Matemáticas

Probabilidad I

2°Semestre

Unidad 2: Teoría de la Probabilidad.

Clave
05141212/06141212

Universidad Abierta y a Distancia de México

Unidad 2. Espacios de probabilidad

Índice
Presentación .......................................................................................................................... 3
Competencia específica .......................................................................................................... 3
Logros de la unidad ............................................................................................................... 3
2.1 Espacio de Probabilidad _______________________________________________________ 4

2.1.1. Definición de sigma-álgebra............................................................................................. 4

2.1.2. Ejemplos.......................................................................................................................... 4
2.1.3. Definición de Espacio de Probabilidad ............................................................................ 5
2.2 Cálculo de Probabilidades ______________________________________________________ 5

2.2.1. Axiomas de la probabilidad ............................................................................................. 5

2.2.2. Consecuencias inmediatas de los axiomas. Propiedades fundamentales. .......................... 6
2.3 Probabilidad Condicional. ______________________________________________________ 8

2.3.1. Definición de probabilidad Condicional........................................................................... 8

2.3.2. Teorema de probabilidad Total. ...................................................................................... 9
2.3.3. Teorema de Bayes. ........................................................................................................... 9
2.3.4. Eventos independientes. ................................................................................................. 10
Cierre .................................................................................................................................. 10
Fuentes de consulta ............................................................................................................. 11

UnADM | DCEIT | MT | MPRO1 2

Unidad 2. Espacios de probabilidad

Presentación

La probabilidad es la rama de las matemáticas que se ocupa de determinar cuantitativamente la

posibilidad de que ocurra un determinado suceso. Una de sus funciones es hacer inferencias a
partir de dichas probabilidades.

Durante el siglo XVII, además de Pascal y Fermat, las investigaciones y trabajos en esta nueva
rama continuaron con los matemáticos Jean y Jacques Bernoulli y De Moivre. En el siglo XVIII
estuvieron investigando D. Bernoulli, K. Guass y S. Poisson. Durante el siglo XIX y principios
del XX tuvieron lugar diferentes escuelas dedicadas al estudio de esta rama, entre las principales
estuvieron la rusa con Chébyshev, Markov, Lyapunov, Kolmogorov y Jinchin; la estadounidense
con N. Wiener, Feller y Doob; y la francesa con Meyer y Levy, entre otros.

Sin embargo, fue hasta 1933 que Andrey N. Kolmogórov da la definición de probabilidad en una
construcción axiomática. Así, en la escuela rusa la teoría de probabilidad se transforma en una
ciencia matemática del más alto grado de rigor, y pudo desarrollarse como una teoría
axiomatizada, resolviendo los problemas aplicados de la ciencia moderna y la tecnología.

En esta unidad 2 estudiarás conceptos fundamentales como: espacios de probabilidad, el sistema

de axiomas, algunos de los primeros teoremas que se infieren de los axiomas, para calcular
probabilidades. Así como los Teoremas de Probabilidad Total y de Bayes. También, aprenderás
aparte del leguaje simbólico correspondiente, los métodos de demostración de los teoremas y
resultados consecuencia del sistema axiomático dado.

Competencia específica

Utilizar deductivamente un sistema axiomático para el cálculo de probabilidades mediante

Teoremas fundamentales de la Probabilidad.

Logros de la unidad

UnADM | DCEIT | MT | MPRO1 3

Unidad 2. Espacios de probabilidad

• Identifica el sistema axiomático de la Teoría de la probabilidad.

• Expresa correctamente la simbología matemática correspondiente.
• Realiza demostraciones de teoremas fundamentales.
• Aplica los Teoremas fundamentales para determinar probabilidades.

2.1 Espacio de Probabilidad

2.1.1. Definición de sigma-álgebra

Consideremos un conjunto no vacío Ω (espacio muestral) de elementos. Los elementos de Ω

serán denotados con la letra minúscula ω con subíndices o sin ellos. Se define una 𝛔-álgebra,
(leída sigma algebra) y denotada con 𝓕, como una colección de subconjuntos del espacio Ω tales
que cumplen las siguientes tres condiciones.
a) Ω ∈ ℱ (el propio espacio muestral pertenece a la σ-álgebra).
b) Si 𝐴 ∈ ℱ, entonces 𝐴c ∈ ℱ, (el complemento de un elemento de la σ-álgebra
pertenece también a la σ-álgebra).
c) Si 𝐴1 , 𝐴2 , … ∈ ℱ, entonces (∪∞
𝑛=1 𝐴𝑛 ) ∈ ℱ.

(La unión numerable de una sucesión infinita numerable de elementos de la σ-álgebra

pertenece también a la σ-álgebra).

Algunas de las consecuencias de la definición anterior son:

- Si Ω ∈ ℱ, entonces ∅ ∈ ℱ, debido a que Ωc = ∅.
- Si 𝐴1 , 𝐴2 , … ∈ ℱ, entonces (∩∞
𝑛=1 𝐴𝑛 ) ∈ ℱ, debido a las leyes de De Morgan.

Los elementos de una σ-álgebra serán llamados eventos.

2.1.2. Ejemplos

Existen varios ejemplos de σ-álgebras, sin embargo para este curso sólo se mencionarán algunos.

UnADM | DCEIT | MT | MPRO1 4

Unidad 2. Espacios de probabilidad

Dado un conjunto Ω no vacío se forma la σ-álgebra trivial conformada por dicho conjunto y
su complemento, esto es ℱ = {∅, Ω}.
Sea un conjunto Ω ≠ ∅ y sea ℘(Ω) el conjunto potencia de Ω (el conjunto de todos los
subconjuntos de Ω), entonces otra σ-álgebra para este conjunto es ℱ = ℘(Ω).
Finalmente una σ-álgebra importante es la conocida como 𝛔-álgebra de Borel.

2.1.3. Definición de Espacio de Probabilidad

Un espacio de probabilidad es una terna conformada por un espacio muestral Ω no vacío, una σ-
álgebra ℱ de subconjuntos de Ω y P una medida de probabilidad definida para los eventos de ℱ.
El espacio de probabilidad se denota como (Ω, ℱ, 𝑃). A continuación se define la medida de
probabilidad P.

2.2 Cálculo de Probabilidades

2.2.1. Axiomas de la probabilidad

Los axiomas de la teoría de probabilidad constituyen la base para deducir a partir de ellas un
amplio número de resultados. La letra P como se mencionó antes se utiliza para designar la
probabilidad de un evento, siendo 𝑃(𝐴) la probabilidad de ocurrencia de un evento A en un
experimento.

Dado un espacio muestral Ω y una σ-álgebra ℱ de subconjuntos de Ω, entonces P será llamada

medida de probabilidad sobre la σ-álgebra ℱ, si cumple los siguientes axiomas.

Axioma 1. Si A es un evento de Ω (es decir 𝐴 ∈ ℱ), entonces la probabilidad del evento A es:
0 ≤ 𝑃(𝐴) ≤ 1.
(A cada evento de la σ-álgebra ℱ le corresponde un número no negativo 𝑃(𝐴), llamado la
probabilidad del evento 𝐴 y este número es a lo más uno).

UnADM | DCEIT | MT | MPRO1 5

Unidad 2. Espacios de probabilidad

Como no podemos obtener menos de cero éxitos ni más de n éxitos en n experimentos, la

probabilidad de cualquier evento A, se representa mediante un valor que puede variar de 0 a 1.

Axioma 2. Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es

igual a la probabilidad de obtener A más la probabilidad de obtener B.
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵).

Axioma 3. La probabilidad del espacio muestral Ω es uno.

𝑃(Ω) = 1.

Esto es la probabilidad P es una función no negativa definida sobre una σ-álgebra ℱ, que tiene
las propiedades de 𝑃(Ω) = 1 y de ser aditiva.

2.2.2. Consecuencias inmediatas de los axiomas. Propiedades fundamentales.

A continuación se presentas algunas propiedades fundamentales expresadas como teoremas que

son consecuencia de los axiomas anteriores.

TEOREMA 1. Si A es un evento cualquiera de un experimento aleatorio (es decir 𝐴 ∈ ℱ) y 𝐴𝑐

es el complemento de A, entonces:
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴).

Demostración: Por definición 𝐴𝑐 = Ω − 𝐴, donde 𝐴 y 𝐴𝑐 son mutuamente excluyentes (ya que

𝐴 ∩ 𝐴𝑐 = ∅) y 𝐴 ∪ 𝐴𝑐 = Ω. Entonces se tiene el siguiente argumento.
𝑃(𝐴 ∪ 𝐴𝑐 ) = 𝑃(Ω) = 𝑃(𝐴) + 𝑃(𝐴𝑐 ) …por axioma 2.
⟹ 𝑃(𝐴𝑐 ) = 𝑃(Ω) − 𝑃(𝐴) …despejando de la igualdad anterior,
⟹ 𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴), …por axioma 3.
Que era lo que se quería demostrar.

TEOREMA 2. Si 𝐴 es el evento vacío (𝐴 = ∅), entonces la probabilidad de que ocurra 𝑃(∅) es

cero. Esto es 𝑃(∅) = 0.
UnADM | DCEIT | MT | MPRO1 6
Unidad 2. Espacios de probabilidad

Demostración: Se sabe que el espacio muestral Ω es un evento (ya que Ω ∈ ℱ) entonces Ωc =

∅, entonces
𝑃(∅) = 1 − 𝑃(Ω) …por Teorema 1.
⟹ 𝑃(∅) = 1 − 1 = 0 … por axioma 3.
Que era lo que se quería demostrar.

TEOREMA 3. Si 𝐴 y 𝐵 son eventos (𝐴, 𝐵 ∈ ℱ) cualesquiera tales que 𝐴 es subcojunto propio de

𝐵 (es decir 𝐴 ⊂ 𝐵) entonces la probabilidad de que ocurra 𝐴 es menor o igual a la probabilidad
de que ocurra 𝐵. En otras palabras: si 𝐴 ⊂ 𝐵 entonces 𝑃(𝐴) ≤ 𝑃(𝐵).

Demostración: Sean 𝐴 y 𝐵 son eventos cualesquiera tales que 𝐴 ⊂ 𝐵, entoncces

𝐵 = 𝐴 ∪ (𝐵 − 𝐴) …por propiedades de conjuntos,
Los eventos 𝐴 y 𝐵 − 𝐴 son mutuamente excluyentes, entonces
𝑃(𝐵) = 𝑃(𝐴 ∪ (𝐵 − 𝐴)) = 𝑃(𝐴) + 𝑃(𝐵 − 𝐴) …por axioma 2.
𝑃(𝐵 − 𝐴) ≥ 0 … por axioma 1.
⟹ 𝑃(𝐴) ≤ 𝑃(𝐵) … debido a la igualdad anterior.
Que era lo que se quería demostrar.

Los siguientes teoremas no presentan demostración

TEOREMA 4. Si 𝐴 y 𝐵 son eventos (𝐴, 𝐵 ∈ ℱ) cualesquiera entonces

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).

TEOREMA 5. Sean 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos cualesquiera entonces

𝑃(⋃𝑛𝑖=1 𝐴𝑖 ) ≤ ∑𝑛𝑖=1 𝑃(𝐴𝑖 ).

TEOREMA 6. Sean 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos cualesquiera incompatibles dos a dos (𝐴𝑖 ∩ 𝐴𝑗 = ∅)

tales que la unión de todos ellos forman el total (⋃𝑛𝑖=1 𝐴𝑖 = Ω) entonces
𝑃(⋃𝑛𝑖=1 𝐴𝑖 ) = ∑𝑛𝑖=1 𝑃(𝐴𝑖 ) =1.

UnADM | DCEIT | MT | MPRO1 7

Unidad 2. Espacios de probabilidad

2.3 Probabilidad Condicional.

El concepto de probabilidad condicional fue desarrollado por el reverendo inglés Thomas Bayes
(1702-1761), cuyo trabajo fue leído póstumamente, en 1763. Bayes da la primera definición
rigurosa y explícita de sucesos o eventos de los cuales se tiene información previa de la
ocurrencia de algunos de ellos, lo cual cambia el sentido de la probabilidad clásica.

Un ejemplo de ello se puede apreciar en los juegos de azar. Supóngase que se lanza un dado pero
los resultados del experimento aleatorio no son equiprobables como lo menciona la teoría clásica
de probabilidad, imagina un dado cargado de forma tal que uno de sus números no tiene
ocurrencia, esto es muy fácil modificar, simplemente se colocan contrapesos al número que
deseamos “no ocurra”.

En general en la práctica tenemos idea de la posibilidad de ocurrencia de algunos eventos, o bien

usamos escenarios de cómo se comportaría un evento si ocurriera otro evento. En economía es
frecuente plantearse escenarios, por ejemplo, qué probabilidad existe de aumentar las utilidades
de una empresa si se incrementan las tasas de interés.

En esta sección aplicaremos estos conceptos para calcular probabilidades de eventos que están
relacionados con otros eventos y su ocurrencia modifica su probabilidad de ocurrencia. Imagina
que en un dado no ocurre un número impar, ¿cuál es la probabilidad de que al lanzar un dado
aparezca un dos? Es claro que nuestro espacio muestral se reduce a tres resultados y la
probabilidad 𝑃("aparezca un dos") = 1/3 en lugar de 1/6 como sucedería en un dado normal.

2.3.1. Definición de probabilidad Condicional.

Sean 𝐴 y 𝐵 son dos eventos que pertenecen a un espacio muestral Ω, con 𝐴 ≠ ∅. Se define
probabilidad condicional, denotada 𝑃(𝐵|𝐴) que se lee la probabilidad de que suceda 𝐵, dado que
sucedió el evento 𝐴, o la probabilidad de que ocurra 𝐵 condicionado a que haya ocurrido 𝐴,
como:

UnADM | DCEIT | MT | MPRO1 8

Unidad 2. Espacios de probabilidad

𝑃(𝐵 ∩ 𝐴)
𝑃(𝐵|𝐴) = .
𝑃(𝐴)

2.3.2. Teorema de probabilidad Total.

Recordemos el concepto de partición de un conjunto. Sea Ω un conjunto una partición de Ω es

una colección finita (o numerable) de subconjuntos de Ω, 𝐴1 , 𝐴2 , … , 𝐴𝑛 ⊂ Ω tales que estos son
incompatibles dos a dos (𝐴𝑖 ∩ 𝐴𝑗 = ∅, para cualesquiera 𝑖 ≠ 𝑗) y la unión de todos ellos forman
el conjunto total (esto es 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛 = ⋃𝑛𝑖=1 𝐴𝑖 = Ω).

TEOREMA DE PROBABILIDAD TOTAL. Si los eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 forman una partición de Ω

entonces para cualquier otro evento 𝐵 se tiene que:
𝑛

𝑃(𝐵) = ∑ 𝑃(𝐵|𝐴𝑖 ) ∙ 𝑃(𝐴𝑖 ).

𝑖=1

2.3.3. Teorema de Bayes.

El teorema de Bayes es una respuesta a la teoría tradicional de probabilidad que se fundamenta en

experimentos repetibles y que tienen un soporte empírico. El teorema de Bayes permite
probabilidades subjetivas, aunque es útil para modificar nuestras probabilidades subjetivas con la
información obtenida en un experimento aleatorio.

En la realidad es posible realizar estimaciones de la probabilidad de un evento basadas en el

conocimiento subjetivo a priori. El teorema de Bayes nos permite revisar estas estimaciones en
función de la evidencia empírica.

Teorema de Bayes. Si los eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 forman una partición de Ω y si 𝑃(𝐴𝑖 ) ≠ 0

para 𝑖 = 1,2, … , 𝑛 entonces para cualquier otro evento 𝐵 tal que 𝑃(𝐵 ) ≠ 0 se tiene que para
𝑖 = 1,2, … , 𝑛:

UnADM | DCEIT | MT | MPRO1 9

Unidad 2. Espacios de probabilidad

𝑃(𝐵|𝐴𝑖 ) ∙ 𝑃(𝐴𝑖 )
𝑃(𝐴𝑖 |𝐵) = 𝑛 .
∑𝑘=1(𝑃(𝐵|𝐴𝑖 ) ∙ 𝑃(𝐴𝑘 ))

2.3.4. Eventos independientes.

Se dice que dos eventos no vacíos son independientes en Ω, cuando la probabilidad de que ocurra
uno no es influida por la ocurrencia del otro. Si 𝐴 y 𝐵 son dos eventos y si la probabilidad de la
ocurrencia de 𝐴 no afecta la probabilidad de la ocurrencia de 𝐵, y viceversa (la probabilidad de la
ocurrencia de 𝐵 no afecta la probabilidad de la ocurrencia de 𝐴), entonces se dice que 𝐴 y 𝐵 son
eventos son independientes. Lo anterior se escribe como:
𝐴 y 𝐵 son independientes ⟺ 𝑃(𝐴) = 𝑃(𝐴|𝐵) y 𝑃(𝐵) = 𝑃(𝐵|𝐴).

Se puede demostrar que es suficiente con que se tenga una igualdad condicional 𝑃(𝐴) = 𝑃(𝐴|𝐵)
o 𝑃(𝐵) = 𝑃(𝐵|𝐴) para que se siga la independencia entre los eventos. Esto debido a que de una
𝑃(𝐴∩𝐵) 𝑃(𝐴∩𝐵)
𝑃(𝐴) = 𝑃(𝐴|𝐵) = se implica la otra 𝑃(𝐵) = . Entonces
𝑃(𝐵) 𝑃(𝐴)

Definición 1: 𝐴 y 𝐵 son eventos independientes ⟺ 𝑃(𝐴) = 𝑃(𝐴|𝐵).

Otra manera análoga de escribir la independencia entre eventos es utilizando el producto de sus
probabilidades esto es:
Definición 2: 𝐴 y 𝐵 son eventos independientes ⟺ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵).

Se puede demostrar que ambas definiciones son equivalentes.

Cierre

Al finalizar la unidad el estudiante sabrá determinar probabilidades, utilizando las diferentes

propiedades y teoremas trabajados, identificará la independencia de eventos, analizará diferentes
situaciones donde podrá aplicar la regla de probabilidad condicional, obtendrá la probabilidad de
un experimento utilizando los teoremas de probabilidad total y el de Bayes.

UnADM | DCEIT | MT | MPRO1 10

Unidad 2. Espacios de probabilidad

Para cumplir con este propósito, tu docente en línea te dará diversas actividades y ejercicios
destinados al desarrollo de destrezas y habilidades para resolver problemas específicos, donde
haya un grado de incertidumbre en los efectos de fenómenos que se nos presentan a nuestro
alrededor. Es muy importante que revises los recursos recomendados, así como los que te de tu
docente en línea.

Fuentes de consulta

• Anderson, D. y Sweeney, D.J. (2008). Estadística para administración y economía.

Cengage Learning Latin America.
• Devore, J. L. (2005). Probabilidad y estadística para ingeniería y ciencias. México:
Thomson.
• Evans, M. J. (2005). Probabilidad y estadística. Reverte.
• Gamiz-Casarrubias, B. (2003). Probabilidad y estadística con prácticas en Excel.
México: Just in time Press.
• Hayslett, H. T. Jr. (1987) Estadística simplificada. México: Grupo editorial Sayrols.

• Johnson, R. y Kuby, P. (2006), Estadística elemental. México: Thomson Paraninfo.

• Lincoln L. Ch. (2000). Introducción a la estadística. México: Compañía Editorial
Continental.
• Ruiz, E. y Ruiz, E. (2007). Probabilidad y estadística. México: McGraw-Hill
• Interamericana.
• Spiegel, M. R. y Stephens, L. J. (2002). Estadística. México: McGraw-Hill.
• Wisniewski, P. M. y Velasco-Sotomayor G. (2001). Problemario de probabilidad.
México, D.F., México: Thomson.

UnADM | DCEIT | MT | MPRO1 11