𝑃(𝐴)=(𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠)/(𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒𝑠)

La probabilidad clásica (o teórica) se basa en la suposición de que todos los resultados posibles son igualmente

Ejemplo 1: Lanzamiento de un dado

Si lanzamos un dado de 6 caras, ¿cuál es la probabilidad de obtener un número impar?
Casos favorables: Los números impares en un dado de 6 caras son 1, 3 y 5 (3 casos).

𝑃(𝐴)=3/6=0,5
Casos posibles: Hay 6 posibles resultados (1, 2, 3, 4, 5, 6).

Esto significa que hay una probabilidad del 50% de obtener un número impar al lanzar un dado de 6 caras.

Ejemplo 2:

𝑃(𝐴)=3/9=0,33
En una caja hay 4 bolas rojas, 3 bolas verdes y 2 bolas azules. Si se extrae una bola al azar, ¿cuál es la probabilidad

Hay un 33% de probabilidad.

 Formula probabilidad

𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒𝑠)
esultados posibles son igualmente probables. Se calcula con la siguiente fórmula:

impar?
casos).

al lanzar un dado de 6 caras.

bola al azar, ¿cuál es la probabilidad de que sea verde?

Las combinaciones se refieren a las formas de seleccionar elementos de un conjunto, donde el orden no importa.
Combinaciones sin repetición:
Se utilizan cuando todos los elementos son distintos y no se pueden repetir. El número de combinaciones de n elem
Esta fórmula también se conoce como el coeficiente binomial.
Ejemplo:
Si tienes 3 letras A, B, C y quieres saber cuántas formas hay de seleccionar 2 letras sin importar el orden, el número

Ejemplo 2: Calcular el número de formas de seleccionar 6 elementos tomados de 4 en 4 sin repetición. C(6,4)=
Las combinaciones serían: AB, AC, BC.

Hay 15 formas de seleccionar 6 elementos en grupos de 4 sin repetición.

Ejemplo 3: Calcular el número de formas de seleccionar 90 elementos tomados de 6 en 6 sin repetición. El 84! e

C(90, 6)=90!/(6!(90−6)!)=(90 ×89 ×88 ×87 ×86 ×85 ×84)/(6! × 84!)=(90 ×89 ×88 ×87 ×86

Combinaciones con repetición:

Se utilizan cuando los elementos pueden repetirse. El número de combinaciones de n elementos tomados de r en r,

−1)!=4!/(2!×2!)=(4 × 3 × 2 × 1)/(2 × 1 × 2 ×1)=24/4=6

Ejemplo: Si tienes 3 letras A, B, C y quieres saber cuántas formas hay de seleccionar 2 letras permitiendo repetic

Las combinaciones serían: AA, AB, AC, BB, BC, CC.

×1 ×4 ×3 ×2 ×1)=5040/(6 × 24)=5040/144=35
Ejemplo 2: Calcular el número de formas de seleccionar 5 elementos tomados de 3 en 3, permitiendo repeticiones.

𝐶_𝑟𝑒𝑝 (90, 5)=(90 +5 −1)!/5!(90 −1)!=(94 ×93 ×92 ×91 ×90

Ejemplo 3: Calcular el número de formas de seleccionar 90 elementos tomados de 5 en 5, permitiendo repeticiones

89!)=[Link]/(5×4×3×2×1)=[Link]/120=54.891.018
 COMBINATORIA

junto, donde el orden no importa. Al igual que con las permutaciones, existen dos tipos:

úmero de combinaciones de n elementos tomados de r en r se calcula como: C(𝑛,𝑟)=𝑛!/(𝑟!∗(𝑛−𝑟)!)

ras sin importar el orden, el número de combinaciones es: C(3, 2)=3!/(2!(3−2)!)=(3×2×1)/(2×1)=6/2=3

de 4 en 4 sin repetición. C(6,4)=6!/(4!(6−4)!)=(6 ×5 ×4 ×3 ×2 ×1)/(4! × 2!)=720/(24 × 2)=720/

de 6 en 6 sin repetición. El 84! en el numerador y denominador se cancelan.

× 84!)=(90 ×89 ×88 ×87 ×86 ×85 )/(6 ×5 ×4×3×2×1)=[Link]/720=622.614.630

de n elementos tomados de r en r, permitiendo repeticiones, es: 𝐶_𝑟𝑒𝑝 (𝑛,𝑟)=(𝑛 + 𝑟 −1)!/𝑟!(𝑛 −1)!

ccionar 2 letras permitiendo repeticiones y sin importar el orden, el número de combinaciones es: 𝐶_𝑟𝑒𝑝 (3, 2)=(3 +
=6

de 3 en 3, permitiendo repeticiones. 𝐶_𝑟𝑒𝑝 (5, 3)=(5 + 3 −1)!/3!(5 −1)!=7!/(3! × 4!)=(7 ×6 ×5 ×4 ×

94 ×93 ×92 ×91 ×90 ×89)/(5! ×

de 5 en 5, permitiendo repeticiones. El 89! en el numerador y denominador se cancelan.

22.160/120=54.891.018
/(𝑟!∗(𝑛−𝑟)!)

=(3×2×1)/(2×1)=6/2=3
× 2!)=720/(24 × 2)=720/48=15

20=622.614.630

𝑟 −1)!/𝑟!(𝑛 −1)!
es es: 𝐶_𝑟𝑒𝑝 (3, 2)=(3 +2 −1)!/2!(3

!/(3! × 4!)=(7 ×6 ×5 ×4 ×3 ×2 ×1)/(3 ×2

Las permutaciones se refieren a las diferentes formas en que se pueden ordenar o arreglar un conjunto de element
Permutaciones sin repetición:
Se ordenan todos los elementos de un conjunto, y no se permiten repeticiones. Es decir, cada elemento aparece ex
Donde n! (n factorial) es el producto de todos los números enteros positivos hasta n.
n = población

Ejemplo: Tienes 3 letras: A,B,C y quieres ordenarlas sin repetir ninguna letra. ¿Cuántas formas hay de hacerlo? 𝑃
r = muestra

Serian: ABC, ACB, BAC, BCA, CAB, CBA

Tienes 4 libros: L1, L2, L3, L4 y quieres ordenarlos en un estante. ¿Cuántas formas hay de hacerlo? 𝑃(4)=4!=24
Ejemplo 2:

Permutaciones con repetición:

Se ordenan todos los elementos de un conjunto, pero se permiten repeticiones. Esto ocurre cuando el conjunto tien

𝑃_𝑟𝑒𝑝 (𝑛)=𝑛!/(𝑛1!∗𝑛2!∗∗∗𝑛𝑘!)

𝑃_𝑟𝑒𝑝 (3)=3!/(2!∗1!)=6/2=3
Ejemplo: Tienes 3 letras: A, A, B y quieres ordenarlas permitiendo repeticiones. ¿Cuántas formas hay de hacerlo?

𝑃_𝑟𝑒𝑝 (6)=6!/(2!∗3!∗1!)=720/(2∗6∗1)=720/12=60
Ejemplo 2: Tienes 6 bolas: 2 rojas, 3 verdes, y 1 azul. ¿Cuántas formas hay de ordenarlas en una fila?

Ejemplo 3:
Tienes la palabra "MISSISSIPPI". ¿Cuántas formas hay de ordenar sus letras?
Identificamos las repeticiones:
M: 1 vez
I: 4 veces
S: 4 veces

𝑃_𝑟𝑒𝑝 (6)=11!/(1!∗4!∗4!∗2)=39,916.800/(1∗24∗24∗4)=39,916.800/1,152=34,650
P: 2 veces

Permutaciones circulares:
En las permutaciones circulares, los elementos se ordenan en un círculo, por lo que las rotaciones no se consideran d

Ejemplo: Tienes 5 personas y quieres sentarlas alrededor de una mesa redonda. ¿Cuántas formas hay de hacerlo? 𝑃
 PERMUTACIONES

o arreglar un conjunto de elementos, donde el orden importa. Dependiendo de si se permiten repeticiones o no, existen dos tip

Es decir, cada elemento aparece exactamente una vez en cada arreglo . P(n)=n!
a n.

¿Cuántas formas hay de hacerlo? 𝑃(3)=3!=6

mas hay de hacerlo? 𝑃(4)=4!=24

Esto ocurre cuando el conjunto tiene elementos indistinguibles (es decir, elementos repetidos).

es. ¿Cuántas formas hay de hacerlo?

rdenarlas en una fila?

0/1,152=34,650

ue las rotaciones no se consideran diferentes. 𝑃(𝑛)=(𝑛−1)!

¿Cuántas formas hay de hacerlo? 𝑃(5)=(5−1)!=4!=24

 ten repeticiones o no, existen dos tipos:

os).
las variaciones (o permutaciones con restricción) son una forma de contar de cuántas maneras se pueden ordenar u
Variaciones sin repeticiones:
Si tienes un conjunto de n elementos y quieres formar arreglos de k elementos en un orden específico, las variacio
Ejemplo 1: Suponiendo que tienes 5 letras: A, B, C, D, E y quieres formar códigos de 3 letras sin repetir y en un o
Por lo tanto, hay 60 códigos posibles
Ejemplo 2:

V(8, 3)=8!/((8−3)!)=(8×7×6×5)/5!=8×7×6=336
Si en una carrera hay 8 corredores y quieres saber cuántas maneras hay de asignar los 3 primeros lugares (oro, plat

Aquí el orden importa porque A, B, C en ese orden no es lo mismo que C, A, B.

V(7, 4)=7!/((7−4)!)=(7×6×5×4×3)/3!=7×6××5×4=840
Ejemplo 3: Si hay 7 libros diferentes y quieres ordenarlos en una estantería con 4 espacios, el número de maneras

Por lo tanto hay 840 maneras de ordenar los libros

Ejemplo 4:

V(11, 2)=11!/((11−2)!)=39.916.800/9!=39.916.800/362.880=110
Un equipo de fútbol tiene 11 jugadores. ¿De cuántas maneras se pueden elegir un capitán y un vicecapitán?

Variaciones con repeticion:

Se usan cuando hay n elementos disponibles y puedes tomar k, permitiendo repetirlos, pero el orden sigue import

Ejemplo: Si hay 5 tipos de helado y quieres pedir un combo con 3 sabores (donde puedes repetir sabores), el núme
Por lo tanto hay 125 combos posibles
 VARIACIONES

uántas maneras se pueden ordenar un subconjunto de elementos tomados de un conjunto mayor, también existen de 2 tipos.

en un orden específico, las variaciones se calculan así V(𝑛,𝑘)=𝑛!/((𝑛−𝑘)!)

digos de 3 letras sin repetir y en un orden específico: V(5, 3)=5!/((5−3)!)=(5 ×4 ×3 ×2 ×1)/2!=120/2=60

nar los 3 primeros lugares (oro, plata y bronce), usas variaciones:

B.

0
n 4 espacios, el número de maneras de hacerlo es:

362.880=110
un capitán y un vicecapitán?

petirlos, pero el orden sigue importando, su formula es: V^′ (n,k)=𝑛^𝑘

nde puedes repetir sabores), el número de maneras es: V^′ (5, 3)=5^3=125
yor, también existen de 2 tipos.

4 ×3 ×2 ×1)/2!=120/2=60
Ejemplo 1: En una clase de 30 estudiantes, 18 son mujeres y 12 son hombres. Si se selecciona un comité de 5 estu

Paso 1: : Determinar el espacio muestral

30!/(5!(30−5)!)=30!/5!(25)!=(30×29×28×27×26)/(5×4×3×2×1)=17.100.720/120=142.506
El número total de formas de seleccionar 5 estudiantes de los 30 disponibles se calcula con combinaciones:

Paso 2: Casos favorables (exactamente 3 mujeres y 2 hombres)

Formas de elegir 3 mujeres de las 18 disponibles

18!/(3!(18−3)!)=18!/3!(15)!=(18×17×16)/(3×2×1)=4.896/6=816

12!/(2!(12−2)!)=12!/2!(10)!=(12×11×10)/2=132/2=66
Formas de elegir 2 hombres de los 12 disponibles

Total de formas de seleccionar 3 mujeres y 2 hombres:

816×66=53.856
Paso 3: Calcular la probabilidad

𝑃(𝐴)=53.856/( 142.506 )=0.3781 (37.81%)

La probabilidad de seleccionar exactamente 3 mujeres es:

Ejemplo 2: En una lotería se extraen 3 números de un total de 20. ¿Cuál es la probabilidad de acertar los 3 número

20!/(3!(20−3)!)=20!/(3!(17))=(20×19×18)/(3×2×1)=6840/6=1140
Paso 1: : Determinar el espacio muestral

Paso 2: casos favorables:

𝑃(𝐴)=1/1140=0.000877(0.087%)
Si jugamos solo 1 combinacion, los casos favorables es 1

Ejemplo 3: En una bolsa hay 5 caramelos de fresa, 4 de limón y 3 de menta. Si se extraen 2 caramelos al azar, ¿cuá

12!/(2!(12−2)!)=12!/2!(10)!=(12×11)/2=132/2=66
Paso 1: determinar el espacio muestral:

Paso 2: Casos favorables (sacar 2 caramelos de fresa)

5!/(2!(5−2)!)=5!/2!(3)!=(5×4)/2=20/2=10
El número de maneras de elegir 2 caramelos de fresa de los 5 disponibles es:

Paso 3: Calcular la probabilidad

𝑃(𝐴)=10/66=0.1515(15.15%)
La probabilidad de que ambos caramelos sean de fresa es:
 Aplicacion multiple

Si se selecciona un comité de 5 estudiantes al azar, ¿cuál es la probabilidad de que exactamente 3 sean mujeres?

1)=17.100.720/120=142.506
calcula con combinaciones:

816

probabilidad de acertar los 3 números si se juega una sola combinación?

i se extraen 2 caramelos al azar, ¿cuál es la probabilidad de que ambos sean de fresa?

nte 3 sean mujeres?
𝑃(𝐴│𝐵)=(𝑃(𝐵│𝐴)∗𝑃(𝐴))/(𝑃(𝐵))
El Teorema de Bayes es una regla en probabilidad que permite actualizar nuestras creencias sobre un evento a la lu

Donde:
P(A∣B) es la probabilidad posterior de A dado que ha ocurrido B.
P(B∣A)es la probabilidad condicional de B dado que A es verdadero.
P(A) es la probabilidad previa de A (antes de conocer B).
P(B) es la probabilidad total de B, que se calcula considerando todos los posibles casos en los que B podría ocurri

Ejemplo:
Supongamos que el 1% de una población tiene una enfermedad (A), y hay una prueba que da positivo en el 90% de
falsos positivos en el 5% de los casos cuando la persona no tiene la enfermedad (P(B ∣¬A)=0.05).
Queremos calcular la probabilidad de que una persona tenga la enfermedad si su prueba sale positiva (P(A ∣B)). Apl

𝑃(𝐴│𝐵)=(𝑃(𝐵│𝐴)∗𝑃(𝐴))/(𝑃(𝐵))
Donde P(B) = P(B|A)P(A) + P(B|¬A)P(¬A)
Sustituimos: P(B) = (0.9 x 0.01) + (0.05 x 0.99) = 0.009 + 0.0495 = 0.0585

𝑃(𝐴│𝐵)=(0.9∗0.01)/0.0585=0.009/0.0585=0.154

Esto significa que, aunque la prueba dé positivo, la probabilidad real de tener la enfermedad es solo 15.4%, debido
El Teorema de Bayes es ampliamente utilizado en inteligencia artificial, medicina, aprendizaje automático y mucha

Ejemplo 2: Diagnóstico médico

Supongamos que una enfermedad afecta al 1% de la población (P(A)=0.01). Existe una prueba para detectar la enfe
Si una persona tiene la enfermedad, la prueba es positiva en el 99% de los casos (P(B ∣A) = 0.99).
Si una persona no tiene la enfermedad, la prueba es positiva en el 5% de los casos (P(B ∣¬A) = 0.05).
Si una persona obtiene un resultado positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad?

Donde P(B) = P(B|A)P(A) + P(B|¬A)P(¬A)

𝑃(𝐴│𝐵)=(𝑃(𝐵│𝐴)∗𝑃(𝐴))/(𝑃(𝐵))
P(B) = 0.99 x 0.01 + 0.05 x 0.99 = 0.0594

𝑃(𝐴│𝐵)=(0.99∗0.01)/0.0594=0.166
Es decir, hay un 16.67% de probabilidad de que la persona tenga la enfermedad a pesar del resultado positivo.

Ejemplo 3: Spam en correos electrónicos

Un filtro de spam clasifica los correos como "spam" o "no spam" basándose en la presencia de ciertas palabras. Sup
El 20% de los correos son spam (P(A) = 0.20).
Si un correo es spam, la palabra "oferta" aparece en el 50% de los casos (P(B ∣A) = 0.50).
Si un correo no es spam, la palabra "oferta" aparece en el 5% de los casos (P(B ∣¬A) = 0.05).
Si un correo contiene la palabra "oferta", ¿cuál es la probabilidad de que sea spam?

Donde P(B) = P(B|A)P(A) + P(B|¬A)P(¬A)

P(B) = 0.50 x 0.20 + 0.05 x 0.80 = 0.14

𝑃(𝐴│𝐵)=(0.50∗0.20)/0.14=0.1/0.14=0.7142

Es decir, hay un 71.42% de probabilidades de que el correro sea spam si contiene la palabra "oferta".

Ejemplo 4: Lanzamiento de un dado

Tienes dos dados, uno justo (todas las caras tienen igual probabilidad) y otro cargado (con un 50% de probabilidad
hayas escogido el dado cargado?
P(B∣A) = 0.5 (probabilidad de sacar un 6 con el dado cargado).
𝑃(𝐴│𝐵)=(0.50∗0.20)/0.14=0.1/0.14=0.7142

Es decir, hay un 71.42% de probabilidades de que el correro sea spam si contiene la palabra "oferta".

Ejemplo 4: Lanzamiento de un dado

Tienes dos dados, uno justo (todas las caras tienen igual probabilidad) y otro cargado (con un 50% de probabilidad
hayas escogido el dado cargado?

P(B∣¬A) = 1/6​(probabilidad de sacar un 6 con el dado justo).

P(B∣A) = 0.5 (probabilidad de sacar un 6 con el dado cargado).

P(B)= 0.5 x 0.5 + 1/6 x 0.5 = 0.25 + 0.0833 = 0.3333

Donde P(B) = P(B|A)P(A) + P(B|¬A)P(¬A)

𝑃(𝐴│𝐵)=(0.5∗0.5)/0.3333=0.25/0.3333=0.7500
Es decir, hay un 75% de probabilidad de que hayas escogido el dado cargado.
 Teorema de Bayes

tras creencias sobre un evento a la luz de nueva evidencia. Se basa en la probabilidad condicional y se expresa matemáticamente

bles casos en los que B podría ocurrir.

prueba que da positivo en el 90% de los casos cuando la persona realmente tiene la enfermedad (P(B ∣A)=0.9). Sin embargo, la pr
(P(B ∣¬A)=0.05).
u prueba sale positiva (P(A ∣B)). Aplicamos el Teorema de Bayes:

enfermedad es solo 15.4%, debido a la alta tasa de falsos positivos.

na, aprendizaje automático y muchas otras áreas para actualizar predicciones basadas en nueva información

iste una prueba para detectar la enfermedad, pero no es perfecta:

s (P(B ∣A) = 0.99).
os (P(B ∣¬A) = 0.05).
almente tenga la enfermedad?

d a pesar del resultado positivo.

la presencia de ciertas palabras. Supongamos:

A) = 0.50).
∣¬A) = 0.05).
am?

ne la palabra "oferta".

rgado (con un 50% de probabilidad de sacar un 6). Escoges un dado al azar (P(A) = 0.5) y lo lanzas, obteniendo un 6. ¿Cuál es la
ne la palabra "oferta".

rgado (con un 50% de probabilidad de sacar un 6). Escoges un dado al azar (P(A) = 0.5) y lo lanzas, obteniendo un 6. ¿Cuál es la
ional y se expresa matemáticamente como:

dad (P(B ∣A)=0.9). Sin embargo, la prueba también da

va información

lanzas, obteniendo un 6. ¿Cuál es la probabilidad de que

lanzas, obteniendo un 6. ¿Cuál es la probabilidad de que
𝑃(𝐴)=𝑃(𝐴│𝐵_1 )𝑃(𝐵_1 )+𝑃(𝐴│𝐵_2 )𝑃(𝐵_2 ) +_(…….)+𝑃(𝐴│𝐵_𝑛 )𝑃(𝐵_𝑛 )
El Teorema de la Probabilidad Total permite calcular la probabilidad de un evento A cuando este puede ocurrir de

Se divide el problema en varios casos 𝐵_𝑖​, que son eventos que forman una partición del espacio muestral.
Resumen

Calcula la probabilidad de A en cada caso ( 𝑃(𝐴│𝐵_𝑖 )).

Pondera cada caso por la probabilidad de que ocurra ( 𝑃(𝐵_𝑖 )).
Suma todos los resultados para obtener P(A).

Ejemplo:
Supongamos que en una fábrica hay tres máquinas (M1, M2 y M3) que producen tornillos. Cada máquina produce
M1 produce el 50% de los tornillos y tiene un 2% de defectuosos.
M2 produce el 30% de los tornillos y tiene un 3% de defectuosos.
M3 produce el 20% de los tornillos y tiene un 5% de defectuosos.

Si seleccionamos un tornillo al azar, ¿cuál es la probabilidad de que sea defectuoso?

Solución:
Definimos los eventos:

𝐵_1​= "El tornillo proviene de M1".

D = "El tornillo es defectuoso".

𝐵_2 = "El tornillo proviene de M2".

𝐵_3 = "El tornillo proviene de M3".
Aplicamos el Teorema de la Probabilidad Total:

𝑃(𝐴)=𝑃(𝐴│𝐵_1 )𝑃(𝐵_1 )+𝑃(𝐴│𝐵_2 )𝑃(𝐵_2 )+𝑃(𝐴│𝐵_3 )𝑃(𝐵_3 )

𝑃(𝐴)=𝑃(0.2 ×0.50)+𝑃(0.3 ×0.30)+𝑃(0.5×0.20)

Sustituyendo los valores:

𝑃(𝐴)=0.1+0.009+0.01=0.029
Por lo tanto, la probabilidad de seleccionar un tornillo defectuoso es 0.029 o 2.9%.
 Teorema de probabilidad total

vento A cuando este puede ocurrir debido a varias causas mutuamente excluyentes 𝐵_1,𝐵_2,…….𝐵_(𝑛. )Se expresa así:
𝐵_𝑛 )𝑃(𝐵_𝑛 )

rtición del espacio muestral.

en tornillos. Cada máquina produce un porcentaje diferente de la producción total y tiene distintas tasas de defectos:

oso?

9%.
2,…….𝐵_(𝑛. )Se expresa así:

tintas tasas de defectos:

La probabilidad es una rama de las matemáticas que estudia la posibilidad de que ocurran ciertos eventos. Se u
más.
Ejemplo: Si lanzamos una moneda, hay dos posibles resultados: cara o cruz. La probabilidad de obtener cara e

Conce
Antes de definir la probabilidad, es importante conocer algunos conceptos clave:
Experimento aleatorio: Es un experimento cuyo resultado no se puede predecir con certeza.
Ejemplo: Lanzar un dado (puede salir cualquier número del 1 al 6).
Espacio muestral (S): Conjunto de todos los posibles resultados de un experimento.
Ejemplo: En un dado, S={1,2,3,4,5,6}.
Evento (E): Un subconjunto del espacio muestral. Es un conjunto de resultados posibles.
Ejemplo: Que salga un número par al lanzar un dado → E={2,4,6}.
Evento seguro: Es el que siempre ocurre.
Ejemplo: Al lanzar un dado, obtener un número entre 1 y 6.
Evento imposible: Es el que nunca ocurre.
Ejemplo: Obtener un 7 al lanzar un dado.

Modelo de urna
Se usan para contar de manera eficiente sin listar todos los casos posibles.
Modelos de urnas
Se refiere a experimentos donde se extraen objetos de una urna con o sin reemplazo.
El conteo por enumeración de elementos
Se cuentan los posibles resultados de un experimento listándolos. Funciona bien cuando hay pocos elementos.
El conteo a través de diagramas de árbol
Se usa cuando hay múltiples etapas en un experimento. Cada rama representa una posible elección.
Teorema fundamental del conteo
Si un evento puede ocurrir de m maneras y otro de n maneras, el número total de formas en que pueden ocurrir a
Ejemplo: Si puedes elegir 3 tipos de pan y 4 tipos de relleno para un sándwich, hay 3×4 = 12 combinaciones po
El principio de adición
Si un evento A puede ocurrir de m maneras y un evento B de n maneras, y no pueden ocurrir simultáneamente, e
Ejemplo: Si tienes 5 camisas y 3 pantalones, y solo eliges una prenda, hay 5+3 = 8 opciones.

Concepto
La probabilidad mide la frecuencia con la que ocurre un evento dentro del espacio muestral.

𝑃(𝐸)=(𝐶𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠)/(𝐶𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 )

La probabilidad de un evento E se calcula como:

Donde:
Casos favorables: Cantidad de resultados que cumplen el evento.
Casos posibles: Número total de resultados del espacio muestral.
Ejemplo: Calcular la probabilidad de obtener un número par en un dado:

𝑃(𝐸)=3/(6 )=0,5(50%)

Probabili
La probabilidad condicional mide la probabilidad de que ocurra un evento A dado que ya ha ocurrido otro eve

𝑃(𝐴|𝐵)=(𝑃(𝐴∩𝐵) )/(𝑃(𝐵) )

Donde:
P(A∣B) es la probabilidad de A dado que B ya ocurrió.
P(A∩B) es la probabilidad de que ocurran A y B al mismo tiempo.
P(B) es la probabilidad de que ocurra B.
Ejemplo: En una bolsa con 5 bolas rojas y 3 azules, si sacamos una bola al azar y sabemos que es roja, ¿cuál es
Después de sacar una bola roja, quedan 4 rojas y 3 azules, entonces:

𝑃(𝑅_2 |𝑅_1 )=(4 )/(7 )=0,57(57%)

Donde:
P(A∣B) es la probabilidad de A dado que B ya ocurrió.
P(A∩B) es la probabilidad de que ocurran A y B al mismo tiempo.
P(B) es la probabilidad de que ocurra B.
Ejemplo: En una bolsa con 5 bolas rojas y 3 azules, si sacamos una bola al azar y sabemos que es roja, ¿cuál es
Después de sacar una bola roja, quedan 4 rojas y 3 azules, entonces:

𝑃(𝑅_2 |𝑅_1 )=(4 )/(7 )=0,57(57%)

Teoremas de pr
Algunos de los teoremas más importantes en probabilidad condicional son:
Teorema de la multiplicación

𝑃(𝐴∩𝐵)=𝑃(𝐵)⋅𝑃(𝐴∣𝐵)
Permite calcular la probabilidad de que ocurran dos eventos dependientes:

Donde:
P(A∩B) es la probabilidad de que ocurran A y B al mismo tiempo.
P(A) es la probabilidad de que ocurra el evento A.
P(B∣A) es la probabilidad de que ocurra B dado que A ya sucedió.

Ejemplo 1: Sacar dos cartas rojas de una baraja sin reposición

Supongamos que tenemos una baraja de 52 cartas y queremos calcular la probabilidad de sacar dos cartas roja
Paso 1: Definir los eventos
Evento A: Sacar una carta roja en el primer intento.
Evento B: Sacar otra carta roja en el segundo intento.
Paso 2: Calcular las probabilidades
En la primera extracción, hay 26 cartas rojas en una baraja de 52 cartas

𝑃(𝐸)=26/52
Si ya sacamos una carta roja, quedan 25 cartas rojas y 51 cartas en total

𝑃(𝐵│𝐴)=25/51

𝑃(𝐴∩𝐵)=𝑃(𝐵)⋅𝑃(𝐴∣𝐵)
Paso 3: Aplicar el teorema de la multiplicación

𝑃(𝐴∩𝐵)=26/52×25/51=650/2652=0.245
Resultado: La probabilidad de sacar dos cartas rojas seguidas sin reposición es 24.5%

Ejemplo 2: Extraer dos bolas blancas de una urna

Supongamos que una urna contiene:
3 bolas blancas
5 bolas negras
Se extraen dos bolas sin reposición. ¿Cuál es la probabilidad de que ambas sean blancas?
Paso 1: Definir los eventos
Evento A: Sacar una bola blanca en el primer intento.
Evento B: Sacar otra bola blanca en el segundo intento.
Paso 2: Calcular las probabilidades
En la primera extracción, hay 3 bolas blancas en un total de 8 bolas:

𝑃(𝐸)=3/8

𝑃(𝐵│𝐴)=2/7
Si ya sacamos una bola blanca, quedan 2 bolas blancas en un total de 7 bolas:

𝑃(𝐴∩𝐵)=𝑃(𝐴)⋅𝑃(𝐵∣𝐴)
Paso 3: Aplicar el teorema de la multiplicación

𝑃(𝐴∩𝐵)=3/8×2/7=6/56=3/28=0.107
Resultado: La probabilidad de extraer dos bolas blancas seguidas es 10.7%.

Probabi
Se basa en experimentos reales y observaciones.
Ejemplo: Si lanzas una moneda 100 veces y cae 55 veces en cara, la probabilidad empírica de cara es 55/100 =
 Probabi
Se basa en experimentos reales y observaciones.
Ejemplo: Si lanzas una moneda 100 veces y cae 55 veces en cara, la probabilidad empírica de cara es 55/100 =
 Probabilidad

que ocurran ciertos eventos. Se usa para modelar la incertidumbre en diversas áreas como estadística, economía, juegos de az

La probabilidad de obtener cara es 50% o 0.5.

Conceptos básicos
e:
ir con certeza.

mento.

s posibles.

Modelo de urnas y técnicas de conteo

lazo.

n cuando hay pocos elementos.

na posible elección.

de formas en que pueden ocurrir ambos eventos es m×n.

hay 3×4 = 12 combinaciones posibles.

ueden ocurrir simultáneamente, entonces el número total de formas en que puede ocurrir A o B es m+n.
= 8 opciones.

Concepto de probabilidad
acio muestral.

Probabilidad condicional
dado que ya ha ocurrido otro evento B. Se expresa como:

r y sabemos que es roja, ¿cuál es la probabilidad de que la siguiente también sea roja?
r y sabemos que es roja, ¿cuál es la probabilidad de que la siguiente también sea roja?

Teoremas de probabilidad condicional

abilidad de sacar dos cartas rojas seguidas, sin devolver la primera carta a la baraja.

s 24.5%

n blancas?

Probabilidad empírica

ad empírica de cara es 55/100 = 0.55.

 Probabilidad empírica

ad empírica de cara es 55/100 = 0.55.

tadística, economía, juegos de azar, ciencia de datos y

B es m+n.
º
Es la rama de la estadística que se encarga de recopilar, organizar, resumir y presentar datos de manera clara y c
los datos observados.
Objetivo
Proporcionar un resumen claro de la información, utilizando tablas, gráficos y medidas numéricas.
Herramientas principales
Medidas de tendencia central (representan el valor típico de un conjunto de datos):
Media (promedio)
Mediana (valor central)
Moda (valor más frecuente)
Medidas de dispersión (muestran qué tanto varían los datos):
Rango (diferencia entre el mayor y menor valor)
Varianza (mide la dispersión de los datos respecto a la media)
Ejemplo:
Notas: 70, 80, 90
Media: 80

(70−80)^2=(10)^2=100
Diferencia con la media y al cuadrado:

(80−80)^2=(0)^2=0
(90−80)^2=(10)^2=100
Varianza:

(100+0+100)/3=200/3=66.67
Desviación estándar (Es la raíz cuadrada de la varianza, indicando cuánto se alejan los valores de la media)
Distribuciones de frecuencia (indican la cantidad de veces que ocurre un valor).
Representaciones gráficas (histogramas, diagramas de barras, gráficos de pastel, diagramas de caja).
Ejemplo
Una empresa encuestó a 100 empleados sobre su salario. La estadística descriptiva puede mostrar:
Media salarial: $2,500 USD
Mediana salarial: $2,400 USD
Gráfico de barras con la cantidad de empleados en cada rango salarial
Estos datos permiten entender la distribución de los salarios sin hacer predicciones.

Inferencia
Es la rama de la estadística que permite hacer predicciones, estimaciones o tomar decisiones basadas en datos mu
Objetivo
Extraer conclusiones generales a partir de un conjunto limitado de datos (muestra).
Herramientas principales
Estimación de parámetros:
Intervalos de confianza (rango de valores donde probablemente se encuentra el valor real).
Estimación puntual (un solo valor que estima el parámetro poblacional).
Ejemplo:
Si tomas una muestra de 200 estudiantes y calculas que su edad promedio es 21 años, entonces 21 es la estimación

Pruebas de hipótesis:
Se usa para comprobar si una afirmación sobre una población es cierta o falsa (Ejemplo: "el 60% de los clientes está
Regresión y correlación:
Análisis para ver cómo se relacionan dos o más variables.
Ejemplo
Si se quiere conocer el salario promedio de todos los empleados de una empresa con 10,000 trabajadores, no sería
estima el salario promedio de la empresa completa utilizando métodos inferenciales.
Regresión y correlación:
Análisis para ver cómo se relacionan dos o más variables.
Ejemplo
Si se quiere conocer el salario promedio de todos los empleados de una empresa con 10,000 trabajadores, no sería
estima el salario promedio de la empresa completa utilizando métodos inferenciales.
 Estadística descriptiva
presentar datos de manera clara y comprensible. No busca hacer predicciones ni generalizar los resultados a una población más

y medidas numéricas.

atos):

jan los valores de la media)

r).
el, diagramas de caja).

iva puede mostrar:

ones.

Inferencia Estadística
mar decisiones basadas en datos muestrales. Utiliza probabilidades para extrapolar los resultados de una muestra a toda la po

tra).

valor real).

1 años, entonces 21 es la estimación puntual de la edad promedio de todos los estudiantes de la universidad.

Ejemplo: "el 60% de los clientes están satisfechos con el servicio").

sa con 10,000 trabajadores, no sería práctico encuestar a todos. En su lugar, se toma una muestra de 200 empleados y, con base e
ales.
sa con 10,000 trabajadores, no sería práctico encuestar a todos. En su lugar, se toma una muestra de 200 empleados y, con base e
ales.
 los resultados a una población más grande; solo describe

ltados de una muestra a toda la población.

de la universidad.

estra de 200 empleados y, con base en esos datos, se

estra de 200 empleados y, con base en esos datos, se
 Anális
El análisis estadístico descriptivo es una rama de la estadística que se centra en resumir, organizar y presentar
Medidas de tendencia central: media, mediana y moda.
Medidas de dispersión: rango, varianza, desviación estándar.
Distribuciones de frecuencia: tablas y gráficos que muestran cómo se distribuyen los datos.
Representaciones gráficas: histogramas, diagramas de barras, diagramas de caja, etc.
Este análisis es útil para entender el comportamiento de los datos antes de aplicar técnicas estadísticas más avan

Úni
Un carácter en estadística representa una propiedad o atributo de los elementos analizados. Se dice que es "únic
la vez.
Ejemplo: Si se analiza la edad de los estudiantes en una universidad, el "único carácter" estudiado es la edad.

Estadística
El término estadística tiene dos acepciones principales:
Como disciplina científica: La estadística es la rama de las matemáticas que estudia la recolección, organizació
Como conjunto de datos numéricos: Una "estadística" es cualquier dato que resume una característica de un c
Ejemplo:
Disciplina: "La estadística nos ayuda a entender patrones en los datos".
Dato numérico: "El 80% de los clientes están satisfechos con el servicio".

Poblac
Es el conjunto total de elementos sobre los que se quiere obtener información en un estudio estadístico. Puede
Ejemplo:
Si se quiere analizar la estatura promedio de los adolescentes en Colombia, la población de interés son todos los
Si se estudia la calidad de los celulares de una marca específica, la población de interés son todos los celulares

Elementos y ta
Elemento: Es cada unidad individual dentro de la población de interés. Puede ser una persona, un objeto, una m
Tamaño de la población: Es la cantidad total de elementos dentro de la población.
Ejemplo:
En un estudio sobre empleados de una empresa, cada empleado es un elemento y el número total de empleados
En un censo nacional, cada ciudadano es un elemento, y el tamaño de la población es la cantidad total de ciud

Carácte
Es la característica o propiedad que se mide en cada elemento de la población. Se puede clasificar en:
a) Carácter cuantitativo:
Expresado con valores numéricos y permite realizar operaciones matemáticas. Puede ser:
Discreto: Toma valores enteros (ejemplo: número de hijos, cantidad de autos en un estacionamiento).
Continuo: Puede tomar valores decimales (ejemplo: altura, peso, temperatura).
b) Carácter cualitativo:
No se expresa con números, sino con categorías o etiquetas. Puede ser:
Nominal: No tiene orden específico (ejemplo: color de ojos, estado civil).
Ordinal: Tiene un orden natural (ejemplo: nivel educativo: primaria, secundaria, universidad).

Representación analític
Para entender los datos, se pueden representar de dos formas principales:
Analítica: Uso de medidas numéricas para describir la distribución de datos. Ejemplos:
Media (promedio)
Mediana (valor central)
Moda (valor más frecuente)
Desviación estándar (qué tanto varían los datos)
Gráfica: Uso de gráficos para visualizar la distribución de los datos. Algunos tipos comunes:
Histograma: Barras continuas que representan la frecuencia de valores numéricos.
Gráfico de barras: Similar al histograma, pero con barras separadas para datos cualitativos.
Diagrama de caja (boxplot): Muestra la mediana, los cuartiles y valores atípicos.
Gráfica de dispersión: Relaciona dos variables numéricas.
Media (promedio)
Mediana (valor central)
Moda (valor más frecuente)
Desviación estándar (qué tanto varían los datos)
Gráfica: Uso de gráficos para visualizar la distribución de los datos. Algunos tipos comunes:
Histograma: Barras continuas que representan la frecuencia de valores numéricos.
Gráfico de barras: Similar al histograma, pero con barras separadas para datos cualitativos.
Diagrama de caja (boxplot): Muestra la mediana, los cuartiles y valores atípicos.
Gráfica de dispersión: Relaciona dos variables numéricas.

Reducción est
La tabulación es el proceso de resumir datos en tablas organizadas para facilitar su análisis. Se utiliza para agru
Ejemplo:
Si se encuestan 100 personas sobre su nivel educativo, se puede hacer una tabla con la cantidad de personas en c

Distribucio
Una distribución de frecuencias muestra cuántas veces ocurre cada valor en un conjunto de datos. Puede prese
Frecuencia absoluta: Número total de veces que aparece un valor.
Frecuencia relativa: Porcentaje del total de observaciones.
Frecuencia acumulada: Suma progresiva de las frecuencias absolutas.
Ejemplo de distribución de frecuencia de edades de estudiantes:

Representación g
Es la forma visual de mostrar la distribución de frecuencias. Algunas de las principales representaciones son:
Histograma: Barras continuas para variables cuantitativas.
Polígono de frecuencias: Línea que conecta los puntos medios de las barras de un histograma.
Diagrama de barras: Barras separadas para variables cualitativas.
Diagrama de sectores (gráfico de pastel): Representación en porcentajes de las categorías de una variable cual
Diagrama de caja (boxplot): Muestra los valores atípicos y la dispersión de los datos.
Gráfica de dispersión: Relaciona dos variables numéricas.
 Conceptos de probabilidad

Análisis descriptivo
n resumir, organizar y presentar los datos de manera comprensible, sin hacer inferencias o predicciones sobre una población m

yen los datos.

aja, etc.
ar técnicas estadísticas más avanzadas.

Único carácter
s analizados. Se dice que es "único" cuando todos los elementos del estudio comparten esa misma característica, es decir, se e

carácter" estudiado es la edad.

Estadística (doble acepción)

studia la recolección, organización, análisis e interpretación de datos. Su objetivo es convertir datos en información útil para l
esume una característica de un conjunto de valores. Por ejemplo, la media de las calificaciones de un grupo de estudiantes es

Población de interés
en un estudio estadístico. Puede ser un grupo de personas, objetos o fenómenos.

oblación de interés son todos los adolescentes en Colombia.

e interés son todos los celulares de esa marca.

Elementos y tamaño de la población

er una persona, un objeto, una medición, etc.
ión.

o y el número total de empleados en la empresa es el tamaño de la población.

lación es la cantidad total de ciudadanos en el país.

Carácter (estadístico)
Se puede clasificar en:

Puede ser:
n un estacionamiento).

a, universidad).

Representación analítica y gráfica de una distribución

Ejemplos:

pos comunes:
cos.
s cualitativos.
os.
 pos comunes:
cos.
s cualitativos.
os.

Reducción estadística (tabulación)

r su análisis. Se utiliza para agrupar datos y ver patrones más claramente.

con la cantidad de personas en cada categoría:

Distribuciones de frecuencias
n conjunto de datos. Puede presentarse en:

Representación gráfica de distribuciones

ncipales representaciones son:

un histograma.

as categorías de una variable cualitativa.

s datos.
 edicciones sobre una población más grande. Se basa en:

isma característica, es decir, se estudia una sola variable a

r datos en información útil para la toma de decisiones.

nes de un grupo de estudiantes es una estadística.