TECNICAS DE CONTEO

Es un método o procedimiento que nos permite determinar las

formas o maneras que se pueden arreglar n objetos.

Tenemos las siguientes reglas:

Regla de la multiplicación : TA= TA1xTA2x….xTAk

TA total de alternativas

Ejemplo: Un profesional experto en geología se quiere trasladar desde su

domicilio a su centro de trabajo, de su centro de trabajo a la avenida norte
hay dos vías, de la avenida norte al centro de la ciudad hay tres vías y del
centro de la ciudad hay dos vías.
En una sección de estudiantes esta conformado por 10 estudiantes
se quiere formar un comité de 3 estudiantes, de cuantas maneras
se puede realizar:
Diagrama del árbol: Es una técnica que nos permite obtener el
numero de resultados de un suceso o experimento de tal manera
que cada rama constituye un resultado

Ejemplo: se extraen 3 tipos de minerales y cada uno se clasifica

en dos clases A y B, obtener el numero de resultados posibles.
II. INTRODUCCION A LA TEORIA DE LA
PROBABILIDAD

FENÓMENO O EXPERIMENTO ALEATORIO

Es un proceso de medición u observación cualquiera,

en la cual los resultados no se pueden predecir. Por ejemplos:
Lanzamiento de una moneda y observar si es cara o sello.
La fabricación de artículos buenos o defectuosos

TIPOS DE EXPERIMENTOS:
ALEATORIO
DETERMINISTICO
EXPERIEMN ALEATORIO.- Cuando se tiene 2 o más resultados.
EXPERIEMNTO DETERMINISTICO. – Cuando siempre se obtiene el
mismo resultado.

• EJEMPLOS:

Consideremos el rendimiento académico de un estudiante, los posibles

resultados serán:
Buen B, Regular R , Malo M Exp………….

• Se lanza varias veces una monedas cargada, y se observa los resultados , el

conjunto de resultados será: cara, cara, cara, ….. ( si está cargada al lado de la
cara).

• La duración de un foco de luz:

El foco dura 30 horas
El foco dura 1500.5 horas
El foco dura 1000 horas
• El experimento es………
ESPACIO MUESTRAL:

• Es el conjunto de todos los resultados posibles de

un experimento aleatorio, y se denota por S el
espacio muestral.
• Y a cada elemento se denomina punto muestral.
• Ejemplo:
• Se lanza un dado y se observa los posibles
resultados.- El espacio muestral será:
• S= {1,2,3,4,5,6 }
•
• NUMERO DE ELEMENTOS DEL ESPACIO MUESTRAL
•
• Esta dado por la siguiente fórmula S# = kn
• Donde:
• K : número de posibilidades
• n : número de veces que se repite el experimento
• Ejemplo .
• se lanza una moneda 3 veces, hallar el número de
• elementos o resultado del espacio muestral.
•
• Solución
•
• S#. = kn ;
• k = 2 cada moneda tiene dos posibilidades, cara o
• sello
• n = 3 porque son tres monedas
•
• S# = 23 = 8 elementos del espacio muestral
 2.1. SUCESOS EVENTOS ALEATORIO es un subconjunto del espacio
muestral

2.2.1 DEFINICION
Es un posible resultado o una combinación de resultados de un
experimento aleatorio y constituye un subconjunto del espacio
muestral S.
• Ejemplo:
Se lanza 3 monedas simultáneamente, el espacio muestral será:
S# ={ccc,ccs,csc,scc,css,scs,ssc,sss }
De este experimento se puede definir los sigts. eventos:
A: Obtener exactamente 3 sellos
A={SSS}

B: Obtener a lo mucho 2 sellos

B={CCC,CSC,SCC,CCS, SSC,CSS,SCS}

C: Obtener mínimo 2 sello

C={CSS, SCS, SSC, SSS}

EVENTO SIMPLE.- Consta de un solo elemento, llamado también

evento elemental, como en el caso A
EVENTO COMPUESTO.- Está formado por más de un elemento o
punto muestral, como B y C
EVENTO INCOMPATIBLE.- Se llama también mutuamente
exclusivos, no pueden suceder al mismo tiempo.
• Ejem. Considere obtener un numero par e impar al tirar un solo
dado una vez; si ocurre uno de estos eventos no es posible que
el otro evento ocurra.

• EVENTOS COMPLEMENTARIOS.- Dos eventos son complementarios si

los resultados que no están contenidos en uno están contenidos
en el otro e
• vento.- En el ejemplo C.
PROBABILDAD DE UN EVENTO
Es la relación lógica del numero de resultados que favorecen al
evento A y todos los resultados posibles del espacio muestral S.

P(A)=
Número de casos favorables en el evento A No.. A

Número de casos posible en S No. S
La probabilidad de un evento A, es un numero real P(A) de
una función de conjunto que cumple las siguientes
propiedades:
1) P(A) ≥ 0
2) P(S) = 1
3) Si A1, A2, ……An son eventos mutuamente excluyentes de
S, entonces:

n
P Ai    P( Ai )
i 1
• 2.3 TEOREMAS

A). P( ) 0 Para cualquier espacio muestral S

B). Si A1 y A2 son eventos mutuamente excluyentes entonces

P A1  A2   P A1   P A2 

C). Sean A1 y A2 dos eventos de un espacio muestral S talque A1  A2

entonces:
P( A1 ) ≤ P( A 2 )
D) Si A y A´ son sucesos complementarios del espacio muestral S
entonces:

P ( A` ) = 1 – P(A)
≠

E) P (S) = 1 luego : 0 ≤ P(A)≠≤ 1

F) Sea A1 y A2 son eventos cualesquiera de S Entonces

P A1  A2   PA1   PA2   PA1  A2 

si y solo si A1 y A2 son complementarios entonces
A1  A2  
• 2.5 DEFINICIÓN CLASICA DE PROBABILIDAD
• Según Laplace , la probabilidad de un evento A esta dado por:

Número de casos favorables No.. A

• P(A) = 
Número de casos posibles No. S

• Ejemplo:
• En un Colegio Estatal el 30% de los profesores son de Tacna , el 10% son
egresadas de la Universidad Nacional de San Marcos, el 1% son de Tacna y
egresadas de San Marcos . Si se selecciona a lazar un profesor del Colegio
Estatal
• ¿ Cuál es la probabilidad de que no sea de Tacna?.
• ¿ Cuál es la probabilidad que sea de Tacna o sea egresada de San Marcos ?
• ¿ Cuál es la probabilidad que no sea de Tacna ni egresada de San Marcos?
• Solución
•
• P (T) = 0.30
• P ( E SM) = 0.10
• P (T  ESM) = 0.01

• P (T´) = 1- P (T) = 1 – 0.30 = 0.70

• P ( T  ESM) = P (T) +P (ESM) – P ( T  ESM)

• = 0.30 + 0.10 - 0.01= 0.39

• P( T´ ESM´) = 1 - P(TESM) = 1 - 0.39 = 0.61

 2.2.11 PROBABILIDAD CONDICIONAL
• Sea A, un evento cualesquiera, talque la P(B)> 0 entonces
• La probabilidad condicional de A dado B, denotado P se
define:

 B   PPA(B)B 
P A

• Donde P A : es la probabilidad de ocurrencia de A dado

que ha ocurrido
B B.
• P A también
:
se puede interpretar como la probabilidad
de ocurrencia
B del evento A en el espacio muestral
restringido a B.
PA  B
• Análogamente P B
 A  P(A)
; P(A)  0
• Ejemplo:
• Un experimento consiste en extraer aleatoriamente 2 computadoras uno a
uno sin reposición de un embarque que contiene 500 computadoras. Si se
sabe que el 5% de estas computadoras son defectuosos ¿ Cuál es la
probabilidad de extraer 2 computadoras defectuosas?
• Sea A = (Extraer dos computadoras defectuosas)
• = (Extraer una computadora defectuosa en la primera sacada y extraer otra
computadora defectuosa en la segunda sacada)

• Sea A1 (Extraer una computadora defectuosa en la 1ra. sacada)

• A 2 (Extraer una computadora defectuosa en la segúnda. sacada).

• P(A) = P
• Computadoras defectuosas: 5% de 500 = 0.05x 500 = 25
( A1  A2 )  P A2  A1   P A1 P A2 
 A1 
•P
 A1   25 500  0.05
• P=  A A( Extraer
2 


1
una computadora defectuosa en la segunda sacada
dado que se extrajo una computadora defectuosa en la primera
sacada).

•P  A2


 
24
 A1 
459

• P(A) =P  A1  A2   P A1 P A2 A 
 1 

•= 25 24
* 
6
 0.0024
500 499 2495

 25 
 
  = 0.0024
 500
2 
casos favorables
casos posibles  
 
 
 2
2.2. 13 EVENTOS INDEPENDIENTES:

• DEFINICIÓN. A y B son eventos independientes o

mutuamente independientes si solo si A es independiente
de B (ó B es independiente de A)

• TEOREMA.
Si A y B son independientes entonces P (A B)  P( A) P( B)
• CONSECUENCIA. Sí A 1, A2... An son independientes
p  n  n
 
  Ai 
  P  Ai 
i  1  i 1
 
• Ejemplo.
Sea E el experimento de lanzar una moneda dos veces
consecutivos o lanzar dos monedas a la vez.¿ Cuál es la
probabilidad de obtener dos caras?
SOLUCIÓN:
P(obtener dos cosas) = P (obtener cara en el primer
lanzamiento y cara en el segundo lanzamiento).
Sea A = {obtener 2 caras}
A1 = (Obtener cara en el primer lanzamiento).
A2= (Obtener cara en el segundo lanzamiento)
 A2 )
P(A) = P(A1
 P A   1 ; P A   1
2 1 2
2
Si A1 y A2 son independientes
P A1  A2   P A1 P A2   1 * 1  1
2 2 4
1
4
P(A) =
• 2.6 TEOREMA DE LA PARTICIÓN DE
• ESPACIO MUESTRAL
• Sea B ysea 
S Ai S i=1,2,....n talque
n
• a)  Ai  S
i 1

• b) Ai  Aj    ij
• P n
(B) =
 P( A ) P( B A )
i 1
i
i

• Se conoce con el nombre de probabilidad total del evento B.

• 2.6 TEOREMA DE BAYES
• Sea el conjunto de eventos A1 , A2 , A3 ………An
• una partición del espacio muestral S, donde
 0 ; i  1, 2 ,3... n,
• P (Ai)

entonces: para cualquier
 k elnque P(B) 0
• evento B para
• para i  
P Ak P B 
 Ak   Ak 
 B
  n
P Ai P 
 BA 
•P i 1  i 
 EJEMPLO 1:
• Un Centro Educativo aplica tres métodos de enseñanza que incluye 60% de
tipo I, 30% de Tipo II y 10% de tipo III y que la probabilidad de que un
estudiante apruebe , es 0.75 para el tipo I, 0.50 para el tipo II y 0.25 para el
tipo III.
• A)¿Cuál es la probabilidad de que un estudiante apruebe ?
• B)¿Si se elige aleatoriamente un estudiante y resulta estar aprobado ¿Cuál
es la probabilidad que se haya acogido el método de enseñanza del tipo
II?.
• Solución:
• Sea A1 = {El método de enseñanza sea del tipo I}
• A2 = { El método de enseñanza sea del tipo II}
• A3 ={ El método de enseñanza sea de tipo III}
• P (A1) = 0.6 ; P(A2) = 0.30 , P(A3 )= 0.10
• A) D = {Que el estudiante elegido este aprobado}
•
• P(D) = D
• =  A  A  A 
1 2 3

• P(D) = P D  A   D  A   D  A 
1 2 3

 A1 P D A   P A2 P D A  P A P D 

  A 
   2  3
3
1

•P P P
 D   0.75  D   0.50
 A  A   D   0.75
 1
 2  A
 3

•P
• P(D)( D=) 0.750  00.15
0.6 * 0.75 + .5 * 0.5 +0.10
0.076
* 0.75 = 0.6 25 probabilidad de que un
estudiante APRUEBE
 • B) Si se elige aleatoriamente un estudiante y resulta estar
aprobado . cuál es la probabilidad de que se haya acogido al
método de enseñanza de tipo II .?

P( A2 ) P( D )
A2 0.3 * 0.5
P( A2 ) 
D P( A) 0.675

A2
P( )  0.222 pro b a b i l i d a d de que un estudiante
D
elegido haya e s c o g i d o el método de tipo II
FIN -II
• 3.0 VARIABLES ALEATORIAS
• Es una función que va del espacio muestral al
conjunto de los número reales
• y lo denotamos por una letra mayúscula; y una
minúscula para sus valores.
• EJEMPLO :
• Se lanza tres monedas sobre una mesa.

S  CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS

• S R
• X
•
• Si X es la variable aleatoria que determina el # de caras en el experimento
entonces .
• X (CCC) = 3 X(CSC) = 2 X(SSC) = 1 X(CSS) = 1
• X (CCS) = 2 X(SCC) = 2 X(SCS) = 1 X(SSS) = 0
•
• Por lo tanto x toma los valores
• x : 0, 1, 2, 3

• 3.1 VARIABLES ALEATORIAS DISCRETAS

• Si un espacio muestral es finito (discreto) la variable aleatoria
definida sobre este espacio será discreto. Representado la
mayoría de las veces por datos discretos.
• 3.2 VARIABLE ALEATORIA CONTINUA

• Es aquella que está definida en un espacio muestral continuo, representando en la

mayoría de los casos datos referente medidas tales como: tallas, pesos,
temperaturas, distancias, etc.

• 3.3 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD.

•
• Se dice que f(x) es una función o distribución de probabilidad (función de cuantía)
de la variable discreta aleatoria X. Si para cada x resulta posible que:
• 1). f(x) 0

• 2).
 f (x)  1

• 3). P(X=x) = f(x)

• EJEMPLO:
• Sea el experimento de verificar el rendimiento académico de 3
estudiantes , hallar la función de cuantía o probabilidad del
número de desaprobados.
• Solución
• Los valores que toma la variable aleatoria X, que cuenta el
número de desaprobados en este experimento será:
• X : 0, 1, 2, 3 cuyas probabilidades son:
• f(x) = P(X=x) , f(3) = P(X=3) = 1/8; f(2) = P(X=2) = 3/8 ; f(1) =
P( X=1) = 3/8
• f(0 ) = P( X = 0) = 1/8 , donde la suma de todas las
probabilidades deben dar 1
 •
X 0 1 2 3
•
f(x)

1 3 3 1
8 8 8 8
La distribución acumulativa de una variable aleatoria
discreta f(x) está dada por F(x).
donde
F(x) = P x  x    f t 
tx
• EJEMPLO :
• Hallar la función de distribución acumulativa F(x) del
ejemplo anterior:
•
0 si x0
1
• <1 0  x
8
si
• F(x) = si 81
4 x2

• 7
si8 2x3
• 1 x 3
3.11 ESPERANZA MATEMÁTICA
Dado una variable aleatoria con distribución de cuantía o
probabilidad f(x), el valor esperado o la esperanza matemática de x
esta dado por:
x   x f(x) si x discreta
x

• EJEMPLO :
• En un juego de apuesta, un estudiante debe ganar $ 5, si al tirar 3
monedas obtiene todas cara o todas sello y paga $3 si sale 1 o 2 caras ,
conviene participar en la apuesta .?
• x: 5 , -3
• P(x=5) = ¼
• P(x=-3)   
( x)  5 =1 ¾  3 3  1
4 4

• por el resultado obtenido no conviene participar en la apuesta

3.12 VARIANZA DE UNA VARIABLE ALEATORIA
La varianza de una variable aleatoria x esta dada por

 2  2  ( x  x) 2 p ( x)
v( x)    E  x   u
2 
  x 1

• EJEMPLO :
• Calcular la varianza de x donde x es el número de químicos
de un comité de tres personas seleccionadas al azar entre
un grupo de 4 químicos y 3 biólogos
• x= 0, x = 1, x = 2, x = 3 :
v( x)  E x 2  E x 
2
 
Ex  
12
   1   12  18 4
, E x 2  0   1   4( )  9 
v x  
2
24  12 
  
24
7  35   35  35  35 
7  7  39
 Def: Si x variable aleatoria y b usa constante entonces
v( x  b)  v( x)  v(b)  v( x) ; v(b)  0

• Def: Si x variable aleatoria y a una constante cualquiera .

entonces

v(ax)  a 2 v( x)  a 2 v 2
Def: Si x e y son variables aleatorias independientes, entonces

 (ax  by)  a 2 v( x)  b 2 v( y);  (ax  by)  a 2 v( x)  b 2 v( y)