CAPÍTULO 0

REVISIÓN DE CONCEPTOS GENERALES DE PROBABILIDAD

 La noción básica en Teoría de Probabilidad es el de experimento

aleatorio: aquel cuyo resultado no puede ser precisado de antemano. Lo
que sí se conoce, relativo al experimento, es el conjunto de resultados
posibles, llamado espacio muestral.

Usualmente se usa el símbolo  para denotar al espacio muestral.

EJEMPLOS. Se realiza el experimento:

1) Tirar al aire un dado y observar el número de la cara superior del dado,

que resulta de la tirada;  = {1, 2, 3, 4, 5, 6} (Ejemplo modelo)

2) Simultáneamente se tiran al aire dos dados de colores diferentes y se

observan los números de las caras superiores de los dados, que resultan de la
tirada;

 = {(1,1), (1,2), …, (1,6), (2,1), (2,2),…, (6,6)} = {(x, y)/ x, y ϵ {1,2,…, 6}}

3) Seleccionar 100 personas al azar y determinar, de ellas, el número de

personas que fuma;  = {1, 2,…, 100}
Definición. Dado un experimento aleatorio, un evento es un subconjunto del
espacio muestral.

EJEMPLOS.

1) En el ejemplo 1 de experimento aleatorio, el conjunto {1, 4, 5} es un evento.

2) En el ejemplo 3 de experimento aleatorio, el enunciado “la mayoría de las

personas es fumadora”, define el evento {51, 52,…, 100}.

3) Durante un día completo se observa el número de accidentes de tránsito que

ocurren en una intersección de dos calles, en el que se dan muchos accidentes,
 = {0, 1, 2,…}.
 a) El enunciado “el número de accidentes es mayor que 6” define el evento
{7, 8, 9, …}

b) El enunciado “el número de accidentes está entre 5 y 9, inclusive” define

el evento {5, 6, 7, 8, 9}

Definición: Un evento ocurre si, realizado el experimento, el resultado es un

elemento del evento.

Si A y B son eventos de un espacio muestral :

- el evento que A o B ocurra se denota A U B

- el evento que A y B ocurran se denota A ∩ B ó AB ó A,B

- C
 
- el evento que A ocurra y que B no ocurra se denota A ∩ B C
Observación: La notación se puede extender a una sucesión finita de
eventos.

Definición: Si  es un espacio muestral y P una función definida en

P (), que cumple:

a. Para todo evento A de , P(A) ϵ [0,1]
b. P() = 1
c. Para toda sucesión de eventos A1, A2,… con Ai ∩ Aj = Ø,

entonces, P es una función de probabilidad en .

 
En estas condiciones, si A, B, C son eventos, se tiene:

- Si P(A) = 1 entonces A es un evento cierto

- Si P(B) = 0 entonces B es un evento imposible

-Si A ∩ B = Ø entonces P(A U B) = P(A) + P(B)

- P(AC) = 1 - P(A)

- P(A ∩ B) = P(A) P(B) entonces A y B son independientes

- Se cumple la Ley de Probabilidad Total

Si A1, A2,… son disjuntos y A1 U A2 U… =  (ocurre uno de los eventos),

entonces, para todo evento B de , =
 
Definición. Probabilidad condicional

Dados A, B eventos de , la probabilidad condicional de A dado B se define

como:

con P(B)

EJEMPLO: La probabilidad que un aparato electrónico sea duradero

(relativamente) es de 0.85 y que sea duradero y barato es de 0.4. ¿Cuál es la
probabilidad que un aparato electrónico duradero sea barato?

Solución: Definimos los eventos A: el aparato es duradero. B: el aparato

es barato. Entonces

P(A) = 0.85, P(A,B) = 0.4

Definición: Sea  un espacio muestral y P una función de
probabilidad en . Toda función X de  en R es una variable
aleatoria.

EJEMPLO: Se lanza un dado y se observa el número en la cara

superior (ejemplo modelo)

 = {1, 2, 3, 4, 5, 6}, P la función de probabilidad definida como

P({a}) = 1/6 , para todo a ϵ 

Sea la variable aleatoria X de  en R definida así:

 X(w) = w si w es un múltiplo de 3
0 si no lo es Entonces Im(X) = {0,
3, 6}

w 1 2 3 4 5 6

X(w) 0 0 3 0 0 6
Definición. Función de acumulación (o distribución) de una
variable aleatoria

Sea  un experimento,  su espacio muestral, P función de

probabilidad en , y X una variable aleatoria en .

Dado un número real x, se define el evento A en  así:

A = {w ϵ  / X(w) ≤ x } que se puede escribir en forma resumida

como [X ≤ x]. Observación: De igual manera se pueden definir

los eventos [X ≥ x], [X < x], [X > x], [X = x]
Como A ϵ P () se puede calcular P(A) = P({w ϵ  / X(w) ≤ x }) = P([X ≤ x]) ϵ [0, 1]

Variando x en R, se define una función F de R en [0, 1] tal que

F(x) = P([X ≤ x]) = P[X ≤ x]

F es la función de acumulación (o de distribución) de la variable aleatoria X.

-----------------------------------------------------------------------------------------------------

 EJEMPLOS

[X ≥ 2.8] = {w ϵ  / X(w) ≥ 2.8 } = {3, 6}

[X < 4] = {w ϵ  / X(w) < 4 } = { 1, 2, 3, 4, 5}

[X = 2] = {w ϵ  / X(w) = 2 } = { } = Ø
Propiedades de la función de acumulación

a) P[X > x] = 1 - P[X ≤ x]

b) P[c ≤ X ≤ d] = F(d) – F(c)

Definición: Variable aleatoria discreta

X variable aleatoria, es discreta si asume una cantidad finita o numerable de
valores reales, x1, x2, x3,…
Para esta variable aleatoria discreta X se define una función de masa de
probabilidad p del conjunto imagen de X en [0, 1] tal que
p(xi) = P[X=xi], si xi ϵ Im(X)
0 en cualquier otro caso
 Propiedades de la función de masa de probabilidad

a)

b)

c)

EJEMPLO: En el ejemplo modelo, la función de masa de probabilidad se define

del conjunto {0, 3, 6} en [0,1]

p(0) = P{w ϵ  / X(w) = 0 }) = P[X = 0] = P{1, 2, 4, 5} = 4/6

p(3) = P{w ϵ  / X(w) = 3 }) = P[X = 3] = P{3} = 1/6

p(6) = P{w ϵ  / X(w) = 6 }) = P[X = 6] = P{6} = 1/6

De allí, la función de acumulación se define como:
0, x<0
F(x) = 4/6, 0≤x<3
5/6, 3≤x<6
1, x≥6

1 ●
●
●

3 6
 EJERCICIO

Para las siguientes variables aleatorias definidas en  = {(x,y)/ x, y ϵ {1,2,…, 6}},

correspondiente al experimento de lanzar simultáneamente al aire dos dados
diferenciados, determine su conjunto imagen:

1. X(x,y) = x – y 4. V (x,y) = x si x ≥ y
y si x ≤ y

2. Y(x,y) = 1 si x = y 5. W(x, y) = x y
0 si x  y

3. Z(x,y) = x + y 6. T(x,y) =  x – y 

 
 
Definición: Variable aleatoria continua

X es variable aleatoria continua si toma valores en un intervalo real (c, d) y

existe una función real integrable f, denominada función de densidad, tal que
para todo intervalo (a,b) Ϲ (c,d), P[a ≤ X ≤ b] =

Propiedades de la función de densidad

a)

b) o sea que,
 De allí que P[a ≤ X ≤ b] = F(b) – F(a) =

Definición. Esperanza de una variable aleatoria

- Si X es variable aleatoria discreta con posibles valores x1, x2, x3, …., el
valor esperado de X (o media de X) se define:

- Si X es variable aleatoria continua con función de densidad f,

 - Si a y b son constantes, aX + b es también una variable aleatoria.
Entonces,
E(aX + b) = a E(X) + b
- Si X, Y son variables aleatorias, X + Y también lo es. Entonces,
E(X + Y) = E(X) + E(Y)

En general, )

Definición. Varianza de una variable aleatoria

Si X es una variable aleatoria entonces la varianza de X se define como:
Var(x) = E(X2) – [E(X)]2
De allí, Var (aX + b) = a2 Var (X) si a, b son constantes