada evento tiene 5!, 7!,
3! y 3! resultados posibles de ordenarlos respectivamente1 . Por el teorema fundamental de conteo los posibles
resultados en total son 5! · 7! · 3! · 3! = 21772800 manera posibles.

3. En un evento de colegio, se debe escoger 5 alumnos de un total de 20 alumnos posibles. Además, 3 de los
5 profesores los debe acompañar en la actividad, pero cada uno de estos profesores tienen 3 actividades
diferentes (representante, tesorero y fiscal). ¿Cuantos grupos se pueden organizar para esté evento?
Identificando los eventos se tienen 2 situaciones, escoger de 5 alumnos de 20 posibles (selección sin orden
y sin reemplazo) y por otro lado escoger 3 profesores de
5 posibles para diferentes actividades (selección
20 5


con orden y sin reemplazo). Ahora cada evento tiene 5 , 3 r resultados posibles respectivamente. Por el
teorema fundamental de conteo los posibles resultados en total son 20

5
20

7

5 · 3 r = 5 · 3 = 15504·35 = 542640
manera posibles.

3.3. Principio de adición

En la sección anterior, el teorema fundamental de conteo es muy útil cuando los resultados de los experimentos
son dependientes. En el caso de que no lo sean se utiliza el principio de adición.

Teorema 2 (Principio de adición). Si los eventos A1 , A2 , . . . , Ak tienen n1 , n2 , . . . , nk elementos, respectivamente,

y si son mutuamente excluyentes dos a dos, entonces el evento A1 ∪ A2 ∪ · · · ∪ Ak tiene n1 + n2 + · · · + nk elementos.

Nótese que el hecho de que un sean mutuamente excluyentes indica que los resultados de un evento no dependen
de los resultados de otro evento. Es decir, que si se tienen dos eventos los cuales son excluyentes (no tienen nada en
común, por lo cual los resultados de un evento, no influyen en los resultados del segundo evento). Por ejemplo, si
una persona se desea proteger del frı́o, el tiene 3 sacos y 2 chaquetas. Si el solo puede escoger una prenda, entonces
solo tiene 3 + 2 = 5 opciones de protegerse del frı́o. Para entender mejor veamos el siguiente ejemplo.
1
Nótese que cuando se desea ordenar n elementos todos a la vez, el resultado es igual a n!

POLITÉCNICO GRANCOLOMBIANO 9
Ejemplo 9. Suponga que para viajar de una ciudad a otra se tiene las opciones de hacerlo por 4 empresas que
se desplazan por tierra y 3 aerolı́neas que se desplazan por aire. Si una persona desea realizar esté viaje solo lo
puede realizar por uno estos medios por lo cual los eventos son excluyentes. Por lo tanto aplicando el principio de
adición se tiene un total de 4 + 3 = 7 formas diferentes de desplazarse.

Si el lector desea conocer o realizar más ejercicios de conteo se sugiere la lectura de Ortiz Pinilla (2013).

4. Probabilidad

A continuación en está sección, se estudiaran las definiciones clásicas de probabilidad. Estas definiciones son tomas
del libro de Llinas y Rojas (2006).

4.1. Definición axiomática de probabilidad

Definición 11 (Probabilidad en forma axiomática). Sean Ω 6= ∅ un espacio muestral y F un conjunto de eventos

de Ω. Una función P : F → R se llama una probabilidad si se cumple los siguientes 3 axiomas:

(a) La probabilidad de cualquier evento debe ser siempre mayor o igual que cero, es decir, P (A) ≥ 0, para todo
A ∈ F.

(b) La probabilidad del espacio muestral siempre es uno, es decir, P (Ω) = 1.

(c) Para cada sucesión de eventos A1 , A2 , . . . ∈ F son mutuamente excluyentes, entonces se cumple que
∞ ∞
!
[ X
P An = P (An )
n=1 n=1

A la tripleta (Ω, F, P ) se le llama espacio de probabilidad.

Teniendo en cuenta lo anterior, se desprenden las siguientes propiedades:

1. P (∅) = 0.

2. Si los eventos A, B y C son mutuamente excluyentes, entonces P (A ∪ B ∪ C) = P (A) + P (B) + P (C)

3. P (A0 ) = 1 − P (A).

4. 0 ≤ P (A) ≤ 1.

5. P (A) = P (A ∩ B) + P (A ∩ B 0 ).

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

POLITÉCNICO GRANCOLOMBIANO 10
 7. P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C)

Las demostraciones de cada propiedad se le deja al lector. Algunas demostraciones la puede encontrar en el libro
de Blanco Castañeda (2010).

Ejemplo 10. Sean A, B y C eventos tales que P (A) = 0.5, P (B) = 0.26, P (C) = 0.55, P (A ∩ B) = 0.15,
P (A ∩ C) = 0.25, P (B ∩ C) = 0.15, y P (A ∩ B ∩ C) = 0.05. Calcule las siguientes probabilidades:

1. P (A ∪ B).

2. P (A ∩ C 0 ).

3. P (A ∪ C 0 ).

Para realizar esté ejercicio, se tendrá en cuenta las propiedades anteriores.

1. Teniendo en cuenta la propiedad 6 se tiene que

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0.5 + 0.26 − 0.15 = 0.61

2. Teniendo en cuenta la propiedad 5 se tiene que

P (A ∩ C 0 ) = P (A) − P (A ∩ C) = 0.5 − 0.25 = 0.25

3. Inicialmente aplicamos la propiedad 6 y 3 y se utilizara el resultado del ejercicio anterior, por lo cual se tiene
lo siguiente:

P (A ∪ C 0 ) = P (A) + P (C 0 ) − P (A ∩ C 0 ) = P (A) + (1 − P (C)) − P (A ∩ C 0 )

= 0.5 + (1 − 0.55) − 0.25 = 0.5 + 0.45 − 0.25 = 0.7

4.2. Definición empı́rica de probabilidad

Este concepto está basado en el llamado método de la frecuencia relativa, el cual utiliza datos que se han observado.
empı́ricamente, registrando la frecuencia con que han ocurrido los eventos y se estima la probabilidad cuando se
observa una estabilidad en los resultados.

Definición 12 (Probabilidad en forma empı́rica). Supongamos que se un experimento aleatorio se repite n veces
y que un evento A asociado con estas n repeticiones ocurre exactamente k veces. Entonces, la probabilidad de un
evento A es aproximadamente igual a la frecuencia relativa de A si efectuamos muchas veces el experimento. Es
decir,
k
P (A) = lı́m fr (A) = lı́m
n→∞ n→∞ n

Generalmente está definición se utiliza cuando no conocemos los resultados que se pueden dar en un evento. Son
muy utilizados en procesos de simulación.

POLITÉCNICO GRANCOLOMBIANO 11
Ejemplo 11. Realice el lanzamiento de una moneda, n = 10000 veces y determine cuantos de estos lanzamientos
son cara. Posteriormente determine la frecuencia relativa de que los lanzamientos anteriores sean cara.

Para realizar esté ejemplo utilizaremos el software R utilizando el siguiente código

set.seed(1) # Semilla
resultados <- as.numeric()
for(i in 1:10000){
# Lanzamos la moneda n veces
lanzamiento <- sample(x = 0:1,size = i,replace = TRUE,prob = c(0.5,0.5))
resultados[i] <- sum(lanzamiento)/length(lanzamiento) # Frecuencia relativa
}
head(resultados) # Primeros 5 resultados

## [1] 1.0000000 0.5000000 0.3333333 0.2500000 0.6000000 0.3333333

tail(resultados) # Últimos 5 resultados

## [1] 0.4928464 0.5009004 0.5068521 0.4973995 0.4954495 0.5053000

Nótese que los primeros resultados son muy variables, pero al revisar los últimos 5 resultados notamos que los valo-
res se centran alrededor de 0.5. En la Figura 1 notamos que los resultados de los valores se estabilizan efectivamente
alrededor de 0.5 que es la probabilidad deseada.

plot(resultados,type = "l",xlab = "lanzamientos",ylab = "Frecuencias relativas")

abline(h = 0.5, col = "red")
1.0
0.8
Frecuencias relativas

0.6
0.4
0.2

0 2000 4000 6000 8000 10000

lanzamientos

Figura 1: Simulación de lanzamiento de la moneda.

Fuente: Elaboración propia.

POLITÉCNICO GRANCOLOMBIANO 12
4.3. Definición clásica de probabilidad

Definición 13 (Probabilidad en forma clásica). Sea Ω 6= ∅ un espacio muestral finito y supongamos que todos los
eventos elementales suceden con la misma probabilidad. Se cumple para cada evento A de Ω tenemos:

#(A) Número de elementos de A

P (A) = =
#(Ω) Número de elementos de Ω

Nótese que la probabilidad en forma clásica no es más que realizar conteos el número de resultados del evento
y el número de resultados del espacio muestral. Por lo que aquı́ se utiliza las técnicas básicas de conteo que se
estudiaron inicialmente este escenario.

Ejemplo 12. Una caja contiene 8 fichas rojas, 3 blancas y 9 azules. Si se extraen 3 fichas sin reemplazo y sin
orden, determine la probabilidad de que

1. Las 3 fichas sean blancas,

2. 2 sean rojas y 1 blanca,

3. Al menos 1 sea blanca y

4. Se extraigan una de cada color.

Para realizar estos ejercicios, se tiene en cuenta que en la caja hay un total de 8+3+9=20 fichas de las cuales se
toman

3, sin orden y sin reemplazo. Tengamos en cuenta que esto es una combinación, lo que no da un total de
20
3 = 1140 formas diferentes de sacar los elementos.

3


1. Sea A el evento de sacar 3 fichas blancas. Se tiene un total de 3 = 1 forma, por lo que utilizando la
definición de probabilidad se tiene que

#(A) 1
P (A) = = = 0.000877
#(Ω) 1140

2. Sea B el evento se sacar 2 rojas y 1 blanca. Para sacar 2 rojas de 8 posibles se tiene un total de 82 = 28

maneras. Para sacar 1 blanca de 3 posibles se tiene un total de 31 = 3 maneras. Utilizando el teorema

fundamental de conteo se tiene un total de 28 × 3 = 84 formas diferentes, por lo que utilizando la definición
de probabilidad se tiene que
#(B) 84
P (B) = = = 0.074
#(Ω) 1140

3. Sea C el evento se sacar al menos
1 blanca. Por lo que se puede sacar 1 o 2 o 3 bolas blancas. Si se saca 1
bola blanca se tiene un total de 31 17


2 = 51 × 136 = 408 formas diferentes. Si se saca 2 bola blanca se tiene
3 17 3 17





2 1 = 3 × 17 = 3 formas diferentes. Si se saca 3 bola blanca se tiene 3 0 = 1 × 1 = 1 forma. Por lo
que utilizando el principio de adición un total de 408 + 51 + 1 = 460 formas diferentes, por lo que utilizando
la definición de probabilidad se tiene que

#(C) 84
P (C) = = = 0.4035
#(Ω) 1140

POLITÉCNICO GRANCOLOMBIANO 13
 4. Sea D el evento se sacar una de cada color. Se tiene un total de 81 = 8 formas diferentes de sacar una

roja. Se tiene un total de 31 = 3 formas diferentes de sacar una blanca. Se tiene un total de 91 = 9 formas

diferentes de sacar una azul. Utilizando el teorema fundamental de conteo se tiene un total de 8 × 3 × 9 = 216
formas diferentes, por lo que utilizando la definición de probabilidad se tiene que

#(D) 216
P (D) = = = 0.189
#(Ω) 1140

4.4. Definición subjetiva de probabilidad

En algunas ocasiones, no tenemos una forma de calcular la probabilidad de acurdo a el axiomático, clásico o
empı́rico, sino que recurrimos al “grado de creencia” acerca de lo que tenemos acerca de un hecho, por ejemplo,

• la probabilidad de que cierta persona se destaque en la universidad.

• la probabilidad de que llueva.

• la probabilidad de que una persona adquiera una enfermedad terminal.

Las anteriores probabilidades, generalmente no son facilies de calcular. Sin embargo, escuchamos muy a menudo
que las personas le dan un valor de probabilidad, recurriendo muchas veces a resultados anteriores, o a situaciones
particulares que ocurren o simplemente creen que los resultados pueden ser ası́. A estas situaciones que general-
mente se dan cuando no se recurre a un procedimiento matemático, ni a nociones de experimentos repetibles se le
conocen como probabilidades subjetivas.

Definición 14 (Probabilidad en forma subjetiva). La probabilidad que se expresa frente a un grado de creencia
individual sobre la posibilidad de que un evento ocurra.

Si el lector desea conocer o realizar más ejercicios de probabilidad se sugiere la lectura de Llinas y Rojas
(2006).

Ejercicio 3. A continuación se proponen algunos ejercicios de probabilidad utilizando técnicas de conteo.

1. Si lanzamos un dado balanceado, ¿qué probabilidades hay de obtener:

a) Un 6;
b) Un número par;

2. Si lanzamos un par de dados balanceados, ¿qué probabilidad hay de obtener al sumar los resultados:

a) Un 5;
b) Un 7;
c) Un 11;
d ) Ya sea un 7 o un 11?

POLITÉCNICO GRANCOLOMBIANO 14
5. Calculando probabilidades con el software R

En está sección se explicara como se puede utilizar el programa R (R Core Team, 2017), para realizar cálculos de
probabilidad en una base de datos. Para ello, se utilizara la función subset con la que se filtrara la información
según la condición que nos pidan y la función nrow para contar cuantos elementos cumplen cierta condición. Si A
es un evento bajo cierta condición, entonces, la probabilidad se define de la siguiente manera:
Número de elementos que cumple la condición A
P (A) =
Número de elementos de la base de datos
Ejemplo 13. Se hizo una valoración a 48 empleados de una sucursal, el cual consta de 100 preguntas de selección
múltiple con única respuesta. Se sumaron las puntuaciones de cada pregunta para obtener un resultado total. Las
resultados se pueden observar en la Tabla 2.

Tabla 2: Base de datos ejemplo

ID Sexo Edad Puntaje ID Sexo Edad Puntaje

1 M 46 22 25 F 52 49
2 M 24 57 26 F 37 39
3 F 24 14 27 F 31 16
4 M 50 99 28 M 61 61
5 F 18 79 29 M 43 11
6 M 28 73 30 F 56 13
7 F 41 14 31 F 58 46
8 F 44 91 32 F 54 85
9 M 18 43 33 M 34 67
10 M 68 50 34 M 67 73
11 M 30 26 35 F 27 91
12 F 62 84 36 M 39 43
13 F 59 40 37 M 57 30
14 F 32 17 38 F 54 41
15 F 56 44 39 M 71 93
16 F 49 85 40 M 61 76
17 M 70 40 41 M 67 80
18 M 19 70 42 F 44 24
19 M 52 91 43 M 39 52
20 F 70 45 44 F 48 12
21 F 59 67 45 M 66 35
22 F 61 55 46 M 22 88
23 F 48 13 47 F 54 84
24 F 71 96 48 M 30 98
Fuente: Elaboración propia.

Teniendo en cuenta lo anterior responda lo siguiente:

1. Si se selecciona una persona al azar, determine la probabilidad de que sea mujer y tenga más de 30 años.

POLITÉCNICO GRANCOLOMBIANO 15
Inicialmente cargamos la base de datos mediante la función read_excel del paquete readxl (Wickham y
Bryan, 2017)

library(readxl)
BD<-read_excel(path = "BD1.xlsx",sheet = "BD") # Importamos los datos
BD

## # A tibble: 48 x 3
## Sexo Edad Puntaje
## <chr> <dbl> <dbl>
## 1 M 46. 22.
## 2 M 24. 57.
## 3 F 24. 14.
## 4 M 50. 99.
## 5 F 18. 79.
## 6 M 28. 73.
## 7 F 41. 14.
## 8 F 44. 91.
## 9 M 18. 43.
## 10 M 68. 50.
## # ... with 38 more rows

(Total <- nrow(BD)) # Número de elementos en la base de datos

## [1] 48

Filtramos la información

# Filtramos la base por aquellas mujeres mayores de 30 a~

nos
BD1<-subset(BD,Sexo=="F" & Edad>30)
BD1

## # A tibble: 22 x 3
## Sexo Edad Puntaje
## <chr> <dbl> <dbl>
## 1 F 41. 14.
## 2 F 44. 91.
## 3 F 62. 84.
## 4 F 59. 40.
## 5 F 32. 17.
## 6 F 56. 44.
## 7 F 49. 85.
## 8 F 70. 45.
## 9 F 59. 67.
## 10 F 61. 55.
## # ... with 12 more rows

(A<-nrow(BD1)) #Mujeres mayores de 30 a~

nos

POLITÉCNICO GRANCOLOMBIANO 16
 ## [1] 22

# Probabilidad de que una mujer realice el examen y sea mayor de 30 a~

nos
A/Total

## [1] 0.4583333

Por lo tanto, la probabilidad de que una mujer sea seleccionada y sea mayor de 30 años es de 22/48=0.4583333.

2. Si se selecciona una persona al azar, determine la probabilidad de que sea hombre y su valoración sea mayor
de 30.

# Filtramos la base por aquellas hombres mayores de 30 a~

nos
BD2<-subset(BD,Sexo=="M" & Puntaje>30)
BD2

## # A tibble: 19 x 3
## Sexo Edad Puntaje
## <chr> <dbl> <dbl>
## 1 M 24. 57.
## 2 M 50. 99.
## 3 M 28. 73.
## 4 M 18. 43.
## 5 M 68. 50.
## 6 M 70. 40.
## 7 M 19. 70.
## 8 M 52. 91.
## 9 M 61. 61.
## 10 M 34. 67.
## 11 M 67. 73.
## 12 M 39. 43.
## 13 M 71. 93.
## 14 M 61. 76.
## 15 M 67. 80.
## 16 M 39. 52.
## 17 M 66. 35.
## 18 M 22. 88.
## 19 M 30. 98.

(B<-nrow(BD2)) #Hombres puntaje mayores de 30

## [1] 19

# Probabilidad de que un hombre realice el examen y su puntaje sea mayor de 30

B/Total

## [1] 0.3958333

POLITÉCNICO GRANCOLOMBIANO 17
 Por lo tanto, la probabilidad de que un hombre sea seleccionado en forma aleatoria y tenga una valoración
mayor de 30 es de 19/48=0.3958333.

3. ¿Cuál es la probabilidad de que un hombre realice el examen y su edad sea mayor a 30 años y su puntuación
mayor de 70?

# Filtramos la base por aquellas hombres mayores de 30 a~

nos,
# cuyo puntaje fue mayor de 70.
BD3<-subset(BD,Sexo == "M" & Edad > 30 & Puntaje > 70)
BD3

## # A tibble: 6 x 3
## Sexo Edad Puntaje
## <chr> <dbl> <dbl>
## 1 M 50. 99.
## 2 M 52. 91.
## 3 M 67. 73.
## 4 M 71. 93.
## 5 M 61. 76.
## 6 M 67. 80.

(C<-nrow(BD3)) #Hombres mayores de 30 y puntaje mayor de 70

## [1] 6

# Probabilidad de que un hombre realice el examen, su edad sea mayor a 30 a~

nos
# y su puntuación mayor de 70
C/Total

## [1] 0.125

La probabilidad de que un hombre realice el examen y su edad sea mayor a 30 años y su puntuación mayor
de 70 es de 6/48=0.125.

4. ¿Cuál es la probabilidad de que al escoger una persona al azar el examen este por encima de 70?

# Filtramos la base por aquellas personas cuyo puntaje fue mayor de 70.
BD4<-subset(BD, Puntaje > 70)
BD4

## # A tibble: 17 x 3
## Sexo Edad Puntaje
## <chr> <dbl> <dbl>
## 1 M 50. 99.
## 2 F 18. 79.
## 3 M 28. 73.
## 4 F 44. 91.
## 5 F 62. 84.

POLITÉCNICO GRANCOLOMBIANO 18
 ## 6 F 49. 85.
## 7 M 52. 91.
## 8 F 71. 96.
## 9 F 54. 85.
## 10 M 67. 73.
## 11 F 27. 91.
## 12 M 71. 93.
## 13 M 61. 76.
## 14 M 67. 80.
## 15 M 22. 88.
## 16 F 54. 84.
## 17 M 30. 98.

(D<-nrow(BD4)) # puntaje mayor de 70

## [1] 17

# Probabilidad de que una persona el examen este por encima de 70

D/Total

## [1] 0.3541667

La probabilidad de que una persona escogida al azar el examen este por encima de 70 es de 17/48=0.3541667.

5. ¿Cuál es la probabilidad de que al escoger una persona al azar el examen este por encima de 70 y su edad
sea mayor a 40?

# Filtramos la base por aquellas personas cuyo puntaje fue mayor de 70

# y tienen una edad superior de 40.
BD4<-subset(BD, Puntaje > 70 & Edad>40)
BD4

## # A tibble: 12 x 3
## Sexo Edad Puntaje
## <chr> <dbl> <dbl>
## 1 M 50. 99.
## 2 F 44. 91.
## 3 F 62. 84.
## 4 F 49. 85.
## 5 M 52. 91.
## 6 F 71. 96.
## 7 F 54. 85.
## 8 M 67. 73.
## 9 M 71. 93.
## 10 M 61. 76.
## 11 M 67. 80.
## 12 F 54. 84.

POLITÉCNICO GRANCOLOMBIANO 19
 (E<-nrow(BD4)) # puntaje mayor de 70 y Edad mayor de 40

## [1] 12

# Probabilidad de que una persona tenga el examen por encima de 70

# y su edad sea mayor a 40
E/Total

## [1] 0.25

La probabilidad de que una persona escogida al azar el examen este por encima de 70 y su edad sea mayor
a 40 es de 12/48=0.25.

Si el lector desea conocer algunas funciones de manipulación de base datos para calcular probabilidades se
sugiere la lectura de Kabacoff (2017).

Referencias

Allendoerfer, C. B., y Oakley, C. O. (1990). Matemáticas universitarias. En (4.a ed., cap. Conjuntos). McGraw-
Hill.
Blanco Castañeda, L. (2010). Probabilidad (2.a ed.). Bogotá: Universidad Nacional de Colombia.
Kabacoff, R. I. (2017). Quick-r. Descargado de https://www.statmethods.net/management/subset.html
Kerns, G. J. (2013). Ipsur: Introduction to probability and statistics using r [Manual de software informático].
Descargado de https://CRAN.R-project.org/package=IPSUR (R package version 1.5)
Kerns, G. J. (2017). prob: Elementary probability on finite sample spaces [Manual de software informático].
Descargado de https://R-Forge.R-project.org/projects/prob/ (R package version 1.0-1/r49)
Llinas, H., y Rojas, C. (2006). Estadı́stica descriptiva y distribuciones de probabilidad. Barranquilla: Ediciones
Uninorte.
Ortiz Pinilla, J. (2013). Principios de estadı́stica aplicada. En (cap. Relaciones y conteo). Bogotá: Ediciones de
la U.
R Core Team. (2017). R: A language and environment for statistical computing [Manual de software informático].
Vienna, Austria. Descargado de https://www.R-project.org/
Wickham, H., y Bryan, J. (2017). readxl: Read excel files [Manual de software informático]. Descargado de
https://CRAN.R-project.org/package=readxl (R package version 1.0.0)

POLITÉCNICO GRANCOLOMBIANO 20
 INFORMACIÓN TÉCNICA

Módulo: Probabilidad
Unidad 2: Probabilidad
Escenario 3: Momento 3

Autor: Alex Johann Zambrano Carbonell

Asesor Pedagógico: Diana Marcela Dı́az Salcedo

Diseñador Gráfico: Jully Amanda Guzman
Corrector de estilo: Felipe Garán
Asistente: Ginna Paola Quiroga

Este material pertenece al Politécnico Grancolombiano.

Por ende, es de uso exclusivo de las Instituciones
adscritas a la Red Ilumno. Prohibida su reproducción
total o parcial.

POLITÉCNICO GRANCOLOMBIANO 21