TEORÍA DE LA PROBABILIDAD

Objetivo

Presentar la teoría de la probabilidad mediante los conceptos básicos, definiciones, teoremas,

para resolver problemas de cálculo de probabilidad utilizando las técnicas de conteo y las reglas
de probabilidad, según el tipo de evento que mejor aplique al propósito y tipo de datos y sugerir
el papel que la probabilidad desempeña en la inferencia estadística.

1. CONCEPTOS PROBABILÍSTICOS BÁSICOS

1.1. EXPERIMENTO ALEATORIO

Es el experimento que se caracteriza porque su desarrollo no es previsible con

certidumbre, no se puede predecir qué resultado se va a obtener en una
experiencia concreta, a pesar de conocer los posibles resultados. En
contraposición un experimento se dice determinístico si en igualdad de
condiciones se obtiene el mismo resultado.
Por ejemplo, es aleatorio el experimento de sacar una carta de una baraja y es
determinístico el experimento consistente en obtener la velocidad de un objeto al
caer al suelo.
Los experimentos aleatorios se caracterizan por:
a) Se conocen con anterioridad todos los posibles resultados.
b) No puede predecirse el resultado de una realización concreta.
c) El experimento puede repetirse bajo las mismas condiciones todas las veces
que se quiera.
Ejemplo:
Entre los cinco aspirantes a puestos de trabajo en una empresa, a dos se les
considera excelentes, y a los demás se les considera buenos. Un gerente escoge
al azar a dos de los cinco aspirantes para la entrevista.
El experimento aleatorio será:  : Escoger dos aspirantes para la entrevista.

1.2. ESPACIO MUESTRAL

Un espacio muestral Ω asociado a un experimento aleatorio, es un conjunto de
resultados posibles, mutuamente excluyentes del experimento aleatorio, tal que:
 a) Cada elemento del espacio muestral Ω representa un resultado del
experimento.
b) Cualquier forma de verificar el experimento da un resultado que corresponde a
un elemento del espacio muestral Ω y sólo uno.

Ejemplo:

Liste los elementos del espacio muestral correspondiente al experimento

aleatorio  : Escoger dos aspirantes para la entrevista.
E1 : primer aspirante seleccionado como excelente
E2 : segundo aspirante seleccionado como excelente
B1 : primer aspirante seleccionado como bueno
B2 : segundo aspirante seleccionado como bueno
B3 : segundo aspirante seleccionado como bueno

Luego el espacio muestral es:

Ω=  E1 E2 , E1 B1 , E1 B2 , E1 B3 , E2 B1 , E2 B2 , E2 B3 , B1B2 , B1B3 , B2 B3 
n(Ω) =10

1.3. SUCESO O EVENTO

Sea Ω un espacio muestral asociado a un experimento aleatorio, un suceso es
un subconjunto de Ω. Se denota por una letra mayúscula.

Ejemplo:
• Sea A el evento, que los aspirantes seleccionados sean excelentes, el evento
A estaría formado por:
A = ( E1 , E2 )
• B: seleccionar dos aspirantes calificados como buenos
B = ( B1 B2 ), ( B1 B3 ), ( B2 B3 )

1.3.1. Suceso simple

Es un subconjunto unitario del espacio muestral.
Ejemplo:
A = ( E1 , E2 ) , es un evento unitario

1.3.2. Suceso imposible

El suceso vacío o suceso imposible es el que no tiene ningún elemento y se

le denota como: 
 Ejemplo:

C: seleccionar por lo menos un aspirante malo

B =  = 

1.3.3. Suceso seguro.

Es el que ocurre siempre en un determinado experimento aleatorio, es el
espacio muestral. Suceso seguro = Ω
Ejemplo:
D: seleccionar dos aspirantes

D = ( E1 E2 ), ( E1B1 ), ( E1B2 ), ( E1B3 ), ( E2 B1 ), ( E2 B2 ), ( E2 B3 ), ( B1B2 ), ( B1B3 ), ( B2 B3 )

1.3.4. Sucesos incompatibles o disjuntos

Son los que no pueden ocurrir simultáneamente.
Ejemplo A = ( E1 , E2 ) , F = ( B1 B2  son eventos disjuntos, no pueden
ocurrir simultáneamente, su intersección es el vacío, es decir A  F = 

1.3.5. Suceso complementario

Dado un suceso cualquiera A, el suceso complementario denotado por es el
suceso que ocurre cuando no ocurre A, es decir es el suceso constituido por
todos los sucesos elementales del espacio muestral que no pertenecen al evento
A. Además de ser incompatibles , se complementan para formar el
espacio muestral, o sea que
1.4. ALGEBRA DE SUCESOS
Conjunto de todos los sucesos (subconjuntos) que se pueden formar a partir del
espacio muestral. Si sus elementos son finitos se llama álgebra de sucesos de Boole,
si son infinitos pero numerables, se le llama  -álgebra.

▪ Se dice que el suceso A se ha obtenido en una prueba del experimento aleatorio

cuando el resultado del experimento coincide con alguno de los elementos que
forman A.
▪ Se dice que el suceso A está contenido en el suceso B ( ) si siempre que se
verifique el suceso A se verifica el suceso B.
▪ Se dice que dos sucesos son iguales (A = B) si y , es decir, todo
suceso elemental de uno de los dos conjuntos lo es también del otro.
▪ Dado un suceso A del espacio de sucesos S, se define el suceso complementario o
contrario (Ac) como el formado por todos los sucesos elementales que no sean de A,

es decir, .

2. OPERACIONES CON SUCESOS

Dados dos sucesos A y B, se define el suceso diferencia (A – B) como el formado
por los sucesos elementales que están en A pero no en B.
2.1. Unión de sucesos

Se define el suceso unión como el suceso formado por todos los sucesos

elementales pertenecientes al suceso A, a B o a los dos a la vez.

En general, dados n sucesos A1, A2, A3,..., An, su unión es otro suceso formado por los
resultados o sucesos elementales que pertenecen al menos a uno de los sucesos A i.
 2.2. Intersección de eventos

Se define el suceso intersección como el suceso formado por todos los sucesos
elementales que están en A y en B.

Fig.1.5.Intersección de sucesos
En general, dados n sucesos A1, A2, A3,..., An, su intersección es otro suceso formado por
los resultados o sucesos elementales que pertenecen a todos los sucesos Ai.

2.3. Sucesos Disjuntos, Incompatibles o Excluyentes

Dados dos sucesos A y B de un experimento aleatorio: A∩B = 
Dos sucesos A y B se dicen incompatibles si al verificarse uno de ellos no se puede
verificar el otro ( ).

Propiedades:
Unión Intersección
Asociativa: Asociativa:
( A  B)  C = A  ( B  C) ( A  B)  C = A  ( B  C)
Conmutativa Conmutativa
A B = B  A A B = B  A
Idempotente Idempotente
A A = A A A = A
A  = A A  = 
A =  A = A
A A =  A A = 
Distributiva
A  ( B  C ) = ( A  B)  ( A  C )
A  ( B  C ) = ( A  B)  ( A  C )

Todas estas propiedades hacen que el conjunto de los sucesos asociados a un

experimento aleatorio junto con las operaciones anteriores sea un álgebra de
Boole.
 Otras propiedades:

Leyes de Morgan:

3. DEFINICIONES DE PROBABILIDAD
Se presenta tres definiciones de probabilidad que son complementarias y que
manejan los mismos axiomas y teoremas de probabilidad. La definición que se
utilice dependerá de la naturaleza del problema que se está tratando de resolver.
Estas son:

3.1.Definición Clásica o a priori: ( Laplace)

Si un experimento cualquiera puede dar lugar a un número finito de resultados
posibles, y no existe ninguna razón que privilegie unos resultados en contra de
otros (si todos los sucesos elementales del espacio muestral son equiprobables,
tiene .a misma posibilidad de salir) , luego si el número de elementos del espacio
1
muestral es “n”, la probabilidad que salga elemento es : n .
Sea A un evento definido en el espacio muestral, la probabilidad de ocurrencia
del evento A se denota como P(A) y se define como:
Número de casos favorables al evento A n( A)
P( A) = =
Número de casos posibles n()

Interpretación de probabilidad clásica (a priori): Asigna una

probabilidad a un suceso antes de que este ocurra, basándose en el
principio de simetría (casos favorables entre casos totales).

3.2. Definición por frecuencia relativa.

Si un experimento aleatorio bien definido se repite muchas veces “n veces”
( n grande) en idénticas condiciones; sea n(A) el número de veces que
ocurre el evento n(A) < n, entonces la probabilidad por frecuencia relativa
que ocurre el evento A
n( A)
P( A) =
n
 es la estimación de la probabilidad que ocurra el evento A, la cual se
acerca a la verdadera probabilidad del evento cuando n aumenta
indefinidamente, es decir:
n( A)
P( A) = lím . En la práctica esto no es posible, solo podemos buscar
n → n
una estimación máxima.
Esta definición presenta el inconveniente de tener que realizar el
experimento un gran número de veces y además siempre obtendremos un
valor aproximado.
Interpretación de probabilidad frecuencial: La probabilidad de un
suceso es la frecuencia con la que se observa.

3.3. Definición de probabilidad subjetiva

Tanto la definición clásica como la frecuentista se basan en las repeticiones del
experimento aleatorio; pero existen muchos experimentos que no se pueden
repetir bajo las mismas condiciones y por tanto no puede aplicarse la
interpretación objetiva de la probabilidad. En esos casos es necesario acudir a un
punto de vista alternativo, que no dependa de las repeticiones, sino que
considere la probabilidad como un concepto subjetivo que exprese el grado de
creencia o confianza individual sobre la posibilidad de que el suceso ocurra.
Luego, se puede definir de la siguiente manera:
Dado un experimento, la probabilidad de un evento A, es el grado de creencia
asignado a la ocurrencia de este evento por un individuo particular, basado en
toda la evidencia a su disposición, por lo que otra persona, con otras evidencias
,podrá asignar a la ocurrencia del mismo evento otra probabilidad diferente a la
que asignó el anterior.
Interpretación de la probabilidad subjetiva: Se asigna la probabilidad a partir
de la información previa.

3.4. Definición axiomática de probabilidad (Kolmogorov)

Independientemente de la forma como se defina probabilidad, esta cumple los
axiomas siguientes:
 (1) La probabilidad de cada suceso simple es un número no negativo , es decir:
0  P( A)  1 A  P( A)  0,  A  ó P( A)  0, A 
(2) La probabilidad del suceso seguro (espacio muestral) es : P() = 1
(3) Dada una colección numerable de eventos disjuntos (mutuamente excluyentes
dos a dos) S1 , S2 ,...., Sn , la probabilidad de la unión de esta colección de eventos

es:
 n    
P  Si  = P   Si  = P( S1 ) + P(S 2 ) + ... + P (S n )
 i =1   í =1 

4. TEOREMAS DE PROBABILIDAD
4.1. Probabilidad del suceso imposible
P ( ) = 0
La probabilidad de un suceso imposible (conjunto vacío), es cero.

4.2. Probabilidad de la unión de dos sucesos

Si A y B son sucesos cualesquiera definidos en un mismo espacio muestral, la
probabilidad de la unión de estos eventos se define:

P( A  B) = P( A) + P( B) − P( A  B)

Si los sucesos A y B son incompatibles A  B =  en ese caso

P( A  B) = P( ) = 0 , luego:

P( A  B) = P( A) + P( B)

Consecuencia:

P( A  B)  P( A) + P( B) puesto que P( A  B)  0
 4.3. Probabilidad de la unión de tres o más sucesos
Dados los eventos cualesquiera A, B y C, se tiene que:

P( A  B  C ) = P( A) + P ( B ) + P (C ) − P ( A  B ) − P ( A  C ) − P ( B  C ) + P ( A  B  C )

En general: Dada una colección de k eventos cualesquiera S1 , S2 ,...., Sk , la

probabilidad de la unión de esta colección de eventos es:

 k  k k n k
P  Si  =  P( Si ) −  P( Si S j ) +  P( Si S j  S r ) + ... + (−1) k +1 P( Si )
 i =1  í =1 í  j =2 í  j  r =3
i =1

4.4. Probabilidad de sucesos complementarios

Sea el evento A definido en el espacio muestral  , el suceso complementario
de A, es Ac , luego la P( A) se define como: P( Ac ) = 1 − P( A)

4.5.Diferencia de eventos
Se define el evento A-B como el que está formado por los elementos de A que no
están en B. Por tanto si quitamos al evento A los elementos comunes a A y B
( A  B) nos queda A-B
P( A − B) = P( A) − P( A  B)

Ejemplo:

A. Calcular la probabilidad que el gerente escoja por lo menos a uno de los aspirantes
calificados excelentes.
B. Calcular la probabilidad que el gerente escoja a los dos excelentes, dado que ya se
sabe que uno de los dos seleccionados es excelente
5. PROBABILIDAD CONDICIONAL

A veces es necesario calcular la probabilidad de un evento A donde dicho evento está

condicionado a la ocurrencia de otro evento B (subconjunto del espacio muestral).
Como ya ha ocurrido el evento B, el espacio muestral se ha restringido al subconjunto
B, entonces es razonable pensar que no ha ocurrido todo suceso w que pertenece a B .
Por lo tanto, es posible definir la probabilidad del evento A dado que ha ocurrido B,
denotado por P[A/B] , como:

P[ A  B]
P[ A / B] = , si P[ B]  0
P[ B]

P[ A  ] P[ A]
P[ A / ] = =
P[]

La probabilidad condicional cumple los siguientes axiomas:

(1) 0  P[ A / B]  1

(2) P[ / B] = 1

(3) Dada una colección numerable de eventos disjuntos (mutuamente excluyentes dos
a dos), se tiene:
 k 
P  Si / B  = P[ S1  S 2  ...  S k / B] = P[ S1 / B] + P[ S 2 / B] + ... + P[ S K / B]
 i =1 
k
=  P[ S i / B]
i =1

Teoremas
(1) P[ / B] = 0
(2) P[ A / B] = 1 − P[ A / B]
P[ A / B] = 1 − P[ A / B]
(3) Si A  C , entonces P[ A / B]  P[C / B ]
(4) P[ A  C / B] = P[ A / B] + P[C / B] − P[ A  C / B]

6. TEOREMA DE MULTIPLICACIÓN
De la definición de probabilidad condicional, tenemos:
En general:
Si S1 , S2 ,...., Sk , son eventos del espacio muestral finito y P[S1  S2  ....  Sk −1 ]  0 ,

entonces:

P[S1  S2  ....  Sk ] = P[S1 ]P[S2 / S1 ]P[S3 / S1  S2 ]...P[Sk / S1  S2  ...  Sk −1 ]

7. TEOREMA DE BAYES

7.1. PARTICIÓN DE UN ESPACIO MUESTRAL

Se dice que la colección de eventos S1 , S2 ,...., Sk del espacio muestral representa una

partición del espacio muestral, si se cumple las siguientes condiciones:

(1) Los eventos S1 , S2 ,...., Sk son mutuamente excluyentes, es decir

Si  S j =  , i  j i, j = 1, 2,..., k

(2) Los eventos S1 , S2 ,...., Sk son colectivamente exhaustivos, es decir: Si  S j = 

7.2. TEOREMA DE PROBABILIDAD TOTAL

Sea S1 , S2 ,...., Sk una partición del espacio muestral, entonces para cualquier evento B,

del espacio muestral, se cumple:

Corolario: Si B es un evento en el espacio muestral, tal que 0<P(B)<1, entonces para

cualquier evento A en el espacio muestral se tiene:
 Dada una colección numerable de eventos disjuntos (mutuamente excluyentes
dos a dos) S1 , S2 ,...., Sn , la probabilidad de la unión de esta colección de eventos

es:

7.3. TEOREMA (DE BAYES O DE LAS HIPOTESIS)

Sea una colección de sucesos que cumplen las condiciones para que
el teorema de la probabilidad total se verifique. Entonces:

Donde es la probabilidad a posteriori o hipótesis.

8. INDEPENDENCIA DE SUCESOS

8.1. Dos sucesos A yB son independientes si y solo si se cumple :

Esta definición no es suficiente si tenemos un mayor número de sucesos.

8.2. Los sucesos de una colección finita si  i =1...n son mutuamente independientes si
cumplen :
P ( Si  S j ) = P ( Si ) P ( S j ) si i  j
P ( Si  S j  S k ) = P ( Si ) P ( S j ) P ( S k ) si i  j  k
P(in Si ) =  in P( Si )