TEMA 1.- PROBABILIDAD.

-CURSO 2016/2017

1.1.- Introducción. Definición axiomática de

probabilidad. Consecuencias de los axiomas.
1.2.- Probabilidad condicionada.
1.3.- Independencia de sucesos.
1.4.- Teoremas de la Probabilidad Total y de
Bayes

1
 1.1.INTRODUCCIÓN. DEFINICIÓN AXIOMÁTICA DE
PROBABILIDAD. CONSECUENCIAS DE LOS AXIOMAS.

 El Cálculo de Probabilidades es la ciencia que permite analizar de

manera adecuada los fenómenos que presentan incertidumbre,
llamados fenómenos aleatorios y que son el objeto de estudio de
este tema.
Ejemplo 1: Lanzamiento de un dado, número de veces que hay que
lanzar una moneda para obtener cara o tiempo hasta que se imprime un
trabajo
 La axiomática de Kolmogorov nos permite definir una medida de
la posibilidad de ocurrencia de un determinado suceso asociado a
un fenómeno aleatorio, medida a la que llamaremos probabilidad
del suceso.
 Los fenómenos aleatorios se estudian mediante experimentos,
llamados, experimentos aleatorios.
2
 DEFINICIONES

Definición 1: Llamaremos experimento aleatorio a un experimento que

cumple:
a) Antes de realizar el experimento no sabemos cual va a ser el resultado del
mismo, pero sí conocemos los distintos resultados posibles del experimento.
b) El experimento puede repetirse tantas veces como sea necesario en idénticas
condiciones.

Definición 2: Llamaremos espacio muestral asociado a un experimento

aleatorio y lo denotaremos por E, al conjunto de todos los posibles
resultados del experimento. Cada uno de estos resultados posibles se
llama suceso elemental.

El espacio muestral puede ser finito, infinito numerable e incluso infinito

no numerable.

3
Definición 3: Llamaremos suceso compuesto o simplemente suceso, a
cualquier subconjunto del espacio muestral E. Los sucesos se denotan
con letras mayúsculas: A, B, C,,…Los elementos con minúsculas: a,b,..

Un conjunto o suceso A se caracteriza mediante la propiedad que

cumplen todos sus elementos o dando todos sus elementos, entre llaves.

Llamaremos suceso seguro al que se verifica siempre (notación: E ).

Llamaremos suceso imposible al que no se verifica nunca (  ).

Ejemplo 2: Experimento aleatorio: lanzar un dado.

Espacio muestral : E = {1, 2, 3, 4, 5, 6}.
Suceso A: obtener un 5 o A = {5}. A es un suceso elemental.
Suceso B: obtener un número par o B = {2, 4, 6}. B es un suceso compuesto.
Suceso C: obtener un número mayor que 6 o C =  . C es un suceso imposible.
Suceso D: obtener par o impar o D = E. D es un suceso seguro.

4
Definición 4: Se llama espacio de sucesos al conjunto S formado por
todos los sucesos (elementales y compuestos) incluidos el suceso
imposible y el suceso seguro.

Este conjunto puede ser finito, infinito numerable o infinito no

numerable.

Ejemplo 3: Experimento aleatorio: lanzar un dado.

Espacio muestral: E = {1, 2, 3, 4, 5, 6}.

Espacio de sucesos:

S = {  , E, {1}, {2}, {3}, {4}, {5}, {6}, {1,2},{1,3},….,{5,6}, {1,2,3},

{1,2,4},…,{4,5,6},…..,{1,2,3,4,5},…., {2,3,4,5,6}}

En este caso, el número de elementos de S es 26.

5
 OPERACIONES CON SUCESOS

Sean A y B dos sucesos cualesquiera de E asociados a un experimento

aleatorio, entonces:
a) Llamamos suceso unión de A y B y lo designamos por A  B , al
suceso que resulta cuando ocurre A o B o ambos a la vez.
b) Llamamos suceso intersección de A y B y lo designamos por
A  B , al suceso que resulta cuando ocurren a la vez A y B.
Decimos que A y B son disjuntos o incompatibles si A  B   .
c) Llamamos suceso contrario o complementario de A y lo
designamos por A , al que se verifica cuando no lo hace A.
d) Llamamos suceso diferencia de A y B y lo designamos por A-B al
que resulta cuando ocurre A y no ocurre B. Observemos que
A B  A B .
e) Decimos que A está contenido en B (A implica B) y lo
designamos por A  B , si siempre que ocurre A ocurre B.
6
 PROPIEDADES DE LAS OPERACIONES CON SUCESOS
 Conmutativa : A  B  B  A
A B  B  A  A    A; A    
 A  E  E; A  E  A
 Asociativa:
 A  B  C  A   B  C   A  A  A; A  A  A
 A  B  C  A   B  C 

 Distributiva:
A   B  C    A  B   A  C  
A   A  B  A  B 
A   B  C    A  B   A  C   para cualquier B

 Leyes de De Morgan:
A B  A B  A  A  E; A  A  
A B  A B

7
A partir de un enunciado será imprescindible escribir en notación
conjuntista un cierto suceso.
Ejemplo 4:

También es importante conocer los elementos de algunos sucesos sencillos

Ejemplo 5: hacer problema 1 a) de la hoja de problemas

8
 DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD

Definición Sea E el espacio muestral asociado a un experimento aleatorio

y sea  una -álgebra de sucesos de E (subconjunto de S con buenas
propiedades). Diremos que la aplicación P :    es una
PROBABILIDAD si verifica los siguientes axiomas:

 Axioma 1 A  , P  A  0
 Axioma 2 P  E   1
 Axioma 3 Si  Ai iI   , son sucesos incompatibles dos a dos, es decir,
Ai  A j   i  j , entonces
 
P   Ai    P  Ai 
 iI  iI ,
donde I puede ser un conjunto de sucesos finito o infinito numerable .

9
La función probabilidad asigna a cada suceso A un número entre 0 y 1:
 Si P(A) es cercana a 0, indica posibilidad pequeña de que ocurra el
suceso A. Si P(A) = 0, es imposible que ocurra A. En este caso A   .
 Si P(A) es cercana a 1, indica posibilidad alta de que ocurra el suceso
A. Si P(A) = 1, A ocurre con total seguridad. En este caso, A = E

PROPIEDADES CONSECUENCIA DE LOS AXIOMAS

Propiedad 1 Si A   , entonces 0  P  A  1
Propiedad 2 P  A   1  P  A  ( también se escribe P  A   1  P  A  )
Propiedad 3 P     0
Propiedad 4 Si A es un suceso cualquiera, siempre se verifica que
P  A  P  A  B   P  A  B 
siendo B cualquier suceso.
Propiedad 5 P  A  B   P  A  B   P  A  P  A  B 

10
 Propiedad 6 Si A, B   son tales que A  B , entonces
o P  A  P  B 
o P  B  A  P  B   P  A .
Propiedad 7 Si A y B son sucesos cualesquiera, entonces
P  A  B   P  A  P  B   P  A  B 
Si A, B y C son sucesos cualesquiera, entonces

P  A  B  C   P  A  P  B   P  C 
 P  A  B  P  A  C   P  B  C   P  A  B  C 
Esta propiedad se puede generalizar al caso de más de tres sucesos

P  A1  A2  ...  An    P  Ai    P  Ai  Aj    P A  A j  Ak   ...   1

n n n
P  A1  A2  ...  An 
n 1
i
i 1 i j i j k

11
 Propiedad 8 (Regla de Laplace) Sea E un espacio muestral FINITO
E   A1 , A2 ,..., An  asociado a un experimento aleatorio. Si se asignan
probabilidades a cada suceso elemental  Ai  i  1,2,..., n entonces para
cualquier subconjunto B de E, la probabilidad de B se calcula como

P  B   P  A  
A j B
j

En concreto, si los sucesos  Ai  i  1,2,..., n son IGUALMENTE

POSIBLES, (es decir, P  Ai   1/ n ) entonces,
k nº de elementos de B casos favorables a B
P  B   
n nº de elementos de E casos posibles del experimento .

Para aplicar la regla de Laplace hay que contar el número de elementos

de un conjunto. Necesitaremos utilizar el Análisis Combinatorio.

12
 ANALISIS COMBINATORIO
Si tengo n elementos y quiero contar cuántos grupos de k elementos
puedo hacer, debo de responder a tres preguntas:
 P1: ¿Importa el orden de los k elementos dentro de un grupo?
 P2: ¿Se pueden repetir los elementos dentro de un grupo?
 P3: ¿ k < n o k = n? (Si hay repetición puede pasar que k > n)

Variaciones Variaciones Combinaciones Permutaciones Permutaciones con

con repetición
repetición
P1 SI SI NO SI SI
P2 NO SI NO NO SI
P3 k<n k < n, k = n k<n k=n k=n
ók>n
Vn ,k  VRn ,k  n k n n! Pn  n ! n!
Cn , k     PRkn1 ,k2 ,..,kr 
 n   n  1  ...   n  k  1  k  k ! n  k  ! k1 ! k2 ! ...  kr !
con k1  k2  ...  kr  n

13
 EJEMPLOS REGLA DE LAPLACE

Ejemplo 6: Se lanza una moneda tres veces. Calcular la probabilidad de:

a) Obtener 2 cruces
b) Obtener al menos dos cruces.

Ejemplo 7: Una caja contiene 2 bolas rojas y 2 negras. Se sacan dos

bolas al azar sin reemplazamiento. Calcular la probabilidad de que:
a) Las dos sean rojas.
b) Al menos una sea negra.

Observación: comentar los resultados si las dos bolas se hubiesen

sacado a la vez. Idem si las dos bolas se hubiesen sacado sin
reemplazamiento.

14
 1.2. PROBABILIDAD CONDICIONADA.
Si se dispone de información adicional sobre un experimento, por ejemplo, si
sabemos que cierto suceso A se ha verificado, esta información puede modificar
(o no) la probabilidad de ocurrencia de un suceso B.

Ejemplo 8 Consideremos el experimento consistente en extraer una carta de una

baraja española y los sucesos A: extraer figura y B : extraer rey.
4 1
P  A 
12 3
 y P  B   
40 10 40 10 .

Supongamos ahora que se repite el experimento y al extraer la carta alguien nos

dice que ha salido una figura. En este caso la probabilidad de obtener un rey,
usando la regla de Laplace es:
4 1 1
P  B sabiendo que ha ocurrido A     P B 
12 3 10
Al conocer que ha ocurrido A, el espacio muestral inicial, E, se ha modificado
dando lugar a un nuevo espacio muestral E´: las 12 figuras de la baraja.

15
Definición Sean sucesos A y B   . Llamaremos probabilidad de B
condicionada por A a la probabilidad de que ocurra B sabiendo que ya ha
ocurrido A. Se denota por P  B A y si P  A  0 , se calcula como
P  B  A
P  B A 
P  A
Vamos a calcular P  B A del ejemplo 8 con esta regla de cálculo y comprobar
que se obtiene el mismo resultado que usando la regla de Laplace con E´.

Observaciones:
1. P  A y P  A  B  que aparecen en la fórmula se calculan sobre el espacio
muestral inicial E.
2. En general, es complicado usar directamente la Regla de Laplace para
calcular P  B A  porque es difícil conocer el espacio modificado E´. Entonces,
en casi todos los casos usaremos la regla de probabilidad anterior para calcular
probabilidades condicionadas.

16
3. La probabilidad condicionada es una PROBABILIDAD y, por tanto,
cumple los axiomas de la probabilidad y TODAS las propiedades que se
derivan de los mismos. Por ejemplo, P  A / B   1  P  A / B  .
4. Despejando de la igualdad anterior, también tenemos una regla para
calcular la probabilidad de la intersección de dos sucesos:
P  B  A  P  A  P  B A

5. Si aplicamos la regla de probabilidad condicionada a P  A B  tenemos:

P  A  B
P  A B 
P  B .
Esto permite dos igualdades más:
a) P  A  B   P  A / B   P  B   P  B / A  P  A
P  B  P  A / B
b) P  B / A  
P  A

17
6. En ejercicios es importante detectar si nos preguntan por P  B / A ó P  B  .
7. No confundir tampoco P  B / A con P  A  B  . En la primera, A ya ha
ocurrido y en la segunda los dos sucesos A y B están por ocurrir.
8. La igualdad
P  B  A  P  A  P  B A
se puede generalizar al caso de 3 sucesos como:
P  A  B  C   P  A  P  B A  P  C A  B 

Esta regla se llama REGLA DE LA PROBABILIDAD COMPUESTA.

Se puede generalizar al caso de n sucesos:

P  A1  A2  ...  An   P  A1   P  A2 A1   P  A3 A1  A2   ...  P  An / A1  A2  ...  An1 

18
 INDEPENDENCIA DE SUCESOS
Hay ocasiones donde la información que proporciona saber que ha ocurrido un
determinado suceso NO INFLUYE sobre la probabilidad de otros sucesos
relacionados con el anterior.
Ejemplo 9: En el experimento de extraer una carta de una baraja española.
Consideremos los sucesos B: sacar un rey y C : sacar un oro
1
PB / C   P B
10
Se dice entonces que los sucesos B y C son independientes.

Definición Sean sucesos A y B   . Se dice que A y B son independientes si

P  A B   P  A  P  B A  P  B  .
En caso contrario, se dice que los sucesos son dependientes o que no son
independientes.
En el ejemplo 8 los sucesos A: extraer figura y B: extraer rey no son independientes.

19
Teorema Sean sucesos A y B   . Entonces,
A y B son independientes  P  A  B   P  A  P  B  .

Ejemplo 10: En una población, el porcentaje de personas que toman café es del
80%, las que toman té son un 30% y las que no toman ni té ni café son un 10%.
Estudiar si los sucesos “tomar café” y “tomar té” son independientes.

Observaciones:

1. Suele ser más fácil ver si dos sucesos son independientes o no usando el
teorema que usando la definición.
2. No asumir nunca que dos sucesos son independientes a no ser que el
enunciado lo indique o que lo hayamos demostrado.
Normalmente cuando os piden calcular P  A  B  siempre hacéis
P  A  P  B  y esto solamente es cierto si sabéis que A y B son
independientes
20
 3. No confundir la propiedad de independencia con el hecho de que dos
sucesos sean disjuntos. De hecho, se verifica que:
 si A y B son disjuntos entonces A y B NO son independientes
 si A y B son independientes entonces A y B NO son disjuntos.

Ejemplo 11: Al lanzar un dado, sean A: obtener un nº mayor o igual que 5,

B: obtener par y C: obtener número menor o igual que 2. Demostrar que:

a) A y C son disjuntos pero no son independientes.

b) A y B son independientes pero no son disjuntos.

4. Propiedad: A y B son independientes  A y B son independientes

 A y B son independientes  A y B son independientes.

21
 INDEPENDENCIA PARA TRES O MÁS SUCESOS

Definición: Sean A1 , , An sucesos cualesquiera, se dice que son sucesos

independientes si, para todo subconjunto  Ai ,, Ai  de  A1 , , An  se verifica que
1 k

   
P Ai1    Aik  P Ai1   P Aik .  
Por ejemplo, para demostrar que tres sucesos A, B y C son independientes hay
que verificar las siguientes condiciones:
1. P  A  B   P  A  P  B 
2. P  A  C   P  A  P  C 
3. P  B  C   P  B   P  C 
4. P  A  B  C   P  A  P  B   P  C 
Por tanto, es difícil demostrar que más de 3 sucesos son independientes ¿qué
casos nos pueden aparecer en problemas?

22
 CÁLCULO DE INTERSECCIONES EN PROBLEMAS

CASO 1: Si nos dicen que n sucesos son independientes, usarlo para calcular
probabilidades de intersecciones de cualquier subconjunto de ellos y sus
complementarios, multiplicando las probabilidades.
Ejemplo 12:

23
CASO 2: Si los n sucesos NO son independientes (porque no nos lo
dicen, o porque no es obvio o no lo sabemos demostrar) para calcular
probabilidades de intersecciones hay que usar la Regla de la
Probabilidad Compuesta, ya enunciada para tres sucesos:

P  A  B  C   P  A  P  B A  P  C A  B   
También se enunció para el caso de n sucesos.

Ejemplo 13: Se sacan tres bolas al azar sin reemplazamiento de una

urna donde hay 4 blancas y 2 negras. Calcular la probabilidad de que las
3 sean blancas.

24
1.4. TEOREMA DE LA PROBABILIDAD TOTAL. TEOREMA DE BAYES
TEOREMA DE LA PROBABILIDAD TOTAL: Sean A1 , A2  , An   sucesos
tales que verifican:
n

1) A  E
i 1
i

2) Ai  Aj   i  j, i, j  1, 2,..., n .
Sea S  un suceso cualquiera. Entonces SIEMPRE se verifica que:
n
P  S    P  Ai   P  S Ai  P  A1   P  S A1   P  A2   P  S A2   ...  P  An   P  S An 
i 1

TEOREMA DE BAYES: En las hipótesis del teorema anterior, para un

j  1, 2,..., n determinado se tiene que:

P  Aj   P  S Aj 
P  Aj S   n

 P A  PS A 
i 1
i i

25
Observación: La dificultad fundamental de aplicación de estos teoremas suele
ser que los sucesos Ai i  1, 2,..., n no están definidos en el enunciado del
ejercicio sino que los debe de definir el usuario de forma que:

a) Al definir los sucesos Ai debe de ser más sencillo calcular

P  Ai  y P  S / Ai  que P  S  .
b) Los sucesos Ai deben definirse de manera que cumplan las dos
condiciones para poder aplicar los teoremas (recoger todas las
posibilidades y ser disjuntos 2 a 2).

Ejemplo 14: Se compra un lote de CD´s de tres marcas diferentes: 500 CD´s
de la marca A, 400 de la marca B y 100 de la marca C. Se sabe que el
porcentaje de CD´s defectuosos para cada una de las marcas es del 1% para A,
el 1.5% para B y el 2% para la marca C. Si se toma un CD al azar del lote,
a) Calcular la probabilidad de que el CD elegido sea defectuoso.
b) Si el CD elegido no ha sido defectuoso, calcular la probabilidad de que
sea de la marca A.

26
 RESUMEN TÉCNICAS PARA TRATAR PROBLEMAS DE PROBABILIDAD
 Casos favorables a A
1 .  (Regla de Laplace)
Casos posibles



CASO 1 : P( A)  2. Escribir A en términos de uniones, intersecciones o complementarios
 de sucesos más sencillos para los que si sabemos calcular la probabilidad


 3. Utilizar el teorema de la Probabilidad Total


 1. Regla de Laplace (DIFÍCIL; sólo si sabemos cómo B modifica E )


 2.  P( A  B )  P( A)  P( B / A)
 P( B ) P( B )

CASO 2 : P( A / B )  P( Ai )  P( B / Ai ) k

 3.  k (T. Bayes ) (si se usa TPT para P( B )   P( Aj )  P( B / Aj ))

  P( A j )  P( B / A j ) j 1

 j 1
4. Considerar A / B  C un suceso y aplicar P  C  del caso 1 ( DIFÍCIL)


27
 TÉCNICAS PARA CALCULAR PROBABILIDADES DE INTERSECCIONES

 1.  P( A)  P( B / A)  P( B)  P( A / B) (sirve siempre)


P( A  B) 2.  P( A)  P( B) (sirve sólo si A y B son independientes)


3. Considerar A  B  C y aplicar cálculo de P(C ) del caso 1

1. Regla deProbabilidad compuesta (sirve siempre)


P( A1  A2  ...  An ) 
 2.  P( A )  P( A )  ...  P( A ) (sirve sólo si A , A ,..., A son independientes)
 1 2 n 1 2 n

28