Estadística I

Tema 2: Probabilidad
Tema 2. Probabilidad

Contenidos
Experimentos aleatorios, espacio muestral, sucesos
elementales y compuestos.
Definición de probabilidad. Propiedades.
Probabilidad condicionada y ley de la multiplicacion.
Independencia.
Ley de la Probabilidad Total y Teorema de Bayes.
Conceptos básicos: ejemplos
I Experimento aleatorio: resultado del lanzamiento de un dado
I Espacio muestral (posibles resultados) finito: Ω = {1, 2, 3, 4, 5, 6}
I Sucesos elementales (puntos muestrales): {1}, {2}, . . . , {6}
I Sucesos compuestos: p. ej., A =“obtener un resultado par”
= {2, 4, 6}, B =“obtener un resultado mayor que 3”= {4, 5, 6}.
I Experimento aleatorio: número de accesos a la página web de la
UCM el próximo lunes
I Espacio muestral infinito numerable: Ω = {0, 1, 2, . . .} = N ∪ {0}
I Sucesos elementales: {0}, {1}, {2}, . . .
I Sucesos compuestos: p. ej., A =“se reciben al menos 100 accesos”
= {100, 101, . . .} y B =“se reciben menos de 500 accesos”
= {0, 1, . . . , 499}.
I Experimento aleatorio: precio de una cierta acción al cierre de sesión
del proximo lunes
I Espacio muestral infinito no numerable: Ω = (0, +∞) o, siendo
realistas, Ω = (0, M) para algún M lo bastante grande
I Sucesos elementales: {x }, con x ∈ Ω
I Sucesos aleatorios: p. ej., A =“el precio de cierre es superior a 5
euros” = (5, M) y B =“precio de cierre entre 3 y 8 euros” = (3, 8).
Sucesos aleatorios: conceptos básicos
Sucesos
I Un suceso es un subconjunto “razonable” A del espacio muestral Ω
(A ⊆ Ω). Si el resultado ω del experimento aleatorio cumple que
ω ∈ A, el suceso ocurre. Si no es así, el suceso A no ocurre.
Sucesos triviales
I Suceso seguro: El espacio muestral completo Ω. Siempre ocurre.
I Suceso imposible: El conjunto vacío ∅. Nunca ocurre.
Suceso complementario o contrario a un suceso A: suceso que ocurre
cuando no lo hace A. Se compone de todos los sucesos elementales de Ω
que no est´an en A. Se denota por Ac o por A.
Operaciones básicas con sucesos aleatorios
Supongamos que A y B son sucesos del espacio muestral Ω.
I Intersección de sucesos: La intersección A ∩ B se compone de todos
los elementos en A y en B a la vez (A ∩ B: “ocurren A y B”).
I A y B son sucesos incompatibles si no tienen ningún elemento en
común, i.e., si su interseccion es el suceso imposible, A ∩ B = ∅
I Unión de sucesos: La unión A ∪ B se compone de todos los
elementos que están en A o en B (A ∪ B: “ocurren A o B”).
I Diferencia de sucesos: La diferencia A \ B se compone de todos los
elementos de A que no están en B (A \ B: “ocurre A pero no B”).

Leyes de Morgan
Relaciones entre la uni ón, intersección y sucesos complementarios:

A∪ B = A∩B
A∩B = A∪ B
Ejemplo: lanzamiento de un dado

Experimento aleatorio “resultado obtenido al lanzar un dado”:

I Espacio muestral: Ω = {1, 2, 3, 4, 5, 6}

I Sucesos elementales: {1}, {2}, {3}, {4}, {5}, {6}
I Sucesos compuestos: p. ej., A = {2, 4, 6}, B = {4, 5, 6}
El suceso A ocurre cuando “sale un número par”.
El suceso B ocurre cuando “sale un número mayor que tres”.
Ejemplo: lanzamiento de un dado

Ω = {1, 2, 3, 4, 5, 6} A = {2, 4, 6} B = {4, 5, 6}

I Complementario:

A¯ = {1, 3, 5} B¯ = {1, 2, 3}

I Intersección:

A ∩ B = {4, 6} A¯ ∩ B¯ = {1, 3}

I Unión:
A ∪ B = {2, 4, 5, 6} A¯ ∪ B¯ = {1, 2, 3, 5}
A ∪ A¯ = {1, 2, 3, 4, 5, 6} = Ω
I Sucesos incompatibles:
A ∩ A¯ = ∅
Probabilidad. Intuición

La probabilidad de un suceso es una medida de la confianza que tenemos

a priori en que el suceso ocurra cuando se realice el experimento aleatorio
(a mayor probabilidad de un suceso, más cabe esperar que ocurra).

Al tirar un dado equilibrado: Intuitivamente,

I La probabilidad de que salga un 1 es menor que la de que salga un
número mayor que uno
I La probabilidad de que salga un 4 es igual que la de que salga un 6.
I La probabilidad de que salga un 7 es mínima, ya que es un suceso
imposible.
I La probabilidad de que salga un número positivo es máxima, ya que
es un suceso seguro.
Tres enfoques/interpretaciones

Probabilidad clásica (regla de Laplace): Considera un experimento en

el que los sucesos elementales son equiprobables. Si el suceso A tiene
n(A) puntos muestrales, entonces se define la probabilidad de A como

número de casos favorables a A n(A)

P(A) = = .
nu´mero de casos posibles n(Ω)

Enfoque frecuentista: Si repitiéramos el experimento muchas veces, la

frecuencia relativa con que ocurrirı́a el suceso A convergerı́a a su
probabilidad.

P(A) = valor límite de la frecuencia del suceso A

Probabilidad subjetiva: Depende de la informaci on de que dispongamos.

P(A) = grado de creencia o certeza de que ocurra el suceso A

Probabilidad: Axiomas y propiedades
Definición: Sea F la colección de todos los sucesos de Ω (nota: F se
compone de todos los subconjuntos de Ω si Ω es numerable). La
probabilidad es una funcion P : F → [0, 1] que asigna a cada suceso
A ∈ F un número P(A), y que cumple los siguientes axiomas:
I P(A) ≥ 0 para todo suceso A ∈ F.
I P(Ω) = 1.
I Probabilidad de la unión de sucesos incompatibles: si A y B son
incompatibles, entonces P(A ∪ B) = P(A) + P (B).
Propiedades (consecuencias de los Axiomas):
I Probabilidad del complementario: P(A ¯) = 1 − P(A).
I P(∅) = 0.
I Si A ⊆ B ⇒ P(A) ≤ P(B)
I Si A = {e1, . . . , en} finito (o infinito numerable)
Pn
⇒ P(A) = ∑ i =1 P({ei })
I Probabilidad de la unión: P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
Ejemplo: lanzamiento de un dado equilibrado

I Probabilidad de los sucesos elementales: P({i }) =1/6 i = 1, . . . ,

I 6Probabilidad de que salga par: A = {2, 4, 6}, luego

1 1 1 1 n(A)
P(A) = P({2}) + P({4}) + P({6}) = 6 + 6 + 6= 2 n(Ω)

I Probabilidad de que salga mayor que 3: B = {4, 5, 6}, luego

1 1 1 1 n(B)
P(B) = P({4}) + P({5}) + P({6}) = 6 + 6 + 6 = 2 = n(Ω)
I Probabilidad de que salga impar

1 1
P(A¯ ) = 1 − P(A) = 1 − =
2 2
Ejemplo: lanzamiento de un dado equilibrado

I Probabilidad de que salga par o mayor que tres:

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

n(A∩B)
Como A ∩ B = {4, 6}, P(A ∩ B) = 2 = 1 = ,y
6 3 n(Ω)

1 1 1 4 2 n(A ∪ B)
P(A ∪ B) = 2 + 2 − 3 = 6 = 3 =
n(Ω)
I Probabilidad de que salga par o igual a uno.
Los sucesos A = {2, 4, 6} y C = {1} son incompatibles (A ∩ C = ∅),
por tanto

1 1 4 2 n(A ∪ C )
P(A ∪ C ) = P(A) + P(C ) = 2 + 6 = 6 = 3 =
n(Ω)
Probabilidad condicionada: ejemplo
Se clasifica un grupo de 100 ejecutivos según su peso y si sufren o no
de hipertensión. La siguiente tabla muestra los resultados:
Tensión \ Peso Insuficiente (I) Normal (N) Sobrepeso (S) Total
Hipertenso (H) 2 8 10 20
Normal (N) 20 45 15 80
Total 22 53 25 100

I Experimento aleatorio: se selecciona de forma equiprobable a uno de

los 100 ejecutivos y se observa su clasificación de tensión y peso.
I Espacio muestral: Ω = {(H, I ), (H, N), (H, S), (N, I ), (N, N), (N, S)}
I ¿Probabilidad de A = “el ejecutivo seleccionado es hipertenso”?

20 n(A)
P(A) = = 0.2 =
100 n(Ω) ; ¿por qué?
I Supongamos que el ejecutivo seleccionado tiene sobrepeso ¿Cuál es
entonces la probabilidad de que sea hipertenso? ¿Es igual que antes?
Probabilidad condicionada: ejemplo

Probabilidad de A (“es hipertenso”), dado B (“tiene sobrepeso”):

P(A | B)

Para calcularla, nos fijamos solo en los ejecutivos con sobrepeso:

n(A ∩ B) = 10 = 0.4 > 0.2 = P (A)

P(A | B) =
n(B) 25

La probabilidad de un suceso depende de la informaci on que tengamos

La probabilidad condicionada P(A | B) es la probabilidad de que

ocurra A dado que sabemos que ha ocurrido B.
Probabilidad condicionada. Sucesos Independientes

Probabilidad condicionada
Definición: La probabilidad de un suceso A condicionada a que otro
suceso B (con P(B) > 0) ha ocurrido es

P(A ∩ B)
P(A | B) =
P(B)

Sucesos Independientes
I Intuitivamente: el saber si uno de ellos ha ocurrido no nos da
ninguna información sobre si el otro ha ocurrido.
I Definición: Dos sucesos A y B son independientes si

P(A ∩ B) = P(A)P(B).

I Propiedad: Supongamos que P(B) > 0. Entonces,

A y B son independientes ⇐⇒ P(A | B) = P(A)
Sucesos Independientes: ejemplo II

I Se lanza un dado equilibrado

I Suceso A: sale un resultado par
I Suceso B: sale un resultado mayor que 2
I Nos dicen que al tirar un dado ocurrió B. Sabiendo esto, ¿cuál es la
probabilidad condicionada de que el resultado haya sido par?
Sucesos Independientes:
ejemplo

I Se lanza un dado equilibrado

I Suceso A: sale un resultado par
I Suceso B: sale un resultado mayor que 2
I Nos dicen que al tirar un dado ocurrió B. Sabiendo esto, ¿cuál es la
probabilidad condicionada de que el resultado haya sido par?
I
P(A ∩ B) = 2/ 6 = 1 = P (A).
P(A | B) =
P(B) 4/ 6 2
I Los sucesos A y B son independientes
Teoremas fundamentales del cálculo de probabilidades

Regla de la multiplicación
Es útil para calcular la probabilidad de que ocurran a la vez varios sucesos
cuando las probabilidades condicionadas son fáciles de calcular.
I P(A ∩ B) = P(A) P(B | A), siempre que sea P(A > 0).
I P(A ∩ B ∩ C ) = P(A) P(B | A) P(C | A ∩ B), siempre que sea
P(A ∩ B) > 0.
I Se generaliza al cálculo de la probabilidad de la intersección de n
sucesos A1, . . . , An.
Regla de la multiplicación: ejemplos
Se extraen sucesivamente dos cartas de una baraja española.
Probabilidad de que:
12
I La primera carta sea copa: P(A) = 48
. segunda sea copa, sabiendo que la primera lo fue: P(B | A) =
I La
11
.
47
I Las dos cartas sean copas: P(A ∩ B) = P(A)P(B | A) = 48
12 × 11
47
.

Se lanzan sucesivamente dos dados equilibrados. Probabilidad de que:

I En el primer dado salga un 1: P(C ) = 1 6.
I En el segundo dado salga un 1, sabiendo que en el primero salió 1:
P(D | C ) = P(D) = 16 .
I En el primer dado salga un uno, si en el segundo saliió uno:
P(C | D) = P(C ) = 16 .
I En los dos dados salga uno:
P(C ∩ D) = P(C )P(D | C ) = P(C ) P(D) = 1 × 1 (sucesos
6 6
independientes)
Teoremas fundamentales: teorema de la probabilidad
total
Los sucesos B1, B2, . . . , Bk son mutuamente excluyentes si
Bi ∩ Bj = ∅, para i = j.

Si además de eso cumplen

Ω = B 1 ∪ B2 ∪ . . . ∪ Bk ,

se dice que forman una partición del espacio muestral.

Teoremas fundamentales: teorema de la probabilidad
total
Si B1, B2, . . . , B k es una partición del espacio muestral tal que
P(Bi ) = 0, i = 1, . . . , k, y A es un suceso cualquiera, entonces

P(A) = P(A ∩ B1 ) + P(A ∩ B2 ) + . . . + P(A ∩ Bk ) =

= P(A|B 1 )P(B 1 ) + P(A|B 2 )P(B 2 ) + . . . + P(A|B k )P(B k ).
Teorema de la probabilidad total: ejemplo

En una fábrica se embalan galletas en cuatro cadenas de montaje: A1,

A2, A3, y A4. El 35% de la producci ón total se embala en la cadena A1,
el 20%, 24% y 21% en las cadenas A2, A3 y A4, respectivamente.
Los datos indican que no se embalan correctamente un porcentaje
pequeño de las cajas: el 1% en la cadena de montaje A1, el 3% en A2, el
2.5% en A3 y el 2% en A4.
¿Cuál es la probabilidad de que una caja elegida al azar de la producción
total sea defectuosa (suceso D)?

P(D) = P(D ∩ A 1 ) + P(D ∩ A 2 ) + P(D ∩ A 3 ) + P(D ∩ A 4 )

= P(D|A 1 )P(A 1 ) + P(D|A 2 )P(A 2 ) + P(D|A 3 )P(A 3 ) + P(D|A 4 )P(A 4 )
= 0.01 × 0.35 + 0.03 × 0.20 + 0.025 × 0.24 + 0.02 × 0.21 = 0.0197.
Teoremas fundamentales: teorema de Bayes

Para dos sucesos A y B con P(A) > 0 y P(B) > 0 se tiene que

P(B | A)P(A)
P(A | B) =
P(B)

Ejemplo: (continuación del anterior) Supongamos que descubrimos una

caja defectuosa. ¿Cuál es la probabilidad de que esa caja haya sido
embalada en la cadena de montaje A1?

P(D | A1)P(A1)
P(A 1 | D) =
P(D)
0.01 × 0.35
= = 0.17766
0.0197
Teoremas fundamentales: teorema de Bayes

Dada una partición del espacio muestral B 1, B2, . . . , Bk , con P(Bi ) = 0,

i = 1, . . . , k, y dado un suceso A, se tiene que, para j = 1 . . . , k,

P (A|Bj )P (Bj )
P(Bj | A) = P(A | B
1 )P(B 1 ) + P(A | B2)P(B 2) + . . . + P(A | Bk )P(B k)

I Probabilidades a priori de los B j : P(B1), . . . , P(B k )

I Probabilidades a posteriori de los Bj : P(B1 | A), . . . , P(Bk | A)
I Verosimilitud de A dado cada Bj : P(A | B1), . . . , P(A | Bk )
El teorema de Bayes: ejemplo

• Se dispone de un test clínico para una enfermedad rara que afecta a

una de cada 10.000 personas

• El test da positivo (detecta la enfermedad) en 99 de cada 100 personas

que la padecen, y da negativo (no la detecta) en 97 de cada 100 personas
que no la padecen.

• Se aplica el test a una persona elegida al azar, y da positivo. ¿Cuál es

la probabilidad de que padezca la enfermedad?
El teorema de Bayes: ejemplo

• Se aplica el test a una persona elegida al azar, y da positivo. ¿Cuál es

la probabilidad de que padezca la enfermedad?

• Sucesos: B 1 = la persona padece la enfermedad, B 2 = no la padece,

A = el test da positivo

• Aplicamos el teorema de Bayes:

P (A |B1 )P (B1 )
P(B1 | A) = P(A | B
1 )P(B 1 ) + P(A | B2)P(B 2)
99 1
99
= 100 10000 = ≈ 0.0033
99 1 3 9999
99 + 3 × 9999
100 10000 + 100 10000

• La probabilidad de que padezca la enfermedad es solo del 0.33%

Teoremas fundamentales: utilidad

La aplicación del teorema de la probabilidad total y del teorema de Bayes

es especialmente útil cuando:
I El experimento aleatorio se puede separar en 2 etapas

I Es sencillo dar una particion del espacio muestral Ω mediante sucesos

B1, . . . , B k correspondientes a resultados en la primera etapa.

I Son conocidas, o fácilmente calculables, las probabilidades a priori

P(B1), . . . , P(B k ).

I Son conocidas, o fácilmente calculables, las verosimilitudes

P(A | B1 ), . . . , P(A | Bk ), donde A es un suceso correspondiente a
resultados de la segunda etapa.