L

a probabilidad es una parte de las matemticas; como tal, su construccin

terica es similar a la del lgebra o a la de la geometra: a partir de unas
cuantas premisas, llamadas axiomas, se deducen lgicamente otras armacio-
nes, denominados teoremas, los cuales constituyen un conjunto terico ms
amplio.
La teora axiomtica de probabilidad fue desarrollada por el matemtico
ruso Andrei Kolmogorov, quien en 1933 estableci los tres axiomas en los
que se sustenta, sin que pese la controversia en torno a las diferentes interpre-
taciones del trmino probabilidad. Con independencia de la interpretacin de
probabilidad que se utilice en cada problema particular, esta teora es correcta
y puede ser aplicada en forma muy til, si se satisfacen esos tres axiomas.
Familias de eventos
Si un evento A de un experimento est constituido por elementos que son a
su vez eventos asociados al experimento, es decir, si AeA, entonces se dice
que el evento A es una familia de eventos de O.
Una familia de eventos es nita si el nmero de eventos que la constituyen
es nito. Notacin:
{ }
1 2 n
A , A ,...A = A
Y una familia de eventos es innita, si el nmero de eventos que la consti-
tuyen es innito. Notacin:
{ }
1 2 3
= B
Las familias innitas siempre estn asociadas a experimentos cuyo nmero
de posibles resultados es innito.
La ocurrencia conjunta de los eventos pertenecientes a una familia de even-
tos nita { }
1 2 n
A , A ,...A = A est dada por:

La ocurrencia de al menos uno de los eventos pertenecientes a una familia
de eventos nita { }
1 2 n
A , A ,...A = A est dada por:
Una familia de eventos
{ }
1 2 n
A , A ,...A = A es cerrada con respecto a una
operacin en particular: unin, interseccin o complemento, si todos las ope-
raciones de ese tipo que puedan realizarse con los eventos
i
A , i 1,2,...,n eO =
dan como resultado eventos que tambin pertenecen a la familia A.
1.4.1
SIGMA LGEBRA
MEDIDA DE
PROBABILIDAD
1.4
i
n
i i
A i 1
A x | x A
e =

= e
`
)

A
i
n
i i
A i 1
A x | x A
e =

= e
`
)

A
Si no es as, la familia de eventos A es abierta con respecto a esa operacin
en particular.
lgebra de eventos.
Cuando una familia A de eventos de O es cerrada con respecto a las tres
operaciones fundamentales: unin, interseccin y complemento, se dice que A
es una lgebra de eventos o un campo de eventos.
Si A es un lgebra de eventos, entonces siempre tiene entre sus elementos
al menos dos eventos mutuamente exclusivos, adems de los eventos O y |.
Formalmente, un campo de eventos es una familia A de eventos del espacio
muestral O, que satisface las siguientes dos condiciones:
a) Si el evento A
i
del espacio muestral O pertenece a la familia A, entonces
su complemento A
c
tambin pertenece a la familia A:
c
i i
A A e e A A
b) Si los eventos A
i
y A
j
del espacio muestral O pertenecen a la familia A,
entonces su unin
i j
A A tambin pertenece a la familia A:
A partir de estas dos condiciones, se obtienen otras:
Sigma-lgebra de eventos
Una sigma-lgebra de eventos o sigma-campo, que se acostumbra escribir
en forma abreviada como: o-lgebra, es una coleccin A, de eventos de O, que
cumple con las siguientes tres condiciones:
a) El espacio muestral O pertenece a la familia A: OeA
b) Si el evento A pertenece a la familia A, entonces su complemento A
c

tambin pertenece a la familia A:
c
i i
A A e e A A
c) Si los eventos
1 2 3
A , A , A ,...
pertenecen a la familia A, entonces su unin
tambin pertenece a la familia A:
n
i
i 1
A
=
e

A
As, una -lgebra es una coleccin no vaca de eventos del espacio mues-
tral O, cerrada bajo las operaciones de complemento y de uniones innitas
numerables, donde los elementos de A son eventos de inters del experimento
aleatorio. Entonces, una -lgebra es una estructura que permite agrupar, de
manera selectiva, aquellos eventos cuya probabilidad interesa obtener.
Es evidente que una o-lgebra de eventos es una lgebra de eventos. La
diferencia entre una lgebra y una -lgebra radica en que la primera es una co-
leccin cerrada bajo uniones nitas mientras que la segunda es una coleccin
cerrada bajo uniones innitas numerables.
MEDIDA DE PROBABILIDAD
120
i j i j
A , A A A e e e A A A
i j i j
A , A A A e e e A A A
n
i i
i 1
A , i 1,2,...,n A
=
e = e

A A
n
i i
i 1
A , i 1,2,...,n A
=
e = e

A A
, | Oe e A A
De manera general, una o-lgebra es la estructura matemtico sobre los que
se pueden denir probabilidades de los eventos del espacio muestral O. En el
caso nito, las o-lgebras son lgebras, porque no hay uniones innitas.
A un conjunto cualquiera no vaco
C _ O
, se le pueden asociar varias
-lgebras: desde la mxima o-lgebra que contiene al conjunto C, que co-
rresponde al conjunto potencia de O, hasta la mnima o-lgebra que contiene
a ese conjunto C.
Si O es un espacio muestral cualquiera no vaco, la coleccin
{ }
1
, | = O A
es la mnima o-lgebra que se le puede asociar a O, con cardinal 2; la coleccin
{ }
c
2
, A, A , | = O A tambin es una o-lgebra que se le puede asociar a O, con
cardinal 4; la coleccin
{ }
c c c c
3
, A,B, A ,B , A B, A B , , si A B | | = O = A
tambin es una o-lgebra que se le puede asociar a O, con cardinal 8; y as,
sucesivamente.
Las propiedades de las lgebras y las o-lgebras se reeren a las operacio-
nes de unin, interseccin y complemento, que son precisamente las requeri-
das para establecer los eventos.
Un evento A, como conjunto de puntos muestrales, es un subconjunto del
espacio muestral O: A _ O y al mismo tiempo, es un elemento de la o-lgebra
A: AeA, y en esto se debe distinguir claramente el uso adecuado de los sm-
bolos de continencia y pertenencia, respectivamente.
Si el espacio muestral O es nito, su cardinal es n, y su mxima o-lgebra
A es el llamado conjunto potencia, cuyo cardinal es 2
n
.
Si el espacio muestral O es innito numerable, su cardinal es el nmero
transnito
0
, y su mxima o-lgebra A estara constituida por un nmero
innito
0
2

de eventos.
Si el espacio muestral O es continuo, contenido en el conjunto de los n-
meros reales: Oe, su cardinal es el nmero transnito
1

, y su mxima
o-lgebra A estara constituida por un nmero innito
1
2

de eventos.
Ntese que las tres colecciones anteriores asociadas al espacio muestral O,
efectivamente cumplen con las tres condiciones de la denicin de o-lgebra.
Una o-lgebra tambin cumple con las cuatro siguientes condiciones:
SIGMA-LGEBRA
12
| eA
1 2 3 i
i 1
A , A , A ,... A

=
e e

A A
A,B A B e e A A
( ) ( ) A,B A B B A e e A A
La interseccin de dos o-lgebras A
1
y A
2
asociadas a un evento C cual-
quiera, tambin es un o-lgebra asociado al evento C; la interseccin puede
ser nita, numerable o arbitraria. Evidentemente una o-lgebra interseccin es
ms pequea que las dos colecciones intersectadas:
1 2 1 2
, _ A A A A
Sigma-lgebra generada
Si C es una coleccin no vaca de eventos de O, la -lgebra generada por
C, denotada por (C), es la coleccin: ( )
C A
C o
_
= A

,
que es la interseccin de todas aquellas -lgebras que contienen a C y, por ende,
tambin es una -lgebra, es la mnima generada por C, porque es la -lgebra
ms pequea que contiene a la coleccin C: ( ) C C o _ _ A A
La o-lgebra mnima contiene al menos a la coleccin C, a su complemento
C
c
, al espacio muestral O y al conjunto vaco |.
Las -lgebras generadas tienen dos propiedades que resultan muy tiles en
la prctica:
a) La o-lgebra generada de una o-lgebra A es la o-lgebra A: ( ) o = A A
b) Si C
1
y C
2
son dos colecciones de subconjuntos de O, tales que la prime-
ra est contenida en la segunda:
1 2
C C _
, entonces ( ) ( )
1 2
C C o o _ .
Ejemplo 1.43. MOTORES. Considerando que x, y, z y w son las variables
binarias 0, 1, que indican el funcionamiento respectivo del primero, segundo,
tercero y cuarto motores de un avin, si el experimento consiste en observar el
funcionamiento de los cuatro motores sobre un tablero e interesa el evento A
que no falle ningn motor, determine la o-lgebra generada por A y calcule
su cardinal asociado.
El espacio muestral es:
El evento de inters es: A = {(0,0,0,0)}
La o-lgebra generada por A es: ( ) { }
c
A , A, A , o | = O , donde
c
A A = O
y el cardinal de o(A) es 4.
Ejemplo 1.44. CONMUTADOR. Si n representa el nmero de llamadas que
entran al conmutador en un minuto e interesa el evento B, que entren ms
de 10 llamadas, determine la o-lgebra generado por B y calcule su cardinal
asociado.
El espacio muestral es:
{ } 0,1,2,3,... O =
El evento de inters es:
{ } { } B n 10 11,12,13,... = > =
La o-lgebra generada por B es: ( ) { }
c
B ,B,B , o | = O , donde
{ }
c
B 0,1,2,...,10 = y el cardinal de o(B) es 4.
MEDIDA DE PROBABILIDAD
122
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
0,0,0,0 , 1,0,0,0 , 0,1,0,0 , 0,0,1,0 ,
0,0,0,1 , 1,1,0,0, , 1,0,1,0 , 1,0,0,1 ,
0,1,1,0 , 0,1,0,1 , 0,0,1,1 , 1,1,1,0 ,
1,1,0,1 , 1,0,1,1 , 0,1,1,1 , 1,1,1,1



O =
`


)
Ejemplo 1.45. FUTBOL. Considere el experimento consistente en observar
si el Atlante gana, empata o pierde su prximo partido; determine la o-lgebra
asociada a esa coleccin de tres resultados y calcule su cardinal asociado.
El espacio muestral es:
{ } { } gana,empata,pierde g,e, p O = =
Los eventos de inters son: {g}, {e}y {p}
La o-lgebra generada por esta coleccin de eventos es:
{ } { } { } ( ) { } { } { } { } { } { } { } { }
g , e , p , g , e , p , g,e , g, p , e, p , g,e, p o | =
y su cardinal es 8.
En virtud de que aqu interesan los tres posibles resultados del experimento,
la o-lgebra generada por esa coleccin de 3 eventos, corresponde al conjunto
potencia de O, con cardinal 2
3
= 8, porque el nmero de elementos de O es 3.
Si se denen los eventos:
{ } { } { } G g , E e , P p = = =
y sus complementos:
{ } { } { } { } { } { } { } { } { }
G e p , E g p , P g e = = =
; entonces la o-lgebra
puede expresarse como:
{ }
,G,E,P,G,E,P, | = O A , donde A satisface las tres
condiciones:
a)
OeA
; en efecto: { } g,e, p O = eA
b) Si
i i
A A e e A A; en efecto: { } { } y G g G e, p = e = e A A

c) Si
i i
i
A , i A

e e A A

; en efecto:
{ } { } { } y G g , E e G E g,e = e = e = e A A A
{ } { } { } y G g , P p G P g, p = e = e = e A A A
{ } { } { } y E e , P p E P e, p = e = e = e A A A
{ } { } { } { } y G g , E e , P p G E P g,e, p = e = e = e = e A A A A


Sigma-lgebra de Borel
Se le llama -lgebra de Borel de y se le denota por
( ) B a la mnima
-lgebra generada por la coleccin de todos los intervalos abiertos (a,b) de ,
en donde a b s :
Los elementos de ( ) B se conocen como borelianos o conjuntos de Borel,
que al estar denidos en son puntos aislados e intervalos abiertos y cerra-
dos, obtenidos a travs de uniones e intersecciones nitas o innitas numera-
bles, as como por complementos.
Para cualesquiera nmeros reales a b s , los intervalos | | ( ) a,b , a,b ,
| ) ( | | ) | ) ( | ( | ( ) ( ) ( ) ( ) { } { } a,b , a,b , a, , b, , ,a , ,b , a, , b, , ,a , ,b , a , b
son conjuntos borelianos, todos ellos elementos del o-lgebra de Borel.
La o-lgebra de Borel de se puede denir, de manera equivalente, como
la mnima -lgebra generada por la gran coleccin de todos los subconjuntos
abiertos de

.
SIGMA-LGEBRA
12
{ } { } y E e E g, p = e = e A A
{ } { } y P p P g,e = e = e A A
( ) ( ) { }
a,b | a b o = _ s B
Es posible considerar tambin la -lgebra de Borel restringida a un seg-
mento de los nmeros reales; si se toma un segmento
( ) AeB , la -lgebra
de Borel generada por A y denotada por B(A), se dene como:
El concepto de -lgebra de Borel se puede generalizar a n dimensiones.
En el caso bidimensional se considera la coleccin C de todas los rectngulos
abiertos de
2
:
( ) ( ) { }
C a,b c,d | a b,c d = s s ; los borelianos de
2
son
los elementos de la o-lgebra mnima generada por la coleccin C:
Ejemplo 1.46. VIGA. Considere una viga libremente apoyada de 10 m de
longitud, sometida a una carga concentrada que vara entre 1000 y 2000 kg y
que puede estar colocada en cualquier punto a lo largo de la viga. Determine
la sigma-lgebra para el experimento consistente en observar las reacciones en
los apoyos, cuando
a b
R R s
El espacio muestral es:
El evento de inters es:
( ) { }
a b a b
H R ,R | R R = s , el cual se puede expresar
como:
( ) { }
a b a b a b
H R ,R | 0 R 1000,0 R 2000,500 R R 2000 = s s s s s + s
La o-lgebra mnima generada por H es una o-lgebra de Borel restringida
a una regin del plano que forma parte de todos los subconjuntos abiertos de
2
: ( ) ( ) ( ) ( )
2
o = B B B
Espacio probabilizable
Un espacio probabilizable es una pareja (O, A), donde O es el espacio
muestral ligado al experimento aleatorio y A es una o-lgebra sobre O, que
constituye un sistema de subconjuntos de O.
De manera ms general, un espacio probabilizable es un espacio medible,
sobre el que se va a medir probabilidad, y los eventos del espacio muestral O,
pertenecientes a la familia A, son los conjuntos medibles.
Funcin de conjunto
Una funcin de conjunto es una regla de correspondencia m : A que
asigna un nmero real me a cada conjunto A
i
de una determinada colec-
cin A. Esta denicin se formaliza a travs de dos condiciones que debe
cumplir la funcin de conjunto:
a) La imagen del conjunto vaco debe ser el cero: ( )
m 0 | =
b) Las imgenes de los conjuntos deben ser aditivas. La imagen de la unin
nita de conjuntos disjuntos pertenecientes al dominio de denicin de la fun-
cin, ser igual a la suma de las imgenes individuales de esos conjuntos:
MEDIDA DE PROBABILIDAD
1.4.2
FUNCIN
PROBABILIDAD
124
( ) ( ) ( ) { }
A A A B | B = = e B B B
( ) ( ) ( ) ( ) ( )
2
C o o = = B B B
( ) { }
a b a b a b
R ,R | 0 R 2000,0 R 2000,1000 R R 2000 O = s s s s s + s
( )
n n
i i i j
i 1 i 1
m A m A , A A , i j |
= =
| |
= = =
|
\ .

Ntese que una funcin de conjunto es diferente de una funcin tpica del
clculo, que se dene en una regin del espacio n-dimensional:
n
f
D _ ; el
dominio de denicin de una funcin de conjunto, en cambio, es una colec-
cin A de subconjuntos de un conjunto marco X, tal que a cada subconjunto
i i
A X, A _ eA le corresponde un nmero real.
Si la propiedad de aditividad se generaliza a colecciones innitas numera-
bles de conjuntos, entonces la funcin se denomina sigma-aditiva.
Una funcin de conjunto sigma-aditiva, se denomina medida de conjunto,
si tal funcin asigna un nmero real no negativo a los subconjuntos A
i
del con-
junto dado X: ( )
i i
m A 0, A > .
La nocin intuitiva de todo esto se puede visualizar de manera muy sencilla
a travs de una analoga; una coleccin de guras geomtricas cerradas, se
toma como una coleccin de subconjuntos de un conjunto ms general, que
corresponde al plano; si a cada gura se le asocia su rea, o a cada subconjunto
se le asocia un nmero, entonces esas reas o esos nmeros cumplen con las
propiedades exigidas a una medida de conjunto; la ms distintiva es la propie-
dad de aditividad, que en la analoga corresponde a la posibilidad de sumar
las reas de las guras, descontando los traslapes o intersecciones, cuando los
haya.
Espacio probabilstico
Un espacio de medida es una terna (X, A, m), donde X es un conjunto cual-
quiera, A es una o-lgebra sobre X y m es una medida denida en A.
Un espacio probabilstico es una terna (O, A, P) donde O es el espacio
muestral ligado al experimento aleatorio, A es el conjunto de partes de O, de-
nominada o-lgebra, y P es una funcin, denominada medida de probabilidad,
denida de la o-lgebra A al conjunto de los nmeros reales en el intervalo
[0,1]. Para que una medida de conjunto sea una probabilidad, lo nico que se
necesita es que la medida del conjunto completo O sea uno.
FUNCIN DE PROBABILIDAD
12
( )
i i i j
i 1 i 1
m A m A , A A , i j |

= =
| |
= = =
|
\ .

Funcin probabilidad
La probabilidad es una funcin de conjunto que asigna un nmero real entre
0 y 1, a cada uno de los subconjuntos del espacio muestral O, pertenecientes a
la o-lgebra A. Es una medida que parte de una o-lgebra A de eventos de un
espacio muestral O y llega al intervalo real [0,1].
El dominio de la medida de probabilidad P es la o-lgebra A, constituida
por todos los subconjuntos del espacio muestral O; el codominio de P es el eje
real y el recorrido de P es el intervalo [0,1].
La funcin probabilidad debe cumplir tres condiciones, denominados axio-
mas de probabilidad. Si A
1
, A
2
,, A
i
, subconjuntos del espacio muestral O.
Axioma de no negatividad
La imagen de cualquier evento A
i
, bajo P, es un nmero real no negativo:
____ (1.27)
Axioma de normatividad
La imagen del evento seguro O o espacio muestral es uno:
____ (1.28)
Axioma de sigma-aditividad
La imagen de eventos mutuamente exclusivos, bajo P, es la suma de las
imgenes de los eventos individuales, bajo P:

___ (1.29)
En lenguaje llano, los axiomas de Kolmogorov se pueden expresar como:
1. La probabilidad de todo evento debe ser no negativa
2. Si un evento ocurre con certeza, entonces su probabilidad es uno.
3. La probabilidad de un evento que es la unin de dos eventos mutuamente
exclusivos es la suma de las probabilidades individuales de esos dos eventos:
Ntese que ste fue el segundo teorema fundamental de la probabilidad.
Esta propiedad aditiva de la probabilidad se satisface para cualquier nmero
nito de eventos disjuntos o incompatibles y, como propiedad sigma-aditiva,
para cualquier sucesin innita de eventos disjuntos.
La eleccin de estas premisas por parte de Kolmogorov no es casual. No
hay duda alguna de que l desarroll la teora de la probabilidad tomando
como base la teora de la medida; pero la motivacin estuvo en las propieda-
des de la frecuencia relativa: una fraccin que est comprendida entre cero y
uno; cero para el evento imposible y uno para el evento seguro, y la aditividad
cuando los eventos son mutuamente exclusivos.
En lugar de stos axiomas, se pudieron haber elegido los tres teoremas fun-
damentales de la probabilidad, que en la prctica, de verdad lo fueron durante
casi 300 aos, pues la axiomatizacin de la probabilidad data apenas de 1933.
MEDIDA DE PROBABILIDAD
126
( )
i
P A 0 >
( )
n n i j
n 1 n 1
P A P A A A , i j |

= =
(
= = =
(


( ) P S 1 =
( ) ( ) ( ) P A B P A P B , A B | = + + =
Lo que es un hecho es que, una vez establecidas esas premisas, la probabi-
lidad adquiri un carcter universal permanente, encontrando en el poder de
la lgica, combinado con el de la intuicin, una fuerza de expansin ilimitada.
La probabilidad promueve un desarrollo matemtico riguroso y no se atiene
a la estadstica, inherentemente incierta; sin embargo, confronta los modelos
idealizados de la probabilidad pura, con los resultados empricos de la realidad
imperfecta.
El espacio muestral O es la unin de todos los eventos simples:
{ }
i
i
e

O =

Los eventos simples son mutuamente exclusivos:
i j
e e , i j | = =
Por el tercer axioma: ( )
i i
i i
P e P e ;

| |
=
|
\ .

y por el segundo: ( ) P S 1 =
Entonces, el tercer axioma implica que el segundo pueda escribirse como:
La base axiomtica de probabilidad creada por Kolmogorov constituye el
modelo terico sobre el se trabaja; cuando entramos en el dominio del modelo,
inevitablemente nos separamos, al menos temporalmente, de la realidad del
fenmeno que pretendemos representar con el modelo.
En todo caso, sea cual sea el criterio de asignacin de probabilidades que
se adopte: clsico, frecuentista o subjetivo, la condicin indispensable es que
tal asignacin cumpla con los tres axiomas de probabilidad, que no dependen
de la forma en la que hayan sido asignadas las probabilidades. Si retomamos
la analoga de las reas de guras geomtricas, nos percatamos fcilmente que
la forma en que sean calculadas, no inuye en el concepto de rea; de manera
similar, la forma en que hayamos asignado las probabilidades de los eventos,
no incide en la nocin de probabilidad.
Con el enfoque axiomtico, a la probabilidad se le atribuye un carcter abs-
tracto, sin signicado, a sabiendas que la probabilidad se puede percibir desde
las perspectivas del jugador, del estadstico, del experto y del neto.
Desde punto de vista del jugador, la discriminacin de casos igualmente
verosmiles, resulta un tanto articial, tan pronto se reconoci que la proba-
bilidad a priori puede ser corroborada empricamente. En los casos en que el
experimento puede repetirse indenidamente, el recurso bsico es la frecuen-
cia relativa. En experimentos no repetitivos, quienes asignan probabilidades de
manera subjetiva, solo pueden esperar a que se realice y recibir retroalimenta-
cin de lo que realmente aconteci.
Si la frecuencia relativa de un evento, luego de realizar muchas pruebas,
resulta de 0.467, al ser confrontada con la probabilidad del evento de 0.5, pos-
tulada a priori, esta aproximacin es indicativa de cercana y conduce a una
hiptesis: las frecuencias de un mismo evento aleatorio, en series numerosas
de pruebas, empricamente dieren poco unas de otras, agrupndose la mayo-
ra en torno de un valor central, que es la probabilidad del evento.
Aunque otra vez se recurre a la frecuencia relativa como medida experi-
mental para calcular aproximadamente la probabilidad, ahora ya no se est
aplicando una denicin de probabilidad basada en la teora, sino que se trata
de una hiptesis, posterior a la formulacin de la teora, que permite vericar
los postulados de la teora con los resultados de la observacin.
FUNCIN DE PROBABILIDAD
12
( )
i
i
P e 1

Ejemplo 1.47. PROTOTIPO. Los dos posibles resultados son: a = aprobado

y r = reprobado, por lo que el espacio muestral es: { } a,r O = .
Si se denen los eventos:
{ } { } y A a R r = = , el o-lgebra queda consti-
tuido como sigue:
{ } { } { } { } { } , a , r , a,r , A,R,S | | = = A

Se genera el espacio probabilizable (O, A), cuyo esquema se muestra:
Las probabilidades asignadas fueron:
( ) ( ) P A 0.63, P R 0.37 = =
Cumplen con los tres axiomas:
Ejemplo 1.48. PRESA. Para una presa cuya cortina tiene 100 m de altura, el
espacio muestral para el tirante de agua es
| | 0,100 O = ; si nicamente nos
interesa que el tirante no supere los 30 m, x 30 s , entonces la o-lgebra A
estar constituida por cuatro eventos: el vaco, el espacio muestral O y los in-
tervalos
| | ( | y 0,30 30,100
A cada posible intervalo le corresponde una imagen bajo P, tal es el caso
del evento
{ } B x | x 30 = s , o lo que es lo mismo, el intervalo | | 0,30
, cuya
probabilidad es 0.118, conforme a lo que se haba obtenido en el ejemplo 1.19
Las probabilidades asignadas fueron:
( ) ( ) P A 0.63, P R 0.37 = =
Cumplen con los tres axiomas:
Ejemplo 1.49. FUTBOL. Segn Jaime las probabilidades para el siguiente
partido del Atlante son: 0.5 que gane, 0.3 que empate y 0.2 que pierda. Corro-
bore que esta asignacin cumple los axiomas de probabilidad.
1. ( ) ( ) ( ) P G 0.5 0, P E 0.3 0, P P 0.2 0 = > = > = >
2. ( ) P S 1 =
3. ( )
( )
( ) ( ) G E y P G E P P 0.8; P G P E 0.5 0.3 0.8 | = = = + = + =
MEDIDA DE PROBABILIDAD
128
( ) ( ) ( ) ( ) ( ) ( ) 1. P A 0, P R 0; 2. P 1; 3. P A R P A P R 1 > > O = = + =
( ) ( ) ( ) 1. P x 30 0.118, P x 30 0.882, 2. P 1 s = > = O =
( ) ( ) ( ) ( ) 3. P x 30 x 30 P 0 x 100 0.118 0.882 1 s > = s s = + =
( )
( )
( ) ( ) G P y P G P P E 0.7; P G P P 0.5 0.2 0.7 | = = = + = + =
( )
( )
( ) ( ) E P y P E P P G 0.5; P E P P 0.3 0.2 0.5 | = = = + = + =
( ) ( ) ( ) ( ) ( ) P G E P P S 1; P G P E P P 0.5 0.3 0.2 1 = = + + = + + =
Probabilidad de un evento
Puesto que un evento est asociado con uno o ms puntos muestrales y dado
que estos puntos muestrales constituyen eventos simples y, por tanto, mutua-
mente exclusivos, la probabilidad de un evento es la suma de las probabilida-
des asignadas a los eventos simples con los cuales est asociado.
Si { } A a,b,c,d = , entonces ( ) { } { } { } { } ( )
P A P a b c d =
y por el axioma de aditividad:

( ) { } ( ) { } ( ) { } ( ) { } ( )
P A P a P b P c P d = + + + ____ (1.30)
La obtencin de frmulas para clculo de probabilidades se facilita mucho
al considerar eventos mutuamente exclusivos, como se podr ver en seguida.
Probabilidad del complemento de un evento
Puesto que el evento A y su complemento A
c
son eventos mutuamente ex-
clusivos:
c
A A | = ; por el axioma de aditividad:
( ) ( ) ( )
c c
P A A P A P A = +
Puesto que A y A
c
son eventos colectivamente exhaustivos:
c
A A S = , por
el axioma normativo:
( ) ( )
c
P A A P S 1 = = ; entonces: ( ) ( )
c
P A P A 1 + = ; por
lo tanto:
( ) ( )
c
P A 1 P A = ____ (1.31)
Tambin es cierto que: ( ) ( )
c
P A 1 P A = y por el axioma de no negatividad:
( )
c
P A 0 > ; por lo tanto:
( ) P A 1 s . Otra vez por el axioma de no negatividad:
( ) P A 0 >
, por lo que la probabilidad de un evento es un nmero real mayor o
igual que cero y menor o igual que uno:
( ) 0 P A 1 s s ____ (1.32)
Ntese que ste fue el primer teorema fundamental de probabilidad.
Este resultado tan obvio es de gran utilidad prctica, porque al conocer la
probabilidad de un evento, en automtico se sabe la de su complemento, al
restarla de uno; a veces es ms fcil evaluar la probabilidad del complemento.
PROBABILIDADES DE EVENTOS
1.4.3
PROBABILIDADES
DE EVENTOS
12
Probabilidad de un evento imposible
El evento imposible implica la no ocurrencia del espacio muestral: S | = ; por
lo que ( ) ( )
P P S | = . Sabiendo que
( ) ( ) P S 1 P S = y por el axioma de norma-
tividad: ( ) P S 1 = . Entonces ( )
P S 0 = y, por lo tanto:
( ) P 0 | = ____ (1.33)
Sin embargo, que el recproco de este resultado no es cierto; es decir, puede
haber un evento que tenga probabilidad cero, siendo absolutamente posible.
Eventos independientes
La independencia de eventos es uno de los concepto centrales en la teora
de probabilidad y uno de sus rasgos distintivos. Aunque sta es una propiedad
que se presenta frecuentemente de manera natural en la prctica,simplicando
el clculo de probabilidades, su correcta interpretacin y aplicacin requiere
de una discusin ms amplia, que haremos en el captulo 1.5.
Por el momento diremos que dos eventos son independientes, si la ocurren-
cia de uno no afecta la probabilidad de ocurrencia del otro; nos referiremos
en principio a eventos que no estn relacionados fsicamente, de manera que
se les puede considerar fsicamente independientes; en ocasiones, lo que luce
como independencia fsica, en ocasiones no lo es; siempre puede existir una
relacin fsica insospechada, que solo la informacin estadstica es capaz de
descubrir.
Es muy importante distinguir la diferencia entre eventos mutuamente exclu-
sivos y eventos independientes; son conceptos a tal punto antagnicos, que si
dos eventos son mutuamente exclusivos, no pueden ser independientes.
La nica excepcin se da en el caso degenerado en el que A o B, o ambos,
es un evento imposible. Considere, por ejemplo que A | = ; entonces ( ) P A 0 =
A y B son mutuamente exclusivos: ( ) ( ) ( ) P A B P A P B , A B | = + = , pues
( ) ( ) ( ) ( ) ( ) P B P P B , B ; P B P B | | | | = + = =

A y B son independientes porque ( ) ( ) ( ) P A B P A P B = , pues
( ) ( ) ( ) ( ) A B , P A B 0; P B P P B , 0 0 | | | = = = =
Recurriendo a una analoga geomtrica, la idea de exclusin mutua se equi-
para con paralelismo, en tanto que la nocin de independencia en probabilidad
se identica con perpendicularidad. Fundados en tal equivalencia, algunos au-
tores han adoptado el smbolo de perpendicularidad para denotar la indepen-
dencia entre eventos. En este texto los hemos emulado: la notacin A B
tendr por signicado que los eventos A y B son independientes. Cabe decir
que el smbolo de paralelismo no se usa para los eventos excluyentes, porque
para ellos ya existe una notacin muy clara que los dene: A B | =
La ausencia de interseccin si nos indica la imposibilidad de independen-
cia; pero la existencia de interseccin, no permite concluir nada respecto a si
los eventos son o no independientes.
En problemas en los que los eventos parecen no estar relacionados fsi-
camente, conviene en principio suponer independencia, a reserva de que se
pruebe lo contrario.
MEDIDA DE PROBABILIDAD
130
Probabilidad conjunta de eventos independientes
La probabilidad conjunta de dos eventos A y B es la probabilidad de su
interseccin: ( ) P A B , es decir, es la probabilidad de que los dos eventos
ocurran conjuntamente.
La probabilidad conjunta de dos eventos independientes A y B es igual al
producto de sus probabilidades individuales.
( ) ( ) ( ) A B P A B P A P B = ____ (1.34)
Esta expresin para calcular la probabilidad conjunta de eventos indepen-
dientes, se conoce como ley de multiplicacin de probabilidades para eventos
independientes, ofreciendo una denicin alternativa para independencia entre
eventos: dos eventos A y B son independientes, si la probabilidad conjunta es
el producto de sus probabilidades individuales.
Ntese que ste fue el tercer teorema fundamental de probabilidad.
La ocurrencia conjunta de eventos no signica ocurrencia simultnea, pues
los eventos pueden ocurrir conjuntamente, desfasados en el tiempo.
Si los eventos A y B se consideran independientes por no estar relacionados
fsicamente y si las probabilidades P(A) y P(B) son conocidas, entonces su
producto se puede asignar como valor de la probabilidad conjunta
( ) P A B .
Si se conocen las probabilidades individuales P(A) y P(B) y la probabili-
dad conjunta
( ) P A B , al comparar sta con el producto de las dos primeras,
cuando existe coincidencia, se asegura que los eventos son independientes, y
cuando hay diferencia, hay indicio de que los eventos son dependientes.
Generalizando, los eventos A
1
, A
2
,, A
n
son mutuamente independientes,
si y slo si, la ocurrencia de uno de ellos no afecta la probabilidad de ocurren-
cia de los otros, ni las de sus ocurrencias conjuntas; esto es:
( ) ( ) ( )
i n i i n i n
i n i n
P A | A P A , i n, P A | A P A , P A 0
= =
| | | |
= = = >
| |
\ . \ .

,
considerando todas las posibles intersecciones de 2 en 2, de 3 en 3,, de n-1
en n-1. Este resultado se traduce en lo que se conoce como la ley de multipli-
cacin de probabilidades para varios eventos independientes. Si los eventos
son mutuamente independientes, su probabilidad de ocurrencia conjunta es el
producto de sus probabilidades individuales de ocurrencia.
( )
n n
i i
i 1 i 1
P A P A
= =
| |
=
|
\ .
[
____ (1.60)
PROBABILIDADES DE EVENTOS
1
Probabilidad implicada
Si un evento A es subconjunto de otro evento B: A B _ . El evento A B ,
satisface la igualdad:
( ) ( )
( ) ( ) A A B A A A B S A B A B = = =
pero como A B _ , entonces A B B = , de modo que se puede escribir:
( )
B A A B = y ( ) ( )
P B P A A B
(
=

.
Los eventos y ( ) A A B son mutuamente exclusivos:
( )
A A B | = , y por
el axioma de aditividad:
( ) ( ) ( )

(
= +

, y por el axioma de
no negatividad:
( )
P A B 0 >
Por lo tanto:
( ) ( ) P A A B P A
(
>

, que es lo mismo que:
( ) ( ) P B P A > . En
resumen: ( ) ( ) A B P A P B _ s
____ (1.35)
Otro resultado inmediato que se desprende del anterior es el siguiente:

( ) ( ) ( ) _ =
____ (1.35)
La implicacin prctica de este resultado es que cuando ocurre el evento A,
de manera automtica ocurre el evento B, por lo que el evento B es al menos
tan probable como lo es el evento A.
Ley de adicin de probabilidades
Sean los eventos A y B mutuamente exclusivos o no. Consideremos los
eventos
0 0
A A B B A B = = y
( )
0
A A A B = , por ende: ( ) ( )
0
P A P A A B = (

;
pero
( )
0
A A B | = y por el axioma de aditividad:
( ) ( ) ( )
0 0
= + (

, por ende:
( ) ( ) ( )
0
P A P A P A B =
( )
0
B B A B = , por ende:
( ) ( )
0
P B P B A B = (

;
MEDIDA DE PROBABILIDAD
132
pero
( )
0
B A B | = y por el axioma de aditividad:
( ) ( ) ( )
0 0
P B A B P B P A B = + (

, por ende:
( ) ( ) ( )
0
P B P B P A B =
( )
0 0
A B A B A B = por lo que:
( ) ( )
0 0
P A B P A B A B = (


pero
( ) ( )
0 0 0 0
A B , A A B , B A B | | | = = = , y por el axioma de
aditividad: ( ) ( ) ( ) ( ) ( )
0 0 0 0
P A B P A B A B P A P B P A B = = + + (

;
sustituyendo: ( ) ( ) ( ) ( ) ( ) ( ) P A B P A P A B P B P A B P A B = + +
obteniendo:
( ) ( ) ( ) ( ) P A B P A P B P A B = + ____ (1.36)
Este resultado se conoce como ley de adicin de probabilidades, la cual
establece que la probabilidad de ocurrencia de al menos uno de dos eventos es
la suma de sus probabilidades individuales menos la probabilidad de su ocu-
rrencia conjunta. Es evidente que cuando los eventos A y B son mutuamente
exclusivos, la ley de adicin de probabilidades se traduce en el tercer axioma
de probabilidad.
Cardano fue el primero en expresar intuitivamente este resultado, en trmi-
nos de casos, en vez de probabilidades. Jacob Bernoulli se percat de que la
probabilidad de la unin no era la suma de las probabilidades cuando los even-
tos no son mutuamente exclusivos, pero no supo explicar el por qu. Quien
formul el teorema de adicin de probabilidades fue Thomas Bayes, en su obra
pstuma de 1763, distinguiendo el caso de los eventos no disjuntos, a los que
l llam inconsistentes.

La ley de adicin de probabilidades generaliza fcilmente por induccin
matemtica. Dados los eventos A
1
, A
2
, A
n
, la probabilidad de su unin es:
( ) ( ) ( ) ( )
n n
i i i j i j l 1 2 n
i 1 i j n i j l n i 1
P A P A P A A P A A A ... P A A ... A
= < < < < < =

| |
= +
|
\ .


(+), si n es par; (), si n es impar.
Para n = 1:
( ) ( ) ( )
1 1
i i 1 1
i 1 i 1
P A P A ; P A P A
= =
| |
= =
|
\ .


Para n = 2:
( ) ( ) ( ) ( ) ( ) ( )
2 2
i i i j 1 2 1 2 1 2
i 1 i j 2 i 1
P A P A P A A ; P A A P A P A P A A
= < < =
| |
= + = +
|
\ .


Para n = k: considerando k par y suponiendo cierto que:
( ) ( ) ( ) ( )
k k
i i i j i j l 1 2 k
i 1 i j k i j l k i 1
P A P A P A A P A A A ... P A A ... A
= < < < < < =
| |
= +
|
\ .

Para n = k + 1: (k + 1 resulta impar)
( )
k 1 k k k
i i k 1 i k 1 i k 1
i 1 i 1 i 1 i 1
P A P A A P A P A P A A
+
+ + +
= = = =
( ( | | | | | | | |
= = +
( ( | | | |
\ . \ . \ . \ .



( ) ( )
k k
i k 1 i k 1
i 1 i 1
P A P A P A A
+ +
= =
| | (
= +
| (
\ .


( ) ( ) ( ) ( )
k k
i k 1 i k 1 i j k 1 1 2 k 1
i 1 i j k i 1
P A A P A A P A A A ... P A A ... A
+ + + +
= < < =
(
= +
(



PROBABILIDADES DE EVENTOS
1
Sustituyendo ( ) y
k k
i i k 1
i 1 i 1
P A P A A
+
= =
| | (

| (
\ .

por sus respectivos desarrollos:

( ) ( ) ( ) ( )
k 1 k
i i i j i j l 1 2 k
i 1 i j k i j l k i 1
P A P A P A A P A A A ... P A A ... A
+
= < < < < < =
| |
= + +
|
\ .


( ) ( ) ( ) ( )
k
k 1 i k 1 i j k 1 1 2 k 1
i 1 i j k
P A P A A P A A A ... P A A ... A
+ + + +
= < <
(
+ +
(



( ) ( ) ( ) ( )
k 1 k k
i i k 1 i j i k 1
i 1 i j k i 1 i 1
P A P A P A P A A P A A
+
+ +
= < < = =
| |
= + +
|
\ .

( ) ( ) ( )
i j l i j k 1 1 2 k
i j l k i j k
P A A A P A A A ... P A A ... A
+
< < < < <
+ + +

( ) ( ) ( ) ( )
k 1 k 1
i i i j i j l 1 2 k 1
i 1 i j k 1 i j l k 1 i 1
P A P A P A A P A A A ... P A A ... A
+ +
+
= < < + < < < + =
| |
= + +
|
\ .


A manera de ejemplo, considere ley de adicin de probabilidades para tres
eventos cualesquiera A, B y C:
( ) ( ) ( ) ( ) ( ) ( ) P A B C P A P B P C P A B P A C = + +

( ) ( ) P B C P A B C +
Desigualdad de Boole
Cuando los eventos son mutuamente exclusivos: A B | = , la probabilidad
conjunta es nula: ( ) ( ) P A B P 0 | = = y la expresin (1.36) se reduce al axioma
de aditividad: ( ) ( ) ( ) P A B P A P B = +
En todo caso, por el axioma de no negatividad:
( ) P A B 0 > , por lo que la
ley de adicin de probabilidades verica la inecuacin conocida como desigual-
dad de Boole: ( ) ( ) ( ) P A B P A P B s +
____ (1.37)
Obviamente, tambin se cumple la desigualdad de Boole, en su forma gene-
ralizada:
( )
n n
i i
i 1 i 1
P A P A
= =
| |
s
|
\ .


Ejemplo 1.50. SERVICIOS DE TELECOMUNICACIONES. Los usuarios
de la compaa Telex tienen contratado adems del servicio de telefona local,
algunos otros servicios: 9 de cada 20 usuarios tienen cobertura ilimitada en
llamadas de larga distancia nacional (N), 1 de cada 4 tienen cobertura ilimitada
en llamadas de larga distancia a nivel mundial (M), 3 de cada 10 cuentan con
conexin a Internet de banda ancha (I) y 1 de cada 5 cuentan con seal de tele-
visin satelital (T). No hay usuarios con seal de televisin que no cuenten con
larga distancia; el 12% tienen seal de televisin y larga distancia nacional, el
20% tiene Internet, pero no seal de televisin, el 23% no tiene larga distancia
ni Internet, el 5% cuenta con larga distancia mundial, televisin satelital, pero
no Internet y el 7% tiene larga distancia mundial e Internet, pero no seal de
televisin.
MEDIDA DE PROBABILIDAD
134
Sean los eventos: { } ( ) larga distancia nacional N , P N 9 / 20 0.45 = = =

{ } ( ) larga distancia mundial M , P M 1/ 4 0.25 = = =

{ } ( ) Internet de banda ancha I , P I 3 / 10 0.30 = = =

{ } ( ) televisin satelital T , P T 1/ 5 0.20 = = =






Si se elige un usuario al azar, cul es la probabilidad de que:
a) no tenga servicio de larga distancia
( ) ( ) ( ) ( ) ( ) ( ) P L 1 P L ; P L P N M P N P M 0.45 0.25 0.70 = = = + = + =
( )
P L 1 0.70 0.30 = =
b) tenga larga distancia pero no Internet
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P I L ?, I I L I L , P I P I L I L P I L P I L
(
= = = = +

( ) ( ) ( ) ( ) ( )
P I 1 P I 1 0.30 0.70; P I L P I P I L 0.70 0.23 0.47 = = = = = =
c) tenga al menos uno de los servicios
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P I L T P I P L P T P I L P I T P L T P I L T = + + +
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P I L ?, L I L I L , P L P I L I L P I L P I L
(
= = = = +

( ) ( ) ( )
P I L P L P I L 0.70 0.47 0.23 = = =
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P I T ?, I I T I T , P I P I T I T P I T P I T
(
= = = = +

( ) ( ) ( )
P I T P I P I T 0.30 0.20 0.10 = = =
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P L T ? T L T L T , P T P L T L T P L T P L T
(
= = = = +

( ) ( ) ( )
P L T P T P L T 0.20 0 0.20 = = =
( ) ( ) ( ) ( ) ( ) ( )
P I L T ? I T I L T I L T , P I T P I L T I L T
(
= = =

( ) ( ) ( ) ( ) ( ) ( )
P I T P I L T P I L T , P I L T P I T P I L T 0.10 0 0.10 = + = = =
( ) P I L T 0.30 0.70 0.20 0.23 0.10 0.20 0.10 0.77 = + + + =
d) no tenga ninguno de los servicios
( ) ( ) ( ) P I L T P I L T 1 P I L T 1 0.77 0.23 = = = =
PROBABILIDADES DE EVENTOS
1
e) solo tenga larga distancia
( ) ( ) ( ) ( ) ( ) ( )
P I L T ? I T I L T I L T , P I T P I L T I L T
(
= = =

( ) ( ) ( ) ( ) ( ) ( )
P I T P I L T P I L T , P I L T P I T P I L T = + =
( ) ( ) ( ) ( ) ( ) ( ) ( ) P I T P I T 1 P I T , P I T P I P T P I T 0.30 0.20 0.10 0.40 = = = + = + =
( ) ( )
P I T 1 0.40 0.60, P I L T 0.60 0.23 0.37 = = = =
f) tenga larga distancia nacional e Internet, pero no seal de televisin
( ) ( ) ( ) ( )
P I N T ? I T I N T I M T I L T = =
( ) ( ) ( ) ( ) ( ) ( ) ( )
P I T P I N T I M T I L T P I N T P I M T P I L T
(
= = + +

( ) ( ) ( ) ( ) ( ) ( )
P I N T P I T P I M T P I L T , L T I L T I L T = =
( ) ( ) ( ) ( ) ( )
P L T P I L T I L T P I L T P I L T
(
= = +

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P I L T P L T P I L T , L L T L T , P L P L T L T
(
= = =

( ) ( ) ( ) ( ) ( ) ( )
P L P L T P L T , P L T P L P L T 0.30 0 0.30 = + = = =
) ( )
I L T 0.30 0.23 0.07, P I N T 0.20 0.07 0.07 0. = = = =
g) solo tenga larga distancia mundial
( ) ( ) ( ) ( ) ( ) ( )
P I M T ? I L T I N T I M T , P I L T P I N T I M T
(
= = =

( ) ( ) ( ) ( ) ( ) ( )
P I L T P I N T P I M T , P I M T P I L T P I N T = + =
( ) ( ) ( ) ( ) ( ) ( )
P I N T ? N T I N T I N T , P N T P I N T I N T
(
= = =

( ) ( ) ( ) ( ) ( ) ( )
P N T P I N T P I N T , P I N T P N T P I N T = + =
( ) ( ) ( ) ( ) ( ) ( ) ( )
N N T N T , P N P N T N T P N T P N T
(
= = = +

( ) ( ) ( ) ( )
P N T P N P N T 0.45 0.12 0.33, P I N T 0.33 0.06 0.27 = = = = =
( )
P I M T 0.37 0.27 0.10 = =





Ejemplo 1.51. DEFECTUOSOS. En una muestra de 200 tornillos producidos
por la fbrica Tor hubo 7 con defectos en la cuerda, 11 con dimensiones fuera
de tolerancia, y de estos dos conjuntos, hubo 5 con ambos defectos. Si se elige
un tornillo aleatoriamente, calcule la probabilidad de que:
MEDIDA DE PROBABILIDAD
136
Sean los eventos: { } defecto en cuerda C =

{ } dimensiones fuera de tolerancia F =
a) tenga ambas clases de defectos
( )
( ) N C F
5
P C F 0.025
N 200

= = =
b) est defectuoso
( ) ( ) ( ) ( )
( ) ( ) ( ) N C N C N C F
P C F P C P F P C F
N N N

= + = +

7 11 5 13
0.065
200 200 200 200
= + = =
c) no tenga defecto alguno
( ) ( )
( ) P C F P C F 1 P C F 1 0.065 0.935 = = = =


Ejemplo 1.52. ROS CONTAMINADOS. El ro Papaloapan se alimenta de
los ros Santo Domingo y Valle Nacional; a su vez, los auentes del Santo
Domingo son los ros Grande y Salado, como se aprecia en el esquema de la
gura. Las probabilidades de que estn contaminados los ros Grande, Salado
y Valle Nacional son 1/6, 1/5 y 1/4, respectivamente y se supone que los com-
portamientos de los ros Grande y Salado son independientes, al igual que los
de los ros Valle Nacional y Santo Domingo.
Se pide determinar la probabilidad de que el ro Papaloapan est contami-
nado.
PROBABILIDADES DE EVENTOS
1
Sean los eventos: P = Papaloapan contaminado
V = Valle Nacional contaminado; P(V) =1/4
D = Santo Domingo contaminado
G = Grande contaminado; P(G) =1/5
S = Salado contaminado; P(S) =1/6
Si el ro Grande o el Salado estn contaminados, el Santo Domingo tambin
lo est. Es claro que los eventos G y S son independientes fsica y estadstica-
mente:
G S
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P D P G S P G P S P G S P G P S P G P S = = + = +


1 1 1 1 1 1 1 6 5 1 10 1
5 6 5 6 5 6 30 30 30 3
+
= + = + = = =
Si el ro Valle Nacional o el Santo Domingo estn contaminados, el Pa-
paloapan tambin lo est. Es claro que los eventos V y D son independientes
fsica y estadsticamente:
V D
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P P P V D P V P D P V D P V P D P V P D = = + = +

1 1 1 1 1 1 1 3 4 1 6 1
4 3 4 3 4 3 12 12 12 2
+
= + = + = = =

Ejercicio 1.53. CIRCUITO ELCTRICO.
En el circuito esquematizado en la gura, los 3 interruptores funcionan in-
dependientemente, con la misma probabilidad de falla p.
Se pide determinar la probabilidad de que uya corriente de la terminal 1 a
la 2, expresada como una ecuacin en p, simplicada al mximo.
Sea el evento: C
i
= Interruptor i cerrado; P(C
i
) =p
A
i
= Interruptor i abierto; P(A
i
) =1 - p
F = hay ujo de corriente entre 1 y 2
Considerando eventos mutuamente exclusivos:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P F P C C C C C A C A C A C C C A A A C A A A C = (


( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P C P C P C 3P C P C P A 3P C P A P A = + +

( ) ( ) ( ) ( ) ( )
3 2
2 2 3 2 2
1 p 3 1 p p 3 1 p p 1 3p 3p p 3p 1 2p p 3p 1 p = + + = + + + +

2 3 2 3 2 3 3
1 3p 3p p 3p 6p 3p 3p 3p 1 p = + + + + =
Por la ley de adicin de probabilidades:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 2 3 1 2 3 1 2 1 3 2 3 1 2 3
P F P C C C P C P C P C P C C P C C P C C P C C C = = + + +

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 2 3 1 2 1 3 2 3 1 2 3
P C P C P C P C P C P C P C P C P C P C P C P C = + +

( ) ( ) ( ) ( )
2 3
2 2 3
3 1 p 3 1 p 1 p 3 3p 3 1 2p p 1 3p 3p p = + = + + +

( ) ( ) ( ) ( )
3
1 2 3
1 P A A A 1 P A P A P A 1 ppp 1 p = = = =
Por complemento:
( ) ( ) ( ) ( ) ( )
3
1 2 3
P F 1 P A A A 1 P A P A P A 1 ppp 1 p = = = =
MEDIDA DE PROBABILIDAD
138
La mayor parte de los problemas que involucran probabilidades se pueden
resolver de varias maneras, todas igualmente vlidas; a quien le toca obtener
la solucin de un problema particular, le puede parecer que una forma es ms
sencilla que otra, sin que sea necesariamente la ms corta. Un ejemplo de esto
es el ejercicio anterior, resuelto por tres procedimientos distintos, con la idea
de que los lectores se percaten lo til que es el recurso de darle la vuelta al
problema; si no quiere salir de una manera, intentarlo por otro camino, y si no,
por otro ms.

Red de ganadores
Una supuesta empresa especializada en pronsticos deportivos ofrece a
cada uno de sus clientes, por la mdica suma de $500, enviarles va correo
electrnico, el vaticinio sobre el ganador de un determinado evento deportivo
especco, que tendr lugar el siguiente n de semana; con la garanta de la
devolucin total de su dinero, si la prediccin no es acertada. A la empresa
no le importa que hace el cliente con ese pronstico, pero aunque no sea su
propsito, lo induce a apostar en favor del vaticinio, la cantidad que l quiera
y donde l quiera.
Si cada semana la empresa recibe en promedio 300 solicitudes de prons-
tico, el acumulado medio semanal es de $150,000, mismos que tendra que
devolver, si su pronstico falla. Pero qu sucede, si la empresa le da un pro-
nstico a la mitad de sus clientes y a la otra mitad le da el pronstico contrario?
Nos percatamos de que en esta red de ganadores, lo nico seguro es que
ningn cliente gana, que la mitad de ellos pierde $500 cada uno, por haber
recibido el pronstico acertado y la que gana siempre es la empresa.
Para enrolar a ms personas en el embuste, la empresa se puede dar el lujo
de ofrecer la devolucin de $750 en vez de los $500 de la apuesta, si el prons-
tico es fallido; y la empresa de todas maneras gana, pues se queda con $250 de
cada cliente satisfecho, $37,500 a la semana, $150,000 al mes. Gran nego-
cio; desde luego, fraudulento.
Paradoja de las tres puertas
Tambin conocido como el problema de Monty Hall, pues este conductor
de televisin fue quien lo present en su programa Lets Make a Deal. Supn
que ests participando en un concurso televisivo frente a tres puertas cerradas;
se sabe que detrs de una de ellas hay un automvil, mientras que tras las otras
dos hay sendas cabras. El presentador te pide que elijas una de las tres puertas
y te dice que te llevars lo que hay detrs de la puerta elegida. Cuando t ya has
elegido una puerta, deseoso de ganarte el coche, el presentador abre una de las
otras dos puertas y detrs de ella hay una cabra; es claro que tras las dos puertas
cerradas est el automvil y la otra cabra, y t ya elegiste una de ellas. En ese
momento el presentador te preguntar si quieres cambiar de puerta o quedarte
con la elegida inicialmente. Qu debes hacer? Cambias a la otra puerta o te
quedas con la que habas seleccionado inicialmente? Te trae algn benecio
hacer un cambio de eleccin?
PROBLEMAS CLSICOS
1.4.4
PROBLEMAS
CLSICOS
1
Muchas personas consideran que la probabilidad inicial de 1/3 se modica
a 1/2, cuando se descubre una puerta con una cabra; por lo tanto piensan que
modicar tu eleccin no aumentara tus posibilidades de ganar el automvil.
Sin embargo, ese razonamiento es incorrecto, ya que el cambio de puerta in-
crementa tus posibilidades de ganar el coche a 2/3. Cuando se public por
primera vez esta solucin en la revista Parade, hubo muchos lectores, algu-
nos de ellos con doctorado, que escribieron a los editores para decirles que tal
solucin estaba equivocada. Y es que el jueguito parece ser una afrenta total al
sentido comn.
La solucin se basa en que el presentador siempre abre una puerta, que
escoge entre las dos restantes, despus de que t has hecho tu eleccin, y tras
esa puerta que abre, siempre hay una cabra; adems, siempre ofrece hacer el
cambio y no como estrategia usada a su conveniencia. En primera instancia
tenamos 3 puertas, por lo que la probabilidad de que el coche estuviera detrs
de la puerta que tu selecciones es de 1/3, mientras que la probabilidad de que
est detrs de alguna de las otras dos puertas es de 2/3. Luego, cuando el con-
ductor abre una puerta en la que hay una cabra, la probabilidad de coche en esa
puerta es cero, por lo que la probabilidad de 2/3 la tiene la puerta cerrada que
no elegiste.
Hay que entender muy claramente que tu cambio de eleccin no garantiza
que ganars el auto; solamente incrementa tus posibilidades. Si te lo ganas,
nadie te podra decir nada, pero si lo pierdes, la gente y hasta tu mismo dirn:
por que cambiaste tu eleccin? Tu respuesta es: porque con ella tena mayores
probabilidades.
Paradoja del cumpleaos
Cul tendra que ser el tamao mnimo de un grupo de personas, para que
la probabilidad de haya al menos dos de ellas que cumplan aos el mismo da,
sea superior al 50%?
Si las personas del grupo son demasiado pocas, comparadas con los 365
das del ao, pareciera que no cabra esperar repeticiones. Claro que sera di-
fcil esperar repeticin de un da de cumpleaos especco, pero si la coinci-
dencia puede darse entre cualesquiera parejas de personas, a mayor nmero de
personas, mayor nmero de parejas posibles y mayor nmero de posibilidades
de coincidencia.
Considerando las combinaciones de n personas tomadas de dos en dos, ten-
dramos que: En una pareja slo hay 1 posibilidad entre 365, de que su cum-
pleaos coincida; en un grupo de tres personas, se pueden formar tres parejas,
por lo que son 3 las posibilidades de coincidencia; cuando el grupo es de cua-
tro, las posibilidades suben a 6; y con un grupo de diez, llegan a 45; cuando el
grupo es de 23 personas, se pueden formar 253 parejas distintas y, por tanto
existen 253 posibilidades de cumpleaos coincidentes, y con un grupo de 46
personas, las posibilidades son ya de ms de 1000 parejas distintas.
A = {Hay al menos dos personas del grupo que cumplen aos el mismo da}
A
c
= {Todas las personas del grupo cumplen aos en un da diferente}
MEDIDA DE PROBABILIDAD
140
Este es uno de esos problemas en que es ms fcil calcular la probabilidad
del evento complementario. Usando el criterio de asignacin a priori, de casos
favorables entre casos totales, tenemos:
Nmero de casos totales con n personas en el grupo: N = (365)
n

Nmero de casos favorables de no coincidencia: N(A
c
) = 365x364x363x
x(365-n+1)
Podemos establecer una frmula de recurrencia, para calcular el valor para
cada n:
( ) ( )
c c
n n
365 364 363 365 n 1 365 n 1
P A ... P A
365 365 365 365 365
+ +
= =


La paradoja del cumpleaos fue planteada en la American Mathematical
Monthly, en 1938; se trataba de calcular la probabilidad de que en un grupo
de personas dos o ms de ellas cumplieran aos el mismo da. Si el grupo est
formado por 23 personas la probabilidad es de 50.7%. Si el grupo es de 60 o
ms personas, la probabilidad es mayor del 99%. Y obviamente para un grupo
de 366 personas la probabilidad es del 100%, considerando aos bisiestos.
En sentido estricto sta no es una paradoja, ya que no hay contradiccin
lgica alguna; es una verdad matemtica que contradice el sentido comn; en
general la gente estima que esta probabilidad es mucho ms baja, y que hacen
falta muchas ms personas para alcanzar una probabilidad del 50%.
No hay que malinterpretar lo que dice esta paradoja. Si llegas a un lugar
en el que hay 22 personas, la probabilidad de que cualquiera de ellas cumpla
aos el mismo da que t, no es del 50%, sino mucho ms baja: menos del 6%,
porque slo hay 22 parejas posibles; tendra que haber 253 personas para que
hubiera ms de un 50% de probabilidades de coincidencia con tu cumpleaos.
B = {Probabilidad de coincidencia con tu cumpleaos}


( ) ( ) n 22, P B 0.0586; n 253, P B 0.5005 = = = = si si
PROBLEMAS CLSICOS
14
( )
( )
c
n
365 364 363 ... 365 n 1
P A
365
+
=
( ) ( )
c
n
n
P A 1 P A =
( ) ( )
n
c
364
P B 1 P B 1
365
| |
= =
|
\ .