1

Probabilidades

BREVE RESEA HISTORICA

Desde los comienzos de la civilizacin han existido formas sencillas de estadstica, pues
ya se utilizaban representaciones grficas y otros smbolos en pieles, rocas, palos de
madera y paredes de cuevas para contar el nmero de personas, animales o ciertas
cosas. Hacia el ao 3000 a.C. los babilonios usaban ya pequeas tablillas de arcilla
para recopilar datos en tablas sobre la produccin agrcola y de los gneros vendidos o
cambiados mediante trueque.
El registro de nacimientos y defunciones comenz en Inglaterra a principios del siglo
XVI, y en 1662 apareci el primer estudio estadstico notable de poblacin, titulado
Observations on the London Bills of Mortality (Comentarios sobre las partidas de
defuncin en Londres). Un estudio similar sobre la tasa de mortalidad en la ciudad de
Breslau, en Alemania, realizado en 1691, fue utilizado por el astrnomo ingls Edmund
Halley como base para la primera tabla de mortalidad.
La teora de probabilidad surgi en el siglo XVII en Francia, con los juegos de azar. En
la sociedad francesa se realizaban reuniones con diversos entretenimientos de azar.
Como no haba restriccin legal, los juegos eran cada vez ms complejos y las sumas
apostadas considerables.
Antoine Gombaud, Caballero de Mer se interes en buscar a priori las posibilidades de
ganar y perder en cada juego, por lo que consult a un matemtico de nombre Blaise
Pascal. Este se interes en el tema, entablando correspondencia con Pierre Fermat y
otros matemticos de la poca.
As surgi el clculo de probabilidades, el que ha ido evolucionando hasta convertirse
en una importante rama de la Estadstica: la estadstica inferencial. Esta disciplina
estudia las caractersticas de una poblacin en base a una parte de la misma
denominada muestra, y permite obtener conclusiones sobre la poblacin con un cierto
nivel de confianza, medido en trminos de probabilidad. Es decir que la teora de
probabilidad permite medir el error que se comete al realizar una inferencia
estadstica.

INTRODUCCIN
Al considerar algunos fenmenos obtenidos en la observacin, se pueden formular
modelos matemticos (deterministas o probabilsticos) que sirvan para investigar tales
fenmenos en forma bastante precisa.
El modelo determinista estipula que las condiciones en las que se verifica un
experimento determinan el resultado del mismo. Por ejemplo, las leyes gravitacionales
describen con precisin lo que sucede a un cuerpo que cae en ciertas condiciones, las
leyes de Kepler indican el comportamiento de los planetas, etc.
Hay tambin otros fenmenos que necesitan un modelo no determinista (denominado
tambin probabilstico o estocstico) para su investigacin. Por ejemplo, la cantidad de
Lic. Ruben A. Baquel

2
Probabilidades
lluvia cada debido a una tormenta que se aproxima, el nmero de partculas emitidas
durante un intervalo de tiempo, etc.

DEFINICIONES

EXPERIMENTO ALEATORIO

Un experimento aleatorio o no determinista (E) es aquel que pudiendo repetirse de

manera indefinida en condiciones anlogas o similares, puede presentar distintos
resultados en cada repeticin particular.
Surgen pues, dos condiciones:
La experiencia se realiza bajo las mismas condiciones (constante)
El resultado de cada experimento no se puede predecir (es aleatorio)
La aleatoriedad es el elemento que garantiza la falta de certeza, la imprevisibilidad, la
imposibilidad de prediccin. Por ejemplo: tirar un dado, extraer una carta de un mazo,
medir la temperatura, son experimentos aleatorios.

ESPACIO MUESTRAL

El espacio muestral, conjunto fundamental o espacio de probabilidad (S) es el conjunto

de todos los resultados posibles de un experimento aleatorio E.
Ejemplos:
E1 = se lanza una moneda una vez y se observa la aparicin o no de cara
{cara, ceca}

S1 =

E2 = se lanza una moneda cuatro veces y se cuenta el nmero de caras

{0,1,2,3,4}

S2 =

E3 = se tira un dado hasta obtener un as

S3 = {1, 51, 204, 387, .}

E4 = se mide la temperatura horaria durante un mes del ao 2015

< M}= (m;M)

S4 = {x/m < x

Donde m y M indican las temperaturas mnimas y mximas.

Analizando el nmero de resultados posibles en un espacio muestral, surgen tres
posibilidades: el espacio muestral puede ser finito, infinito numerable o infinito no
numerable. Refirindose a los ejemplos anteriores, notemos que S 1 y S2 son finitos, S3
es infinito numerable y S4 es infinito no numerable.
Indicaremos con n al nmero de veces que se repite el experimento, con N al nmero
total de resultados posibles del espacio muestral S y con s (s S) a cada uno de los
resultados posibles, denominado punto muestral.

Lic. Ruben A. Baquel

3
Probabilidades
Por ejemplo:
E5 = tirar una moneda legal
tira la moneda)

n = 2 (nmero de veces que se

S = { cc, cs, sc, ss }

posibles)
S1 = {cc }

S2 = {cs }

N = 4 (nmero de resultados

S3 = {sc }

S4 = {ss }

Los resultados posibles de un espacio muestral cumplen la condicin de simetra

cuando uno tiene el mismo peso respecto de los dems. En el ejemplo anterior, es tan
probable que aparezcan dos caras, como dos cecas, como cara ceca, como ceca cara.

SUCESOS

Un suceso o evento (A, B, C,.) es un posible subconjunto del espacio muestral S.

Es decir: A c S (El suceso A est incluido en el espacio muestral S).

S
Tomando el ejemplo anterior (E5), se pueden definir los siguientes sucesos:
A= aparicin de dos caras = {cc}

NA= 1

B= aparicin de una cara = {sc, cs}

N B= 1

C= aparicin de tres caras = {}

NC= 1

D= aparicin de alguna cara o ceca = S

ND= 1

Suceso imposible
Suceso cierto

Un suceso imposible es aquel que nunca puede ocurrir. Se lo representa a travs del
conjunto vaco ( c S)
Un suceso cierto es aquel que siempre ocurre. Coincide con el espacio muestral S. (S
c S)
Dado un suceso A, entonces la no aparicin de A (A c) est dado por el complemento
del suceso A respecto al espacio muestral S.
Es decir:

Ac = CS:A

Lic. Ruben A. Baquel

4
Probabilidades

A
S

Sean A y B dos sucesos. Luego A c S y B c S. entonces A B es el suceso que ocurre

slo si ocurre A solamente, B solamente o ambos.
Si A y B son conjuntos disjuntos, es decir A B = , entonces A y B nunca pueden
aparecer juntos. En este caso A y B se llaman mutuamente excluyentes o
incompatibles.

A
B

Si A y B no son sucesos mutuamente excluyentes, es decir que pueden aparecer

juntos, entonces A B es el suceso que ocurre solo si ocurren A y B conjuntamente.

A
B

Dos sucesos A y B son independientes si la aparicin de uno de ellos no condiciona la

aparicin del otro.
Por ejemplo:
1) Aparicin de dos ases al tirar un dado dos veces.
E = tirar un dado
n=2
A = primer as
B = segundo as
A y B son independientes
2) Obtener flor de espadas en el truco
E = extraer tres cartas sin reposicin de un mazo de 40
Lic. Ruben A. Baquel

5
Probabilidades
A = primer espada B = segunda espada
A y B y C no son independientes

C = tercer espada

DEFINICIN CLSICA DE PROBABILIDAD

La definicin clsica de probabilidad es la que figura en la obra de P. S. Laplace Teora
analtica de las probabilidades, publicada en 1812.
La probabilidad de que se presente un suceso es igual al nmero de casos favorables al
mismo dividido el nmero total de casos posibles, siempre y cuando stos sean
simtricos.

P ( A )=

NA
Nmero de casos favorables
=
N Nmero de casos posibles(simtricos)

Por ejemplo:
1) Determinar la probabilidad de obtener un seis al tirar un dado legal.
E= tirar un dado
n= 1
S = {1, 2, 3, 4, 5, 6}
N=6
A= aparicin de un seis= {6}
N A= 1
Por lo tanto P(A) = 1/6
2) Determinar la probabilidad de obtener una cara, al tirar dos monedas
simultneamente.
E= tirar dos monedas
n=1
S= {ss, cs, sc, cc}
N= 4
A= aparicin de una cara = {sc, cs}
N A= 2
Por lo tanto P(A) = 2/4 =
Un defecto de esta definicin es que no brinda un criterio para decidir cuando los casos
posibles pueden considerarse simtricos. Otro defecto es que a veces no se conocen
los casos posibles o el total de los mismos es muy grande (tiende a infinito).

DEFINICIN EMPRICA DE PROBABILIDAD

A mediados del siglo pasado Von Mises formul la siguiente definicin emprica de
probabilidad:
A la larga de una serie de repeticiones de un experimento aleatorio, cualquier suceso
tender a presentarse con una frecuencia relativa aproximadamente igual a la
probabilidad del mismo.
Sea E un experimento que se realiza n veces, en las cuales aparece n A veces el suceso
A. entonces el cociente nA/n es la frecuencia relativa de aparicin del suceso.
A medida que el nmero de repeticiones del experimento aumenta, los valores de la
frecuencia relativa difieren muy poco de un valor a otro. (esto se denomina propiedad
de estabilidad de las frecuencias relativas o regularidad estadstica) y tienden a
acercarse a un determinado valor. Cuando el nmero de pruebas es muy grande
(tiende a infinito) se est en el caso limite en el cual el valor de la frecuencia relativa
es la probabilidad del suceso.
Lic. Ruben A. Baquel

6
Probabilidades
nA
= P( A)
n
lim
n

Ejemplos:
1) Sea E= tirar una moneda; n= nmero de veces que se realiza el experimento y
nA= nmero de veces que aparece cara. Simulando la siguiente secuencia se
tiene que:

n
1
2
3
4
5
6
7
8
9

A
C
S
S
C
C
S
S
C
S

na
1
1
1
2
3
3
3
4
4

na/n
1
1/2
1/3
1/2
3/5
1/2
3/7
1/2
4/9

1,00
0,80
0,60
0,40
0,20
0,00
1

De donde se observa que

lim

nA
=1/2
n

2) se

toma nota del nmero de personas de una poblacin que fallecen a x aos. Si d x es el
nmero de personas que fallecen a los x aos de edad, dentro de un total l x de
personas consideradas, se puede decir que la probabilidad de vida a los x aos (o
sea, la probabilidad de que una persona de x aos llegue a cumplir x+1 aos) est
dada por (lx dx) / lx. Estos datos figuran en las llamadas tablas de mortalidad, que
varan segn la poblacin y el tiempo, en las que se basan los seguros de vida.

DEFINICIN
Sea un conjunto y una coleccin de subconjuntos de . Se dice que es un
lgebra de conjuntos o sigma-lgebra si se cumplen las siguientes propiedades:
1)
2)
3)
4)

Si A B A B
Si A

Ac

Si A B A B

Ejemplo:
E= tirar un dado
= {1, 2, 3, 4, 5, 6}
= {, {1}, {2},, {1,2},.., {1,2,3},.., {1,2,3,4,5,6}}
Lic. Ruben A. Baquel

7
Probabilidades
Definiendo los siguientes conjuntos:
A= aparicin de un nmero divisible por 3 = {3, 6}

B= aparicin de un nmero primo = {2, 3, 5}

A B = {3}

A B = {2,3,5,6}

AB

AB

DEFINICIN AXIOMTICA DE PROBABILIDAD

Sea un conjunto y un lgebra de conjuntos. Una funcin que asigna a cada
elemento de un nmero real se llama funcin de probabilidad P, si cumple con los
siguientes axiomas:
Si A
P () = 1
Si A B =

P(A) 0

P (AB) = P(A) + P (B)

Es decir que la funcin de probabilidad P es una aplicacin de en los reales ( P:

R) que cumple con los tres axiomas anteriores.
La coleccin {, , P } se denomina espacio de probabilidad
Observacin:
Para poder definir un espacio de probabilidad cuando es infinito, se necesitan
modificar las condiciones que deben cumplir S y P.
es un sigma lgebra, es decir una coleccin de subconjuntos de si cumple con la
siguiente condicin adicional:
Si A1, A2, A3,.., An A1 A2 A3 ..An

La funcin P de probabilidad adems debe cumplir que:

Si A1, A2, A3,.., An.

son sucesos mutuamente excluyentes de par en par, entonces:

P (A1 A2 A3 ..An..) = P (A1) + P (A2) + P (A3) +. + P (An) + ..

TEOREMAS DE PROBABILIDAD
I.

La probabilidad de un suceso es un nmero fraccionario comprendido entre 0 y

1.
0 P (A) 1

Lic. Ruben A. Baquel

8
Probabilidades
II.

La probabilidad del suceso imposible es igual a cero.

P () = 0

III.

La suma de las probabilidades de un suceso ms el suceso opuesto, es igual a

la unidad.
P (A) + P (A c) = 1

IV.

Si un suceso est incluido en otro, la probabilidad de aparicin de ambos es

igual a la probabilidad del suceso incluido.
Si A B P (A B) = P (A)

V.

Si un suceso est incluido en otro, la probabilidad del primero es menor o igual

a la del segundo.
Si A B P (A) P (B)

POSTULADO DE PROBABILIDAD TOTAL

Dados dos sucesos A y B, la probabilidad de aparicin de alguno de los dos sucesos
est dada por:
P (A B) = P (A B) = P (A) + P (B) P (A B)

A
S

Tomando:
A= (A B) (A Bc)
(A Bc) (Ac B)

B= (A B) (Ac B)

A B = (A B)

Por ejemplo:
Se extrae una carta de un mazo de 52. Hallar la probabilidad de que sea:
a) Trbol o corazn

b) trbol o figura
Lic. Ruben A. Baquel

9
Probabilidades

P (t c) = P (t) + P(c) = 13/52 + 13/52 = 26/52 =

P (t f) = P (t) + P (f) P (t y f) = 13/52 +12/52 -3/52 = 22/52 = 11/36
Dados tres sucesos, A, B y C, la probabilidad de aparicin de alguno de ellos estar
dada por:
P (A B C) = P (A) + P (B) + P (C) P(A y B) P (A y C) P (B y C) + P (A y B YC)
Tomando A B C = (A B) C la demostracin es sencilla.

PROBABILIDAD CONDICIONAL
Dados dos sucesos A y B, la probabilidad de aparicin de A habiendo ya ocurrido el
suceso B est dada por P (A / B). En forma anloga la P (B /A) indica la probabilidad
de que ocurra el suceso B dado que A ya sucedi.
P (A / B) = P (A B) / P (B)
y
P (B /A) = P (B A) / P (A)

POSTULADO DE PROBABILIDAD COMPUESTA

Dados los sucesos A y B, la probabilidad de aparicin de ambos sucesos est dada por:
P (A y B) = P (A B) = P (A) . P (B / A)
= P (B) . P (A /B)
Si A y B son sucesos independientes P (A y B) = P (A B) = P (A) . P (B)
Ejemplos:
Se extrae una carta de un mazo de 52. Calcular la probabilidad de obtener una figura
de diamante.
P (f y d) = P (d /f) . P (f) = 3/12 . 12/52 = 3/52 = 0.06
= P (f /d) . P (d) = 3/13 . 13/52 = 3/52 = 0.06
Se extraen dos cartas sucesivamente y con reposicin de un mazo de 52. Calcular la
probabilidad de que ambas sean de corazones.
P (c y c) = P (c) . P (c) = 13/52 . 13/52 = 1/16 = 0.0625
Dados tres sucesos A, B y C, la probabilidad compuesta estar dada por:
P (A y B Y C) = P (A B C) = P (A) . P (B/ A) . P (C /A y B)
= P (A). P (B). P (C) si los sucesos son
independientes

DIAGRAMAS DE RBOL
Es un diagrama que enumera todos los posibles resultados de un experimento
aleatorio, que puede realizarse en un nmero finito de veces.
Ejemplo:
Lic. Ruben A. Baquel

10
Probabilidades
Juan y Miguel juegan un partido de tenis al mejor de tres sets. Si los dos jugadores
tienen la misma probabilidad de ganar cada set, Cul es la probabilidad de que gane
Juan el partido?
P (gane Juan) = . + . . 1/2 + . .1/2 =

TABLA DE CONTINGENCIA
Cuando un experimento se realiza dos veces, o una vez con la presencia o no de dos
sucesos mutuamente excluyentes, el espacio muestral se puede esquematizar en una
tabla de doble entrada o tabla de contingencia 2x2.
Ejemplo:
En un examen se presentaron 100 alumnos, de los cuales 20 reprobaron y del total de
35 varones, 5 reprobaron. Determinar la probabilidad que en el prximo examen un
alumno sea varn o repruebe el examen.
P (v r) = P (v) + P (r) P (v y r)
= 35/100 + 20/100 5/100 = 1/2

v
5

m
15

T
20

rc

30

50

80

35

65

100

TEOREMA DE BAYES
Sean n sucesos A1, A2, A3,.., An mutuamente excluyentes y exhaustivos, por lo que
representan una particin del espacio muestral S.

1 A i A j = i j
2 i=1 n A i=S
Sea un nico suceso B que puede ocurrir asociado a algn A i , por lo que B se
denomina efecto y cada Ai causa.
Se conocen las siguientes probabilidades a priori:
La probabilidad de aparicin de cada una de las causas: P (Ai)
La probabilidad de aparicin del efecto B habiendo actuado la causa Ai: P (B /Ai)
Se quiere calcular la siguiente probabilidad a posteriori: la probabilidad de que
habiendo sucedido el efecto B, haya actuado una determinada causa Aj:
P (Aj /B)
Bajo estas condiciones, la frmula de Bayes est dada por:
Lic. Ruben A. Baquel

11
Probabilidades

P ( A j B )=

P ( A j ) . P(B A j )

P ( Ai ) . P(B A i)

Para demostrar se representan los sucesos Ai como una particin de S, B se puede

escribir como:
B = (A1 B) (A2 B) . (An B)
Ejemplo:
En una fbrica hay dos mquinas que producen el 30% y 70% de la produccin diaria
respectivamente. Por estadsticas anteriores se sabe que la primera mquina produce
un 2% de piezas defectuosas y la segunda un 3%. Se hace un control de calidad donde
se inspecciona una pieza al azar, que resulta defectuosa. Determinar la probabilidad de
que haya sido producida por la primera mquina.

P ( m1 d )=

P ( m1 d )=

P ( m1 ) . P(d m1)
P ( m1 ) . P ( d m1 ) + P ( m2 ) . P(d m2)
0,3 .0,02
=0,22
0,3. 0,02+0,7 .0,03

Lic. Ruben A. Baquel