Tema 2

Teor
a Elemental de Probabilidad
Indice
1. Introducci
on

2. Espacio muestral y espacio de sucesos

3. Definici
on axiom
atica de probabilidad

4. Propiedades de la funci
on de probabilidad

5. Probabilidad condicionada

6. Independencia de sucesos

7. Bibliografa

1.

Introducci
on

El origen del calculo de probabilidades se debe a los juegos de azar. Algunos jugadores, durante los siglos
XVII y XVIII, plantearon a distintos matematicos acerca de si era mas conveniente apostar a algunas
combinaciones de dados o apostar a alguna lotera de las muchas que haba en la epoca y otras cuestiones
relacionadas con diversos juegos. La correspondencia que se dirigieron esos matematicos entre s dio origen
a esta parte de la Matematica.
Se dice que un experimento es determinista si siempre que se realiza bajo las mismas condiciones se
obtienen los mismos resultados. En caso contrario, si no se es capaz de predecir el resultado del experimento, se dice que este es aleatorio o estoc
astico. El calculo de probabilidades ofrece mecanismos para
estudiar los experimentos aleatorios y es necesario para poder utilizar de un modo adecuado las tecnicas
estadsticas.

2.

Espacio muestral y espacio de sucesos

El primer paso en el analisis de muchos experimentos es elaborar una lista de las posibilidades del mismo,
llamada espacio muestral. Este termino se define como sigue:
Definici
on 1 Se llama espacio muestral o universo asociado a un experimento aleatorio, y se denota
por , al conjunto de todos los posibles resultados del experimento. Cada elemento del espacio muestral
recibe el nombre de suceso elemental o punto muestral.
Ejemplo 1 Si el experimento consiste en lanzar un dado, el espacio muestral es
= {1, 2, 3, 4, 5, 6} .
Es habitual que pueda identificarse sin dificultades el espacio muestral cuando el n
umero de posibilidades
es peque
no, como ocurre en el ejemplo anterior. A medida que este n
umero de posibilidades aumenta, es
u
til tener un sistema para desarrollar el espacio muestral. Uno de esos sistemas es el diagrama de
arbol.
Veamos el siguiente ejemplo:
1

Tema 2. Teora Elemental de Probabilidad

Ejemplo 2 Durante un viaje al espacio, el sistema de c

omputo primario est
a respaldado por dos sistemas

secundarios. Estos
funcionan independientemente uno de otro, de modo que los fallos en uno de los
sistemas no tienen efecto en los dem
as. Interesa el estado funcional de los tres sistemas en el momento
del lanzamiento. Cu
al es el espacio muestral asociado a este experimento?
Puesto que interesa principalmente que cada sistema este en condiciones de funcionar cuando ocurra el
lanzamiento, s
olo se necesita encontrar un espacio muestral que aporte dicha informaci
on. Se usa un
arbol
como el de la Figura 1 para generar dicho espacio. El sistema primario est
a en condiciones funcionales

Primer
sistema
de respaldo

Sistema
primario

Segundo
sistema
de respaldo

Punto
muestral

sss

n
s

ssn
sns

n
s

snn
nss

n
s

nsn
nns

nnn

s
s
n

s
n
n

Figura 1:
(s) o no funcionales (n) en el momento del lanzamiento. Esta situaci
on nos dar
a la primera ramificaci
on
del
arbol. De igual modo, el primer sistema de respaldo est
a en condiciones de funcionar o no lo est
a, lo
que dar
a lugar a la segunda ramificaci
on y, por u
ltimo, completaremos el
arbol teniendo en cuenta que el
segundo sistema de respaldo puede estar en condiciones funcionales o no.
El espacio muestral del experimento puede leerse en el
arbol al considerar cada una de las ocho ramas
como trayectorias diferentes del
arbol, a saber:
= {sss, ssn, sns, snn, nss, nsn, nns, nnn}
En funcion del n
umero de posibilidades del experimento aleatorio, el espacio muestral podra ser finito,
infinito numerable o infinito no numerable.
Definici
on 2 Se llama suceso a cada subconjunto del espacio muestral
Ejemplo 3 En el ejemplo anterior, si definimos los sucesos
A = El sistema primario funciona en el momento del lanzamiento.
B = El primer sistema de respaldo funciona en el momento del lanzamiento.
C = El segundo sistema de respaldo funciona en el momento del lanzamiento.
tenemos que:
A = {sss, ssn, sns, snn}
B = {sss, ssn, nss, nsn}
C = {sss, sns, nss, nns}
son subconjuntos de y, por tanto, sucesos.
Podemos definir algunos sucesos especiales de interes:

Tema 2. Teora Elemental de Probabilidad

Definici
on 3

a) Se llama suceso imposible al que no se verifica nunca, y se designa .

b) Se llama suceso seguro al que se verifica siempre; se designa por .

c) Se llama suceso compuesto al formado por m
as de un suceso elemental.
Definici
on 4 El conjunto formado por todos los sucesos se llama espacio de sucesos y se denota por
. Si es finito, entonces = P(), (donde P() denota al conjunto de las partes, es decir el de los
subconjuntos de ), y si tiene n elementos, entonces tiene 2n .

Dados dos o mas sucesos de , podemos construir nuevos sucesos a partir de los mismos realizando
operaciones como las que se definen a continuacion:
Definici
on 5 Sean A, B :
a) Se llama suceso uni
on de A y B al suceso que resulta cuando ocurre A, B o ambos a la vez. Se
denota por A B.
b) Se llama suceso intersecci
on de A y B al suceso que resulta cuando A y B ocurren a la vez. Se
denota por A B.

c) Se llama suceso complementario de A al que se verifica cuando no lo hace A. Se denota por A.

d) Se dice que A y B son sucesos incompatibles, disjuntos o mutuamente excluyentes si su
realizaci
on simult
anea es imposible, es decir, A B = .
e) Se dice que el suceso A implica el suceso B cuando siempre que se verifica A se verifica B. Entre
ellos se da la relaci
on A B.
Ejemplo 4 Si A, B y C son los sucesos definidos en el ejemplo anterior, entonces:
A B = {sss, ssn, sns, snn, nss, nsn} =Funciona el sistema primario,
o bien el primer sistema de respaldo.
A B = {sss, ssn} = Funciona el sistema primario y el primer sistema de respaldo.
(A B) C = {ssn, snn, nsn} = Funciona el sistema primario, o bien el primer sistema de respaldo,
y adem
as no funciona el segundo sistema de respaldo.
Teorema 6 (Leyes de De Morgan). Sean A y B dos sucesos, entonces se cumple:
a)

A B = A B,

b)

A B = A B.

Nota: Suelen expresarse las leyes de De Morgan mediante estas frases faciles de recordar:
a) El complementario de la uni
on es la intersecci
on de los complementarios.
b) El complementario de la intersecci
on es la uni
on de los complementarios.

3.

Definici
on axiom
atica de probabilidad

Supongamos que el espacio muestral asociado a cierto experimento aleatorio contiene n elementos, y que
en principio, se tiene el mismo grado de creencia de que ocurra cualquiera de ellos. Podramos asignar
1
entonces a cada elemento una probabilidad de . A partir de aqu, obtendremos la probabilidad de un
n
suceso A sumando las probabilidades de los elementos de A:
X
X1
nA
P (A) =
Pi =
=
(1)
n
n
iA

iA

siendo nA el n
umero de elementos del suceso A. De lo anterior se desprende la definici
on cl
asica de
probabilidad, atribuida a Laplace:

Tema 2. Teora Elemental de Probabilidad

La probabilidad de un suceso A es el cociente entre el n

umero de resultados favorables al
suceso y el n
umero de resultados posibles en el experimento.
Al definir la probabilidad como un cociente, es imprescindible que el denominador no sea infinito, lo que
la invalida en los casos de que el espacio muestral sea infinito. Pero ademas, la definicion de Laplace tiene
el inconveniente de que necesita la suposicion de que los sucesos elementales son igualmente probables, y
hay muchas situaciones en las que esto no es as. Pero a
un tiene otro inconveniente mucho mayor: para
definir la probabilidad, necesita que los sucesos elementales sean igualmente probables, pero que significa
que sean igualmente probables?, que tienen la misma probabilidad, pero como se define la probabilidad?,
con la definicion de Laplace que necesita que los sucesos elementales sean igualmente probables. Hemos
llegado a un crculo vicioso del que es imposible salir, debido a que hemos usado en la definicion aquello
que queramos definir.
Estas consideraciones hacen inadmisible la definicion laplaciana de probabilidad. No obstante, a pesar
de sus deficiencias, la f
ormula de Laplace (1) es un instrumento de gran utilidad para el calculo de
probabilidades en aquellos casos (muy frecuentes) en los que se puede emplear, es decir, cuando el espacio
muestral es finito y los sucesos elementales son igualmente probables.
Si los sucesos elementales no son equiprobables, podemos utilizar el siguiente metodo emprico de asignacion de probabilidades: repetimos el experimento N veces bajo las mismas condiciones y observamos
el n
umero de veces nA que se realiza el suceso A. Entonces,
P (A) = lm

nA
N

El inconveniente de esta definicion (probabilidad como frecuencia relativa) es que no puede aplicarse
tal cual ya que, en general, no disponemos de una expresion analtica en funcion de N que permita
calcular el lmite. Es mas, ni siquiera tenemos garantizado que tal lmite exista. Pero si admitimos que
existe, podemos usar esta definicion para calcular probabilidades de forma aproximada si repetimos el
experimento un n
umero N de veces tan grande, que podamos tomar:
P (A) '

nA
N

Definici
on 7 (Definici
on axiom
atica de probabilidad)
Dado un espacio muestral , se llamar
a funci
on de probabilidad sobre , o simplemente probabilidad
a toda funci
on P : R que verifique:
1. P (A) > 0,

A .

2. P () = 1.
3. Si Ai son tales que Ai Aj = ,

i 6= j, entonces P

S
i=1

Ai

i=1

P (Ai ).

La terna (, , p) se denomina espacio probabilstico.

4.

Propiedades de la funci
on de probabilidad

A partir de los axiomas de probabilidad, se deducen algunas consecuencias inmediatas como las que a
continuacion se detallan.
Proposici
on 1 Sean A, B de modo que A B. Entonces P (A) 6 P (B).
= (B A) (B A)
= A (B A)
y por lo tanto, al ser A
n: B = B = B (A A)
Demostracio

y B A disjuntos, el tercer axioma de probabilidad permite escribir:

= P (A) + P (B A),

P (B) = P A (B A)
luego
P (A) 6 P (B)

Proposici
on 2 Si A, B , entonces P (A B) = P (A) + P (B) P (A B).

Tema 2. Teora Elemental de Probabilidad

B
Figura 2:

n: De las igualdades evidentes (vease la Figura 2), A B = A (A B) y A (A B) = ,

Demostracio
se deduce que P (A B) = P (A) + P (A B). Por otra parte, de las tambien evidentes igualdades
B = (A B) (A B) y (A B) (A B) = , se deduce asimismo P (B) = P (A B) + P (A B), es
decir P (A B) = P (B) P (A B), de modo que reuniendo ambos resultados tenemos por fin
P (A B) = P (A) + P (B) P (A B).

En general se verifica la f
ormula de Poincare:
n !
n !
n
[
X
X
X
\
n+1
P
Ai =
P (Ai )
P (Ai Aj ) +
P (Ai Aj Ak ) + (1)
P
Ai
i=1

i=1

i6=j

i=1

i6=j6=k

que puede demostrarse por inducion a partir de la proposicion 2.

= 1 P (A).
Proposici
on 3 Si A , entonces P (A)
n: Como A A = y A A = , el segundo y el tercer axiomas de probabilidad permiten
Demostracio
escribir
= 1 = P (A) + P (A)
y por lo tanto P (A)
= 1 P (A).
P (A A)

Proposici
on 4 P () = 0.
= , al aplicar la Proposicion 3 resulta
n: En efecto, puesto que
Demostracio
P () = 1 P () = 1 1 = 0.

Proposici
on 5 Sea A , entonces P (A) 6 1.
> 0, luego de acuerdo con la
n: Del primer axioma de probabilidad se deduce que P (A)
Demostracio
Proposicion 3, 1 P (A) > 0, y por lo tanto P (A) 6 1.

Proposici
on 6 Sea = A1 An con Ai , i = 1, ..., n sucesos elementales e incompatibles dos
a dos. Si P (A1 ) = P (A2 ) = = P (An ) = 1/n, entonces, A , A = A1 A2 Ak , con k 6 n,
se tiene
n
umero de casos favorables
k
,
P (A) = P (A1 ) + P (A2 ) + + P (Ak ) = =
n
n
umero de casos posibles
expresi
on conocida como regla de Laplace.
n:
Demostracio

Proposici
on 7 Si {Ai }i=1,...,n es una partici
on de , entonces P

n
S

Ai

i=1

n
P

P (Ai ) = 1.

i=1

Tema 2. Teora Elemental de Probabilidad

n: En efecto, por tratarse de una particion, se verifican: =

Demostracio

n
S
i=1

Ai y Ai Aj = , i 6= j,

de manera que si aplicamos la formula de Poincare, todos los sumatorios que aparecen en la misma
son nulos salvo el primero. Empleando ahora el segundo axioma de probabilidad, la propiedad queda
demostrada.

Proposici
on 8 Si A, B , entonces P (B \ A) = P (B) P (A B).

n: Observemos que A B = B \ A, lo que permite escribir la igualdad P (B) = P (A

Demostracio
B) + P (A B) que aparece en la demostracion de la Proposicion 2, de esta forma
P (B) = P (A B) + P (B \ A)

o lo que es lo mismo

P (B \ A) = P (B) P (A B).

Proposici
on 9 Sean A, B tales que A B, entonces P (B \ A) = P (B) P (A).
n: En efecto, de A B, se deduce, que A B = A, de modo que basta con aplicar la
Demostracio
Proposicion 8.

5.

Probabilidad condicionada

Ejemplo 5 Supongamos un experimento aleatorio consistente en lanzar un dado. Si no tenemos m

as
informaci
on, sabemos que la probabilidad de obtener un 2 es de 1/6. Sin embargo, si alguien nos informa
de que ha salido un n
umero par, entonces nuestro grado de confianza de obtener un 2 crece. Es decir, es
posible que algunas informaciones modifiquen nuestras creencias y condicionen la probabilidad de ocurrencia de ciertos sucesos. Al suceso B de salir un n
umero par (informaci
on proporcionada) le llamaremos
condici
on, de manera que lo que queremos es calcular la probabilidad de obtener un 2 condicionada a que
ha salido un n
umero par.
Es l
ogico pensar que nuestro espacio muestral se ha modificado, puesto que a priori, sabamos que =
{1, 2, 3, 4, 5, 6} y, sin embargo, una vez que se conoce que ha salido un n
umero par, el espacio muestral se
convierte en 0 = B = {2, 4, 6}. Aplicando ahora la regla de Laplace obtenemos que la probabilidad
buscada es 1/3.
Para calcular probabilidades como las del ejemplo anterior, se da la siguiente definicion:
Definici
on 8 Sean A y B dos sucesos del espacio muestral , tal que p(B) 6= 0. Se llama probabilidad
condicionada de A dado B al cociente
P (A|B) =

P (A B)
P (B)

Esta relacion tambien puede escribirse como el producto:

P (A B) = P (B) P (A|B)
que se conoce como ley de probabilidad compuesta o regla de la multiplicacion.
Una vez definida la probabilidad condicionada, habra que demostrar que efectivamente se trata de
una funcion de probabilidad, para lo que habra que verificar el cumplimiento de los axiomas. Puede
demostrarse que es as, aunque no haremos esa demostracion, de modo que en lo sucesivo, admitiremos
que la probabilidad condicionada cumple no solo los axiomas de probabilidad sino todas las propiedades
que se derivan de ellos. En particular, la propiedad que relaciona la probabilidad de un suceso con la de
su complementario:
P (A | B) = 1 P (A | B).
1 Con

el smbolo B\ A (diferencia conjuntista)

queremos expresar el conjunto de elementos de B que no pertenecen a

A. Es decir: B \ A = x B tales que x

/A .

Tema 2. Teora Elemental de Probabilidad

Nota: No debe confundirse la igualdad anterior con esta otra P (A | B) = 1 P (A | B), muy parecida
formalmente, pero que en general no es cierta.
Comprobemos que esta definicion es coherente con el ejemplo anterior: Si A = {2} = Obtener un 2,
entonces tenemos que

P (A B)
P ({2})
1/6
1
obtener un 2 sabiendo que
P (A|B) = P
=
=
=
= .
ha salido un n
umero par
P (B)
P ({2, 4, 6})
1/2
3
A continuaci
on, veremos dos resultados muy importantes dentro del calculo de probabilidades, ambos
relacionados con la probabilidad condicionada. En la Figura 3 se ilustra la situacion descrita en estos
resultados.

A1

A2

A3
A6

B
A4

A5
Figura 3:

Teorema 9 (de la probabilidad total)

Si A1 , , An son sucesos disjuntos dos a dos, de probabilidades no nulas y tales que
B se tiene que
P (B) =

n
S
i=1

Ai = , entonces

n
n
X
X
P (B Ai ) =
P (Ai ) P (B|Ai ).
i=1

i=1

n: Consideremos las igualdades

Demostracio

B = B = B A1 A2 . . . An = (B A1 ) (B A2 ) . . . (B An ) .
Como Ai Aj = cuando i 6= j, tambien ha de ser (B Ai ) (B Aj ) = cuando i 6= j, por lo tanto
P (B) = P (BA1 )+P (BA2 )+. . .+P (BAn ) = P (B|A1 )P (A1 )+P (B|A2 )P (A2 )+. . .+P (B|An )P (An ).

El segundo de los dos resultados es consecuencia del primero:

Teorema 10 (de Bayes)
Sean A1 , , An sucesos disjuntos dos a dos, de probabilidades no nulas y tales que
cualquier suceso B con P (B) 6= 0, se tiene que

n
S

Ai = . Para

i=1

P (B|Ai ) P (Ai )
P (Ai |B) = P
n
P (B|Aj ) P (Aj )
j=1

n: Usando la definicion de probabilidad condicionada podemos escribir

Demostracio
P (Ai B) = P (Ai |B)P (B) = P (B|Ai )P (Ai ),

por lo tanto

P (Ai |B) =

P (B|Ai )P (Ai )
P (B).

Sustituyendo ahora P (B) por la expresion obtenida en el Teorema de las Probabilidades Totales, queda
demostrado el Teorema.

Veamos un ejemplo de aplicacion del teorema de Bayes:

Tema 2. Teora Elemental de Probabilidad

Ejemplo 6 Supongamos que en un 25 % de los accidentes en autopistas participa la excesiva velocidad

(suceso B), y en un 30 % el consumo de bebidas alcoh
olicas (suceso A). En el caso de dicho consumo,
hay una probabilidad de 60 % de que tambien haya velocidad excesiva, mientras que en caso contrario
esta probabilidad es de 10 %. Si ocurre un accidente con participaci
on de exceso de velocidad, cu
al es la
probabilidad de que participe el consumo de bebidas alcoh
olicas?
Los datos que nos da el ejemplo son los siguientes:
P (A) = 0,3

P (B|A) = 0,6

P (B) = 0,25

= 0,1
P (B|A)

Nos piden P (A|B). Al ser una probabilidad condicionada, es natural buscar la soluci
on en la definici
on
de la misma, es decir
P (A B)
,
P (A|B) =
P (B)
pero no contamos de forma inmediata con la probabilidad P (A B).
Sean los sucesos
A1 = A = consumo de bebidas alcoh
olicas
A2 = A = no consumo de bebidas alcoh
olicas
entonces se tiene que:
A1 A2 =
P (A1 ) = 0,3 6= 0
P (A2 ) = 0,7 6= 0
A1 A2 =

y adem
as, P (B) = 0,25 6= 0.

Por tanto, se verifican las hip

otesis del teorema de Bayes y tenemos que
P (A|B) = P (A1 |B) =

P (B|A1 ) P (A1 )
0,6 0,3
=
= 0,72
2
P
0,6 0,3 + 0,1 0,7
P (B|Aj ) P (Aj )

j=1

Con lo que si hubo velocidad excesiva en un accidente, existe una probabilidad de 72 % de que se acompa
ne
de consumo de bebidas alcoh
olicas.

6.

Independencia de sucesos

En muchas ocasiones, la informacion que proporciona saber que ha ocurrido un determinado suceso no
influye sobre la probabilidad de otros sucesos asociados al mismo experimento. En este caso, se dice que
los sucesos son independientes. Formalmente,
Definici
on 11 Los sucesos A y B son independientes si P (A B) = P (A) P (B).
De esta definicion se deduce que si A y B son independientes, entonces se verifica
P (A) = P (A|B) y P (B) = P (B|A)
Definici
on 12 Dados A1 , A2 y A3 , decimos que estos tres sucesos son independientes si:
1. P (Ai Aj ) = P (Ai ) P (Aj ),

i 6= j

2. P (A1 A2 A3 ) = P (A1 ) P (A2 ) P (A3 )

Si los tres sucesos no son independientes, entonces se tiene
P (A1 A2 A3 ) = P (A1 ) P (A2 |A1 ) P (A3 |A1 A2 )

Tema 2. Teora Elemental de Probabilidad

Ejemplo 7 Consideremos los datos del ejemplo 3, y supongamos que P (A) = P (B) = P (C) = 0,9. Si
se necesita calcular P (A B C), entonces al ser estos sucesos independientes, se tiene que
3

P (A B C) = P (A) P (B) P (C) = (0,9) = 0,729

En general, tenemos la siguiente definicion:
Definici
on 13 Dados A1 , , An , decimos que estos n sucesos son independientes si para toda
subcolecci
on {Ai1 , , Aik } {A1 , , An } se verifica que:
P (Ai1 Ai2 Aik ) = P (Ai1 ) P (Ai2 ) P (Aik )
Observese que si los sucesos no son independientes, entonces se tiene
n !
\
P
Ai = P (A1 ) P (A2 |A1 ) P (A3 |A1 A2 ) P (An |A1 A2 An1 )
i=1

7.

Bibliografa
Huntsberger D.V. y Billingsley P. Elementos de Estadstica Inferencial. Compa
nia Editorial Continental 1983.
Mendenhall W. y Sincich T. Probabilidad y Estadstica para Ingeniera y Ciencias (4a edicion).
Pearson Educacion 1995.
Milton J.S. y Arnold J.C. Probabilidad y Estadstica con aplicaciones para ingeniera y ciencias
computacionales (4a edicion). McGraw-Hill 2004.
Montgomery D.C. y Runger G.C. Probabilidad y Estadstica aplicadas a la Ingeniera McGraw-Hill
1996.
Spiegel M.R. Estadstica. McGraw-Hill. (Coleccion Schaum)
Walpole R.E., Myers R.H. y Myers, S. L. Probabilidad y Estadstica para Ingenieros (6a edicion).
Pearson Educacion 1998.