Cátedra: Probabilidad y Estadística

INTRODUCCIÓN A LA PROBABILIDAD

El objetivo general de la teoría de probabilidades consiste en proporcionar un modelo matemático adecuado a la

descripción e interpretación de cierta clase de fenómenos.
Es la teoría de probabilidades la que permite vincular la muestra con la población siempre que la muestra responda
al requisito fundamental de ser aleatoria.

Podemos decir que existen dos tipos de experimentos:

 determinísticos: aquellos que repetidos bajo las mismas condiciones dan igual resultado que es posible
predecir, nos referimos por ejemplo los fenómenos físicos o químicos.
 aleatorios: cuando no se puede predecir su resultado, los resultados de repeticiones sucesivas variarán en
forma aleatoria o impredecible.

No obstante, es posible extraer ciertas regularidades de la repetición de un experimento aleatorio. Estos

experimentos son los de interés para la estadística.

Por ejemplo:
# Sea el experimento de arrojar una moneda tres veces y observar su resultado, (para cada lanzamiento será
cara o cruz, no pudiendo predecirse el mismo) ; siendo sus resultados posibles: CCC, CCX, ...... ., XXX.
# Sea el experimento aleatorio el de observar en una línea de producción que cierto producto
cumpla con las especificaciones; puede tratarse de una medida como longitud o peso, la cual puede presentar
diversos resultados.

El modo de abordar la probabilidad depende del interés que cada persona tenga en esta materia. El matemático puro
prefiere por lo general tratar la probabilidad desde un punto de vista axiomático. El estadístico práctico prefiere
considerarla como la proporción de veces que se presenta un determinado suceso si el experimento correspondiente
se repitiera un gran número de veces.

ORIGEN DE LA TEORÍA DE PROBABILIDADES:

La teoría de probabilidades que actualmente es una rama importante de la matemática pura, con un campo de
aplicación que se extiende prácticamente sobre todas las ramas de las ciencias naturales, técnicas y sociales, se ha
desarrollado partiendo de un comienzo muy sencillo. Sus raíces se encuentran en la teoría matemática del azar,
planteada hace tres siglos.
Durante el siglo XVII en la alta sociedad francesa se practicaban frecuentemente los juegos de azar. Como dichos
juegos se complicaban cada vez más, se buscó un método racional para resolverlos. El caballero De Mere le planteó
diversos problemas al matemático y filósofo Blasie Pascal. Éste, junto con otros matemáticos como Pierre Fermat,
buscando soluciones a dichos problemas sentaron las bases de la actual teoría de probabilidades.

ESPACIO MUESTRA

Al estudiar un experimento aleatorio, queda claro que las condiciones para su realización deben estar claramente
especificadas, así como el tipo de resultado que se observar. En algunos casos el experimento es o se considera
dicotómico ( éxito o fracaso).

Veamos ejemplos de experimentos y su correspondiente conjunto de resultados posibles :

1. # Se arrojan dos monedas.

En este caso el conjunto de resultados posibles es
{ CC, CX , XC, XX }

2. # Se arroja una moneda hasta que aparezca cara.

Luego, el conjunto de resultados posibles es
{ C, XC, XXC, XXXC, XXXXC, ..., X..XC, .... }

3. # Se extrae un artículo de un lote y se observa si es defectuoso o no.

El conjunto de los resultados posibles es
{ defectuoso, bueno }

4. # Se extrae una carta de un mazo .

Introducción a la Probabilidad 1
 Cátedra: Probabilidad y Estadística
a) Si observamos el palo, el conjunto de resultados posibles es
{ Oro, Copa , Espada , Basto }

b) Si observamos el valor, el conjunto de resultados posibles es

{ As, 2 , 3 , 4 , 5 , 6 , 7 , Sota , Caballo, Rey }

5. # Se arroja un dado :
a) Si observamos su cara superior, el conjunto de resultados posibles es
{ 1, 2, 3, 4, 5, 6 }

b) Si sólo nos interesa que salga 5, estamos considerando dos resultados del experimento (sale 5 o no).
Definiendo los sucesos :
E={5} éxito
F = { 1, 2, 3, 4, 6 } fracaso
el conjunto de los resultados posibles se convierte en { E, F }

En el primer caso el conjunto de resultados posibles es finito, en el segundo es infinito numerable, en el tercero se
trata de un experimento dicotómico ya que sólo admite dos resultados posibles, en el cuarto pueden considerarse
cuatro resultados posibles (a) o bien diez resultados poibles (b), (como también puede considerarse que cada carta
es un resultado posible y en este caso son 40 resultados posibles), y el último caso se trata de un experimento que
admite múltiples resultados en el inciso (a) y reducido a sólo dos resultados posibles en el inciso (b), o sea, a un
experimento dicotómico.

Definiciones :
Espacio Muestra : Es el conjunto de todos los resultados posibles de un experimento aleatorio, y se lo simboliza
con 
Suceso Elemental : es cada uno de los resultados posibles del experimento aleatorio, es decir, es cada elemento
del espacio muestra, y se lo simboliza con .
Suceso aleatorio : Es un subconjunto del Espacio Muestra , o sea, es un conjunto de resultados posibles del
experimento.

Ejemplo : Sea el experimento arrojar dos dados; el conjunto de resultados posibles es:
 = {(x,y)/ x = 1, 2 .. 6, y = 1, 2 .. 6 }
Cada par ordenado  = (x,y) es un elemento del espacio muestra, por ejemplo:
=(3,5)  , luego  = (3,5) es un suceso elemental del experimento.
Cualquier conjunto de sucesos elementales es un suceso aleatorio. Por ejemplo, sea A el suceso de obtener una
suma de 5 puntos como resultado del experimento. Entonces

A = {(x,y)   / x + y = 5 }

A = {(1,4), (2,3), (3,2), (4,1)}

A  , por lo tanto A es un subconjunto de .

Las aplicaciones de probabilidad conciernen a menudo no a un suceso aislado sino a combinaciones de los mismos,
que dan otro suceso, para ello utilizamos operaciones con conjuntos.
Introducción a la Probabilidad 2
 Cátedra: Probabilidad y Estadística

A  B es el suceso que ocurre si y sólo si A , B o ambos ocurren.

A B es el suceso que ocurre si y sólo si A y B ocurren simultáneamente.
A es el suceso que ocurre si y sólo si no ocurre A .
Ejemplo : Sea el experimento de arrojar un dado y observar el resultado :
 = {1, 2, 3, 4, 5, 6}

Sean los sucesos :

A : obtener un número par  A = {2, 4, 6}
B : obtener un número impar  B = {1, 3, 5}
C : obtener un número primo  C = {2, 3, 5}
AB = 
AB = 
AC = {2}
A = {1, 3, 5} = B
Los espacios muestra que poseen un número finito o infinito numerable de elementos se denominan espacios
muestra discretos. Los espacios muestra que poseen un número infinito no numerable de elementos, se denominan
espacios muestra continuos ; ejemplo de éstos son los intervalos en R1,R2,., Rn.
El conjunto vacío  es un subconjunto de , luego es un suceso, el suceso imposible
Como  es también un subconjunto de , será un suceso, el suceso seguro o cierto.

Siendo nuestro objetivo asignar una medida, que llamaremos probabilidad, a los subconjuntos de un espacio
muestra, debemos notar que en general no es posible hacerlo para todo subconjunto de . Esta asignación debe
hacerse mientras que verifique ciertas propiedades necesarias.
En este sentido habrá que considerar ciertas familias de subconjuntos del espacio muestra.

DEFINICIÓN CLÁSICA DE PROBABILIDAD.

En todos los juegos de azar (dados, ruleta, cartas, etc.) el resultado obtenido es uno entre un número posible de ellos.
Dicho resultado es imposible de predecir, lo cual caracteriza el azar del juego.

Si el instrumento utilizado (sea ruleta, dado o baraja) es perfecto y el juego se realiza correctamente, los distintos
resultados posibles de obtener serán igualmente favorables, y el espacio muestra tendrá la característica de ser
equiprobable. En este caso, indicando con # (cardinal de ) a la cantidad de resultados posibles del experimento,
cada resultado posible tiene una probabilidad de 1/# de ocurrir. Es decir, si    y  es un espacio
equiprobable, entonces:
1
P( ) 
#
Sea A un subconjunto de  , A   , simbolizando con #A al cardinal de A que indica el número de casos
favorables al suceso A, calculamos la probabilidad de dicho suceso (siempre que  sea equiprobable) como el
cociente:

# A número de resultados favorables

P ( A)  
# número de resultados posibles

Definición:
Dado un espacio muestra equiprobable y un suceso A, A   , la probabilidad de ocurrencia
de ese suceso es igual al cociente entre el número de resultados favorables al suceso A y el número total de
resultados posibles del experimento

#A
P( A) 
#

Propiedades :

Introducción a la Probabilidad 3
 Cátedra: Probabilidad y Estadística
Prop. 1: 0 ≤ P(A) ≤ 1
0 # A #
Como 0 ≤ #A ≤ #     0  P ( A)  1
# # #
Prop. 2: P(  )  0
# 0
Como # = 0    P(  )  0
# #
Prop. 3: P( ) = 1
#
Ya que P( ) = 1
#
Prop. 4: P(AB) = P(A) + P(B), si AB =
Si AB =, entonces #(AB) = #A + #B. Luego :

#( A  B ) # A  # B # A # B
P( A  B)      P ( A)  P ( B )
# # # #
Prop. 5: P(AB) = P(A) + P(B) - P(AB), si AB 
Si AB , entonces #(AB) = #A + #B - #(AB).

# ( AUB) # A  # B  # ( A  B) # A # B # ( A  B)
 P( A  B)     
# # # # #

 P ( A  B )  P( A)  P( B )  P( A  B)

Prop. 6: P ( A )  1  P ( A)
Como #( A ) = # - #A, entonces :
# (A) #   # A # # A
P( A )      1  P( A)
# # # #

DEFINICIÓN FRECUENCIAL DE PROBABILIDAD

En los juegos de azar y en distintos campos de la actividad científica y práctica encontramos ciertos experimentos
que pueden repetirse en condiciones uniformes dando a cada observación aislada un resultado definido. Se intenta
mantener bajo control todas las condiciones que puedan ejercer influencia sobre el experimento de forma que las
repeticiones sean lo más uniformes posibles, sin embargo, los resultados presentan una variabilidad que no es
posible controlar, o sea, que el resultado del experimento varía en forma singular y no puede predecirse el resultado
de una repetición individual; nos encontramos ante un experimento aleatorio. No obstante, será posible extraer cierta
regularidad que hace posible y útil el estudio de los experimentos aleatorios.

Si se repite un experimento una gran cantidad de veces y se observa la aparición de un resultado (suceso A) podrá
notarse que la frecuencia relativa del suceso tiende a estabilizarse en un valor a medida que crece el número de
repeticiones del experimento.

Simbolizando con f a la cantidad de veces que apareció el suceso A como resultado del experimento, y con n a la
cantidad de veces que se repitió el experimento, tenemos que :

f
lim p
n  n

Es decir, la frecuencia relativa del suceso se estabiliza en un valor que es la probabilidad teórica del suceso A. y la
propia frecuencia relativa es la probabilidad empírica del suceso A.

Ejemplo:
Introducción a la Probabilidad 4
 Cátedra: Probabilidad y Estadística
Sea el experimento: arrojar una moneda repetidas veces, y consideremos éxito el suceso A:aparece cara. Sea n el
número de veces que se arroja la moneda y f el número de veces que aparece cara ( número de éxitos ),  la
f
frecuencia relativa de ocurrencia del suceso A, está dada por el cociente
n
Si realizamos varias secuencias de repeticiones de este experimento, obtendremos una serie de frecuencias relativas
para distintos valores de n :
f1 f2 f3 f
, , ,.........., i ,.......
n1 n2 n3 ni
y empíricamente comprobamos que a medida que n crece, las frecuencias relativas se estabilizan próximas a un
valor fijo, que representa la probabilidad teórica del suceso A : aparece cara.
La siguiente tabla indica los resultados obtenidos a través de varias secuencias de repeticiones, para diferentes
valores de n = cantidad de lanzamientos de la moneda, y en el gráfico correspondiente se aprecian las fluctuaciones
de la frecuencia relativa h, y cómo estas fluctuaciones disminuyen a medida que aumenta n

n f h=f/n n f h=f/n
10 6 0,60 110 56 0,51
20 8 0,40 120 63 0,53
30 14 0,47 130 61 0,47
40 19 0,48 140 72 0,51
50 25 0,50 150 75 0,50
60 31 0,52 160 78 0,49
70 38 0,54 170 83 0,49
80 43 0,54 180 89 0,49
90 46 0,51 190 95 0,50
100 51 0,51 200 101 0,50

0,65
0,6
0,55
h 0,5
0,45
0,4
0,35
0 50 100 150 200 250
n

Definición :
Asociada a cada suceso existe una probabilidad teórica, a la cual tiende la frecuencia relativa del mismo a medida
que aumenta la cantidad de repeticiones del experimento.

Propiedades :
Prop. 1: 0  P(A)  1 para cualquier A  
0 f n
Como 0  f  n  A  , entonces  
n n n
f f
lim 0  lim  lim 1  0  lim  1  0  P ( A)  1
n  n  n n  n  n

Prop. 2: P( ) = 0
f 0
Como para A = es f = 0, entonces  0
n n
f
lim  lim 0  P ( )  0
n  n n 
Prop. 3: P() = 1

Introducción a la Probabilidad 5
 Cátedra: Probabilidad y Estadística
f n
Como para A =  es f = n, entonces  1
n n
f
lim  lim 1  P()  1
n  n n 

Distinguiremos mediante un subíndice el suceso al cual le corresponde la frecuencia de aparición como resultado del
experimento. Así, f A , f B , f A B y f A  B indican la cantidad de veces que aparecen, respectivamente, los
sucesos A, B, AB y AB como resultado del experimento, y f A indica la cantidad de veces que no apareció el
suceso A, es decir, que aparece el suceso A

Prop. 4: P(AB) = P(A) + P(B) si AB =

Si AB =, entonces
f A B f  fB
f A B  f A  f B luego  A
n n
f  f  fB  f f
 lim A B  lim A   lim A  lim B
n  n n  n  n  n n  n
 P ( A  B )  P ( A)  P ( B )

Prop. 5: P(AB) = P(A) + P(B) - P(AB) si AB

Si AB  , entonces
f A B f  f B  f A B
f A B  f A  f B  f A B luego  A
n n
f A B  f A  f B  f A B  fA f f
 lim  lim   lim  lim B  lim A B
n  n n  n  n  n n  n n  n
 P ( A  B )  P ( A)  P ( B )  P ( A  B )

Prop. 6: P( A ) = 1 - P(A) para cualquier A  

fA n  fA f
como f A  n  f A entonces  1 A
n n n

fA  f  f
 lim  lim 1  A   1  lim A
n  n n    n n   n
Luego P ( A )  1  P ( A)

PROBABILIDAD DE LA UNIÓN DE SUCESOS

Decimos que dos sucesos son excluyentes cuando no tienen ningún elemento en común, es decir, A y B son
excluyentes si AB =. Si, por el contrario, AB  entonces A y B son no excluyentes.
Ya vimos que para dos sucesos excluyentes (AB =) la probabilidad de la unión
(AB) es igual a la suma de las probabilidades de los sucesos A y B.

P(AB) = P(A) + P(B)

Análogamente, para tres sucesos excluyentes (AB =  y AC= y BC = ) tenemos que
P(ABC) = P(A) + P(B) + P(C)

También vimos que para dos sucesos no excluyentes :

P(AB) = P(A) + P(B) - P(AB) Regla de la Suma

Introducción a la Probabilidad 6
 Cátedra: Probabilidad y Estadística
PROBABILIDAD CONDICIONAL

Analizaremos a continuación las probabilidades de sucesos cuando se dispone de alguna información.

Consideremos el segundo ejemplo analizado, en el cual el experimento consiste en arrojar un dado y observar su
resultado, y consideremos también los sucesos A y C definidos en el mismo. Supongamos que nos informan que el
resultado obtenido es un número primo (es decir, ocurrió C ), y nos interesa el hecho de obtener un número par ( o
sea, queremos saber la probabilidad de ocurrencia de A ). Como sabemos que ocurrió C :"el resultado es un número
primo", el espacio muestra se reduce a c = {2, 3, 5}, es decir, el nuevo espacio muestra consiste en tres resultados
posibles de los cuales sólo uno es favorable al suceso A :"el resultado es un número par". Por lo tanto, teniendo en
cuenta la información disponible, la probabilidad de obtener un número par es uno entre tres resultados posibles. Es
decir :

1 # 2
p 
3 # 2,3,5

Decimos que ésta es la probabilidad del suceso A condicionada a la ocurrencia del suceso C, y la simbolizamos
P ( A / C ). Como es posible observar, el suceso "éxito" resultó igual al suceso AC y el espacio muestra se
restringe al suceso C. Considerando un espacio muestra equiprobable :

#( A  C )
 P( A / C) 
#C
Dividiendo numerador y denominador por #, resulta :

#( A  C )
# P ( A  C) P( A  C)
P( A / C )    P( A / C) 
#C P(C) P(C)
#

Definición:
Sean A y B dos sucesos ( A  , B  ), tales que P(B) > 0 ( o sea, B). La probabilidad de A dada la ocurrencia
de B es :
P( A  B)
P( A / B) 
P( B)

Dada esta definición, se deduce que la probabilidad del suceso AB se calcula como el producto de la probabilidad
de uno de los sucesos por la probabilidad del otro suceso condicionada al primero.
Es decir

P ( A  B )  P ( B ) P ( A / B ) conocida como Regla del Producto

Análogamente, P ( A  B )  P ( A) P ( B / A)

P ( A  B)
ya que P ( B / A) 
P ( A)

SUCESOS INDEPENDIENTES

Si la ocurrencia de un suceso A no afecta a la probabilidad de ocurrencia de algún otro suceso B, decimos que
ambos sucesos son independientes, puesto que el suceso B "no depende" de la ocurrencia del suceso A. Por lo tanto
en este caso, tener alguna información sobre la ocurrencia de A no sería de ninguna utilidad ya que la probabilidad
de B no varía. Esto es, si B no depende de A : P(B/A) = P(B)
Luego :
P( AB ) = P(A)P(B/A) = P(A)P(B)

Introducción a la Probabilidad 7
 Cátedra: Probabilidad y Estadística

Definición:
Si A y B son dos sucesos independientes, entonces la probabilidad conjunta de ambos es igual al producto de las
probabilidades de esos dos sucesos, y viceversa.
 A y B independientes  P(AB) = P(A)P(B)

Ejemplo:
Sea el experimento extraer una carta de un mazo de naipes españoles; y sean los eventos (o sucesos) :
A : la carta obtenida es un naipe de "oro"
B : la carta obtenida es un "as"
Por lo tanto, el evento AB es "la carta obtenida es el as de oro".
Las respectivas probabilidades de estos sucesos son :

10 1
P ( A)  
40 4
1
P( A  B ) 
40
4 1
P( B)  
40 10
Si nos informan que la carta obtenida es un "as", altera esto la probabilidad de que sea de "oro" ?

#( A  B ) 1
P( A / B)    P ( A)
#B 4
Podemos comprobar que P(A/B) = P(A), lo cual indica que A no depende de B.
También podemos comprobar que el producto de las probabilidades de A y B, resulta igual a la probabilidad
conjunta AB, ya que :

1 1 1
P ( A)  P( B )     P( A  B )
4 10 40
lo cual indica que A y B son sucesos independientes.

REGLA DE PROBABILIDAD TOTAL

Sea B1, B2, ....., Bk una partición de , luego los Bi son subconjuntos no vacíos de , además son exhaustivos y
excluyentes. Esto significa que los sucesos B1,..., Bk cumplen con :
1.- Bi , Bi    i = 1,....,k
2.- Bi  Bj = ,  i  j
k
3.-  Bi  
i 1

Sea A  , A . Obviamente, A tiene elementos en común con alguno de los Bi . Es decir que :
i,1  i  k , tal que A  Bi  

Podemos expresar este suceso A como la unión de las intersecciones que tiene con los sucesos B:
k
A = B1A  B2A  ...  BkA =  ( Bi  A)
i 1
Como los sucesos Bi son excluyentes, entonces también lo serán los sucesos Bi A, es decir:

Bi  B j  , i  j  Bi  A  ( B j  A)  , i  j
P ( A)  PB1  A  ( B2  A)  ........  ( Bk  A)  PB1  A  P( B2  A)  ........  ( Bk  A)
P ( A)  PB1 ) P( A / B1   P( B2 ) P( A / B2 )  ........  P( Bk ) P( A / Bk )
k
 P ( A)   P ( Bi ) P ( A / Bi )
i 1

Introducción a la Probabilidad 8
 Cátedra: Probabilidad y Estadística
TEOREMA DE BAYES

Sea B1, B2, ....., Bk una partición de , luego los Bi son subconjuntos no vacíos de , además son exhaustivos y
excluyentes. Esto significa que los sucesos B1,..., Bk cumplen con :
1.- Bi , Bi    i = 1,....,k
2.- Bi  Bj = ,  i  j
k
3.- B
i 1
i 

Sea A  , A . Obviamente, A tiene elementos en común con alguno de los Bi.

Es decir que :
i , 1  i  k , tal que A  Bi  

Supongamos que son conocidas las probabilidades de cada suceso Bi , como también las probabilidades del suceso
A condicionado a la ocurrencia de cada suceso Bi .
Por lo tanto son conocidas las probabilidades : P(Bi)
P(A/Bi) para todo i = 1 .. k

Como ya hemos visto, podemos expresar este suceso A como la unión de las intersecciones que tiene con los
sucesos B:
k
A = B1A  B2A  ...  BkA =  ( B  A)
i 1
i

k
y a su probabilidad : P ( A)   P (B ). P ( A / B )
i i
i 1

Supongamos que, una vez ocurrido el suceso A , nos interesa saber la probabilidad de que su causa haya sido
alguno de los Bj . Es decir, queremos averiguar P( Bj /A) .

P ( B j  A) P (B j ). P ( A / Bj )
P ( B j / A)   k
P ( A)
 P ( B ). P ( A / B )
i i
i 1

fórmula conocida con el nombre de FÓRMULA DE BAYES .

Las probabilidades conocidas P(Bi) se llaman probabilidades a priori

y las probabilidades calculadas P(Bi/A) se llaman probabilidades a posteriori .

Introducción a la Probabilidad 9