Introducción a la probabilidad

3.1. INTRODUCCIÓN A LOS CONCEPTOS BÁSICOS DE PROBABILIDAD.

El concepto de probabilidad está íntimamente ligado a la noción de experimento

aleatorio y de suceso aleatorio. Por tanto, los primeros objetivos de este tema serán
definir estos conceptos básicos para poder entender, posteriormente, el concepto de
probabilidad.

Un experimento aleatorio es cualquier experimento que pueda dar lugar a

varios resultados, sin que sea posible anunciar con certeza cuál de esos resultados va a
ser observado. Por tanto, hay 3 propiedades que todo experimento aleatorio debe
cumplir:

1ª) Los resultados del experimento son conocidos previamente.

2ª) No se puede conocer de antemano el resultado del experimento.

3ª) Si se repite el experimento en condiciones análogas, se pueden obtener

diferentes resultados cada vez que se lleve a cabo el experimento.

Por otro lado, el conjunto de posibles resultados de un experimento aleatorio se

conoce con el nombre de espacio muestral, y se representa por Ω . Dependiendo del
número de elementos que contenga Ω , el espacio muestral puede ser finito, infinito
numerable o continuo.

Un suceso es un subconjunto del espacio muestral. Aquellos sucesos que están

formados por un solo elemento reciben el nombre de sucesos elementales, y son
aquellos resultados posibles del experimento aleatorio que no se pueden descomponer
en otros sucesos más sencillos. Por su parte, un suceso compuesto es aquel que está
formado por la unión de dos o más sucesos elementales.

Las principales operaciones que se pueden realizar con sucesos son las
siguientes:

-1-
 Introducción a la probabilidad

Suceso contenido en otro: se dice que el suceso A está contenido en el suceso B,

y se representa por A ⊂ B , si siempre que ocurre el suceso A, ocurre el suceso B.

Igualdad de sucesos: diremos que el suceso A es igual al suceso B, si siempre

que ocurra el suceso A ocurre el suceso B, y si siempre que ocurra el suceso B ocurre el
suceso A, es decir, si se verifica que A ⊂ B y que B ⊂ A . La igualdad de sucesos se
representa por A = B .

Unión de sucesos: se define la unión de los sucesos A y B como aquel suceso C

que ocurre siempre que ocurra el suceso A o siempre que ocurra el suceso B. Se
representa por A  B = C .

Intersección de sucesos: se define la intersección de los sucesos A y B como

aquel suceso D que ocurre siempre que ocurran A y B simultáneamente. Lo
representaremos por A  B = D .

Suceso complementario a otro suceso: dado un suceso A, se define su

complementario como aquel suceso que ocurre siempre que no ocurra el suceso A. Se
representa por A .

Suceso seguro: es aquel suceso que ocurre siempre. Lo representaremos por Ω ,

puesto que coincide con el espacio muestral, y se obtiene de la unión de todo suceso con
su complementario: A  A = Ω .

Suceso imposible: el suceso imposible es aquel suceso que no ocurre nunca. Lo

representaremos por { }, y se obtiene de la intersección de todo suceso con su

complementario: A  A = { }.

Sucesos incompatibles o excluyentes: dados dos sucesos A y B, se dice que son

incompatibles si siempre que ocurra A, no puede ocurrir B, es decir, el suceso
intersección de dos sucesos incompatibles es siempre el suceso imposible: A  B = { }.

-2-
 Introducción a la probabilidad

Diferencia de sucesos: dados dos sucesos A y B, se define la diferencia entre

ellos como aquel suceso E que ocurre siempre que ocurra A y no ocurra B. Se representa
por E = A − B , y se puede demostrar que E = A  B .

Consideremos a continuación la clase formada por todos los sucesos asociados a

un experimento aleatorio, a la que llamaremos Q. Si en esta clase Q se pueden realizar
las operaciones unión e intersección de sucesos, se verificarán entonces las siguientes
propiedades:

1ª) Propiedad conmutativa:

A B = B A
A B = B A
∀A, B ∈ Q

2ª) Propiedad asociativa:

A  (B  C ) = ( A  B )  C
A  (B  C ) = ( A  B )  C
∀A, B, C ∈ Q

3ª) Propiedad distributiva:

A  (B  C ) = ( A  B )  ( A  C )
A  (B  C ) = ( A  B )  ( A  C )
∀A, B, C ∈ Q

4ª) Existe elemento neutro para la unión y elemento neutro para la intersección,
puesto que se verifica lo siguiente:

-3-
 Introducción a la probabilidad

A  { }= A
AΩ = A
∀A ∈ Q

5ª) Existe el suceso complementario, de forma que dado el suceso A, existirá

siempre otro suceso A , de forma que se verifique lo siguiente:

A A ={ }

A A = Ω
∀A ∈ Q

Pues bien, cuando una clase Q de sucesos, asociada a un experimento aleatorio,

verifica las cinco propiedades anteriores, se dice que Q tiene una estructura de álgebra
de Boole de sucesos, y se representa de la siguiente forma:

(Q; ,  )

Finalmente, como consecuencia de las cinco propiedades anteriormente

enunciadas, se van a verificar también las siguientes propiedades adicionales:

- Propiedad idempotente:

A A = A
A A = A
∀A ∈ Q

- Propiedad simplificativa:

A  (A  B) = A
A  (A  B) = A
∀A, B ∈ Q

-4-
 Introducción a la probabilidad

- Propiedad de los elementos neutros:

AΩ = Ω
A  { }= { }
∀A ∈ Q

- Leyes de Morgan:

 _________ 
 A B  = A  B
 

 _________ 
 A B  = A  B
 
∀A, B ∈ Q

3.2. DEFINICIÓN Y CÁLCULO DE LA PROBABILIDAD.

Para definir la probabilidad desde un punto de vista axiomático, es necesario

considerar una estructura más amplia que el álgebra de Boole de sucesos, ya que esta
última estructura se refiere únicamente a un número finito de sucesos. Así, cuando se
considera un número infinito numerable de sucesos, aparece una nueva estructura
algebraica, que recibe el nombre de σ -álgebra. De esta forma, se dice que un conjunto
de sucesos, que llamaremos A ( y que es una parte del espacio muestral Ω ) tiene una
estructura de σ -álgebra si y sólo si se verifica lo siguiente:

1º) ∀ A ∈ A, se verifica siempre que A ∈ A.

2º) Para toda sucesión {An }n ∈ N ⊂ A, se verifica que:

∞
A1  A2  A3  =  An ∈ A
n =1

-5-
 Introducción a la probabilidad

Pues bien, el par (Ω; A), donde Ω es el espacio muestral y A es un conjunto de

sucesos con estructura de σ -álgebra, recibe el nombre de espacio probabilizable.

La definición axiomática de probabilidad viene dada por la llamada axiomática

de Kolmogorov, que dice que, a partir de un espacio probabilizable (Ω; A), una
función:

P: A → ℜ

es una probabilidad si satisface los siguientes axiomas:

AXIOMA 1: ∀ A ∈ A, se verifica que P( A) ≥ 0 .

AXIOMA 2: P(Ω ) = 1

AXIOMA 3: para toda sucesión {An }n ∈ N ⊂ A, tal que Ai  A j = { } , ∀ i ≠ j , se

verifica que:

∞  ∞
P  An  = ∑ P( An )
 n =1  n =1

A partir de estos 3 axiomas fundamentales, se deducen también las siguientes

propiedades:

1ª) P({ }) = 0 .

 n  n
2ª) P  Ai  = ∑ P( Ai ) , siempre que Ai  A j = { } , ∀ i ≠ j , ∀ i, j = 1, 2,  , n .
 i =1  i =1
3ª) ∀ A ∈ A, se verifica que P (A ) = 1 − P( A) .
4ª) Si A, B ∈ A, y A ⊂ B , se verifica que P( A) ≤ P(B ) .
5ª) ∀ A ∈ A, se verifica que P( A) ≤ 1 .

-6-
 Introducción a la probabilidad

6ª) ∀ A, B ∈ A, se cumple que P( A  B ) = P( A) + P(B ) − P( A  B ) .

7ª) ∀ A, B ∈ A, se cumple que P( A  B ) ≤ P( A) + P(B )

El trío (Ω; A; P) , donde Ω es el espacio muestral; A es un σ -álgebra de

sucesos, y P es una función de probabilidad, recibe el nombre de espacio
probabilístico.

Para el cálculo de la probabilidad asociada a un suceso dado se utiliza

principalmente la denominada concepción clásica o de Laplace. Esta concepción se
basa en que los sucesos elementales son equiprobables. El modelo matemático
asociado a esta concepción recibe el nombre de modelo uniforme y se enuncia de la
siguiente forma:

Sea (Ω; A; P) un espacio probabilístico y sea a1 , a2 , , an un conjunto finito de

sucesos elementales asociados a dicho espacio probabilístico. Estos sucesos elementales
son incompatibles dos a dos por su propia definición, y la unión de todos ellos dará
lugar al espacio muestral:

Ω = a1  a2    an

Al tomar probabilidades en ambos miembros de la expresión anterior, se tendrá

lo siguiente:

P(Ω ) = P(a1 ) + P(a2 ) +  + P(an ) = 1

Puesto que los sucesos elementales son equiprobables, se verifica que:

P(a1 ) = P(a2 ) =  = P(an )

con lo que:

-7-
 Introducción a la probabilidad

1
P(ai ) = ∀i = 1, 2, , n
n

De acuerdo con todo lo anterior, para todo suceso A ∈ A, definido como la

unión de k sucesos elementales, tendremos:

1 1 1 k
P( A) = P(a1 ) + P(a2 ) +  + P(ak ) = + ++ =
n n n n

siendo k el número de sucesos elementales favorables a A, y n el número total de

sucesos elementales de Ω .

Así, la regla clásica de Laplace establece que la probabilidad es el cociente entre

los casos favorables y el número total de casos posibles. Este esquema conceptual
presupone siempre la equiprobabilidad de los sucesos elementales.

3.3. PROBABILIDAD CONDICIONADA.

Para comprender mejor el concepto de probabilidad condicionada, considérese el

siguiente experimento aleatorio: un investigador elige al azar a una empresa de una
población compuesta por N empresas. Se supondrá que todas las elecciones son
equiprobables, por lo que la probabilidad asociada a la elección de cada empresa será de
1 N . Esta situación aleatoria puede representarse mediante el espacio probabilístico
(Ω; A; P) .

Supóngase, además, que se consideran los sucesos A = “se elige una empresa
que obtiene beneficios” y B = “se elige a una empresa que tiene más de 50 empleados”.
Consideremos aquella situación en la que sabemos que será elegida una empresa que
tiene más de 50 empleados, es decir, se ha realizado ( o ha ocurrido ) el suceso B.

-8-
 Introducción a la probabilidad

Pues bien, habiendo ocurrido el suceso B, el suceso A puede haber ocurrido o

puede no haber ocurrido. Es decir, el suceso A habrá ocurrido si la empresa seleccionada
pertenece al subconjunto A  B de Ω , mientras que el suceso A no habrá ocurrido si la
empresa elegida pertenece al subconjunto A  B de Ω . En esta situación, el suceso B
es ahora un suceso seguro, mientras que el suceso A sólo ocurrirá cuando suceda A  B .
Considerando la concepción clásica de Laplace, la probabilidad de que ocurra A,
sabiendo que ha ocurrido B, será el cociente entre el número de casos favorables al
suceso A  B y el número total de casos posibles que realizan B, es decir:

nA B
nA B P( A  B )
= N =
nB n B P (B )
N

Pues bien, a partir de esta idea intuitiva de probabilidad condicionada, podemos

dar la siguiente definición formal:

Sea (Ω; A; P) un espacio probabilístico y sea B ∈ A, tal que P(B ) > 0 .

Llamaremos probabilidad condicionada del suceso A, dado que ha ocurrido el suceso B,
al cociente entre la probabilidad del suceso A  B y la probabilidad del suceso B, es
decir:

P( A  B )
P( A B ) = ; P (B ) > 0
P (B )

La probabilidad condicionada verifica los tres axiomas de Kolmogorov, ya que

se cumple que:

1º) P( A B ) ≥ 0 ; ∀ A ∈ A.
2º) P(Ω B ) = 1

-9-
 Introducción a la probabilidad

∞  ∞
3º) P  An B  = ∑ P( An B ) , siempre que los sucesos An constituyan una
 n =1  n =1
sucesión de sucesos disjuntos, es decir, An  An′ = { }, ∀ n ≠ n′ .

3.4. TEOREMA DE BAYES.

Para entender claramente el Teorema de Bayes es preciso enunciar primero dos

teoremas: el Teorema del producto (o de la probabilidad compuesta) y el Teorema de la
probabilidad total.

3.4.1. Teorema del producto o de la probabilidad compuesta.

Si A y B son dos sucesos del espacio probabilístico (Ω; A; P) , con P( A) > 0 y

P(B ) > 0 , se verifica, a partir de la propia definición de probabilidad condicionada, que:

P ( A  B ) = P ( A) P (B A)

P (B  A) = P (B ) P ( A B )

A cualquiera de estas dos expresiones se le llama teorema del producto o de la

probabilidad compuesta, y se puede generalizar sin dificultad a la intersección de
varios sucesos. Así, para 3 sucesos, A, B y C, se tendría lo siguiente:

P( A  B  C ) = P( A) P(B A) P(C A  B )

3.4.2. Teorema de la probabilidad total.

Sea (Ω; A; P) un espacio probabilístico y sea {An }n∈N ⊂ A un sistema completo

de sucesos disjuntos. Un sistema completo de sucesos disjuntos es un conjunto de

- 10 -
 Introducción a la probabilidad

∞
sucesos que verifican que An  An′ = { }, ∀ n ≠ n′ y A n = Ω . Por otra parte, sea B un
n =1

suceso, para el cual se conocen las probabilidades condicionadas P(B An ) , siendo

también conocidas las probabilidades P( An ) ; n = 1, 2,  . En estas condiciones, el

Teorema de la Probabilidad Total establece lo siguiente:

∞
P(B ) = ∑ P( An ) P(B An )
n =1

Para aclarar el uso de este teorema, considérese el siguiente ejemplo:

Una empresa constructora dedicada a la construcción y venta de viviendas en

tres municipios de Extremadura, que llamaremos E1 , E2 y E3 , vende en el municipio

E1 el 60 % de las viviendas, en el municipio E2 el 30 % y en el municipio E3 el 10 %

restante de las viviendas construidas. Se sabe que un determinado porcentaje de familias
no efectúa el pago de las letras mensuales que previamente habían aceptado, siendo este
porcentaje del 2 % para el municipio E1 , del 4 % para el municipio E2 y del 6 % para el
municipio E3 . Con esta información, se pide lo siguiente:

1º) Calcular la probabilidad de que una familia cualquiera no pague sus letras,
sea cual sea el municipio extremeño en el que viva.

2º) Determinar la probabilidad de que una familia, que no ha pagado sus letras,
resida en el municipio E2 .

Para resolver el problema, considérense los siguientes sucesos:

E1 : la familia reside en el municipio E1 .

E2 : la familia reside en el municipio E2 .
E3 : la familia reside en el municipio E3 .
B: la familia no paga las letras que previamente ha aceptado.

- 11 -
 Introducción a la probabilidad

E1  E2  E3 = Ω

E1  E2 = { } E1  E3 = { } E2  E3 = { }

P(E1 ) = 0,60 P(E2 ) = 0,30 P(E3 ) = 0,10

P(B E1 ) = 0,02 P(B E2 ) = 0,04 P(B E3 ) = 0,06

B = (E1  B )  (E2  B )  (E3  B )

P(B ) = P(E1  B ) + P(E2  B ) + P(E3  B ) =

3
= P(E1 ) P(B E1 ) + P(E2 ) P(B E2 ) + P(E3 ) P(B E3 ) = ∑ P(Ei ) P(B Ei )
i =1

P(B ) = 0,60 × 0,02 + 0,30 × 0,04 + 0,10 × 0,06 = 0,03

Una vez enunciados los dos teoremas anteriores, se está en condiciones de

enunciar el Teroema de Bayes, también conocido como Teorema de la probabilidad
inversa, que dice lo siguiente:

Sea (Ω; A; P) un espacio probabilístico y sea {An }n∈N ⊂ A un sistema completo

de sucesos disjuntos, tal que P( An ) > 0; n = 1, 2,  . Sea B ∈ A un suceso P(B ) > 0 , para

el cual se conocen las probabilidades condicionadas P(B An ) . En estas condiciones, el

teorema de Bayes establece lo siguiente:

P( An ) P(B An )
P( An B ) = ∞

∑ P ( A ) P (B A )
n =1
n n

El teorema anterior se puede demostrar fácilmente si se considera el concepto de

probabilidad condicionada, el teorema del producto y el teorema de la probabilidad
total.

El segundo apartado del ejemplo utilizado anteriormente para explicar el uso de

la fórmula del teorema de la probabilidad total es, en realidad, una aplicación del

- 12 -
 Introducción a la probabilidad

teorema de Bayes, puesto que dicho apartado pide el cálculo de la siguiente

probabilidad condicionada:

P ( E2  B ) P ( E ) P ( B E2 ) 0,30 × 0,04
P ( E2 B ) = = 3 2 = = 0,40
P (B ) 0,03
∑ P(Ei ) P(B Ei )
i =1

3.5. INDEPENDENCIA DE SUCESOS.

Sea (Ω; A; P) un espacio probabilístico y sean dos sucesos A, B ∈ A. Se dice

que estos dos sucesos son independientes si, y sólo si, se verifica que:

P ( A  B ) = P ( A) P (B )

Es importante indicar que los sucesos incompatibles o excluyentes son los

sucesos más dependientes que existen, puesto que la ocurrencia de uno implica
necesariamente la no ocurrencia del otro, y viceversa.

Si los sucesos A y B son estadísticamente independientes, entonces se verificará

también lo siguiente:

1º) P( A B ) = P( A), si P(B ) > 0

P(B A) = P(B ), si P( A) > 0

2º) P( A  B ) = P( A) P(B )

P ( A  B ) = P ( A ) P (B )

P(A  B ) = P(A ) P(B )

- 13 -
 Introducción a la probabilidad

Por otra parte, el concepto de independencia puede extenderse a más de dos

sucesos. Así, los sucesos A, B y C serán mutuamente independientes si verifican lo
siguiente:

P ( A  B ) = P ( A) P (B )
P( A  C ) = P( A) P(C )
P(B  C ) = P(B ) P(C )
P( A  B  C ) = P( A) P(B ) P(C )

Las tres primeras condiciones suponen lo que se denomina independencia por

pares ( o independencia dos o dos ), pero para que los tres sucesos sean mutuamente
independientes se debe verificar, además de las tres primeras condiciones, la cuarta
condición.

De esta forma, y con carácter general, se dice que un conjunto de n sucesos son
mutuamente independientes si, y sólo si, para cualquier subfamilia finita ( A1 , A2 , …,
Ak ) de dicho conjunto ( k ≤ n ) se verifica lo siguiente:

k
P( A1  A2    Ak ) = ∏ P( Ai )
i =1

En consecuencia, se puede concluir diciendo que la independencia mutua

implica siempre la independencia por pares, pero la independencia por pares no implica
la independencia mutua.

Para aclarar todos estos conceptos, supóngase que en una gran ciudad se venden
3 periódicos, de manera que, por diferentes estudios, se sabe que el 20 % de los lectores
lee el periódico A, el 30 % lee el periódico B y el 50 % restante lee el periódico C.
También se sabe que el 6 % de los lectores lee tanto el periódico A como el periódico B,
el 10 % lee los periódicos A y C y el 18 % lee los periódicos B y C. Finalmente, se sabe

- 14 -
 Introducción a la probabilidad

que un 3 % de los lectores lee los tres periódicos. Se desea determinar, con esta
información, si los sucesos “leer el periódico x” son independientes.

A: el lector lee el periódico A.

B: el lector lee el periódico B.
C: el lector lee el periódico C.

P( A) = 0,20 P(B ) = 0,30 P(C ) = 0,50

P( A  B ) = 0,06 P( A  C ) = 0,10 P(B  C ) = 0,18
P( A  B  C ) = 0,03

P ( A  B ) = P ( A) P (B )
0,06 = 0,20 × 0,30 ⇒ 0,06 = 0,06
A y B son sucesos independientes

P( A  C ) = P( A) P(C )
0,10 = 0,20 × 0,50 ⇒ 0,10 = 0,10
A y C son sucesos independientes

P(B  C ) = P(B ) P(C )

0,18 = 0,30 × 0,50 ⇒ 0,18 ≠ 0,15
B y C no son sucesos independientes

P( A  B  C ) = P( A) P(B ) P(C )
0,03 = 0,20 × 0,30 × 0,50 ⇒ 0,03 = 0,03

Por tanto, podemos concluir diciendo que los sucesos A, B y C no son

independientes por pares y, como consecuencia de ello, tampoco son mutuamente
independientes. Ahora bien, si se hubiese verificado que P(B  C ) = P(B ) P(C ) ,
entonces los sucesos A, B y C serían mutuamente independientes y, consecuentemente,
independientes por pares.

- 15 -
 Introducción a la probabilidad

3.6. BIBLIOGRAFÍA UTILIZADA.

CASAS SÁNCHEZ, J.M. y SANTOS PEÑAS, J. (1995): Introducción a la

Estadística para Economía y Administración de Empresas. Editorial Centro de Estudios
Ramón Areces, S.A. Madrid.
MARTÍN-GUZMÁN, M.P. y MARTÍN PLIEGO, F.J. (1987): Curso básico de
Estadística Económica. Editorial AC. Madrid.

- 16 -