Probabilidad 2

Tema 1
PROBABILIDAD
1.1. Experimentos aleatorios y sucesos

Un experimento aleatorio es aquel en el que no somos capaces de predecir con
seguridad el resultado. A cada uno de los posibles resultados de tal experimento se le
denomina suceso elemental. El conjunto de todos los sucesos elementales asociados
a un experimento es el espacio muestral, que denotaremos por Ω.
Ejemplo 1.1. En el experimento aleatorio de tirar un dado el espacio muestral serı́a

Ω = {1, 2, 3, 4, 5, 6}. Cualquier suceso referente al resultado del experimento se obtiene
mediante acumulación de sucesos elementales. Por ejemplo el suceso
A ≡ {que salga un número par} = {2, 4, 6}
El conjunto de todos los sucesos, elementales y no elementales, asociado a un

experimento aleatorio se denomina espacio de sucesos. Nosotros lo denotaremos
por A. Obsérvese que, según lo dicho, todo suceso debe ser siempre un subconjunto
de Ω y por tanto ocurrirá A ⊆ P(Ω). De hecho, nosotros trabajaremos siempre con
A = P(Ω).
Según lo dicho, todo suceso es un conjunto y por tanto podemos aplicar sobre ellos
todas las operaciones que conocemos de la teorı́a de conjuntos. Dados dos sucesos
A, B ∈ A tenemos:
Suceso unión (A ∪ B). Ocurre cuando ocurren A o B, pero no necesariamente

ambos a la vez.
Suceso intersección (A ∩ B). Ocurre cuando ocurren ambos sucesos, A y B.
1
TEMA 1. PROBABILIDAD 2
Suceso complementario (Ac ). Ocurre cuando no ocurre A.

Resta de sucesos (A\B). Ocurre cuando ocurre A pero no ocurre B.
1.2. Definición de probabilidad

Existe diversas definiciones de probabilidad que ofrecen puntos de vista intere-
santes. Veamos algunas de ellas:
a) Definición subjetivista. Esta es la definición que podrı́amos encontrar en un

diccionario: La probabilidad de un suceso es el grado de certeza que tenemos de
que ese suceso va a ocurrir.
Esta definición es interesante para saber de qué estamos hablando pero tiene
el problema de que, como su nombre indica, es subjetiva ya que el “grado de
certeza” al que hace referencia puede variar de una persona a otra. Necesitamos
un modo de medir dicha certeza que sea objetivo y válido para cualquier persona.
b) Definición frecuentista (Von Mises). Esta es la definición clásica de probabili-
dad y está basada en el concepto de frecuencia. Cuando repetimos n veces un
experimento se define la frecuencia absoluta del suceso A (que denotaremos
por nA ) como el número total de veces que ha ocurrido dicho suceso. A su vez,
se define la frecuencia relativa de A (fAn ) como la proporción de veces que
ocurre A, es decir:
nA
fAn =
n
Von Mises observó que si repetı́a un experimento muchas veces, siempre en las
mismas condiciones, las frecuencias relativas de los distintos sucesos tendı́an a
estabilizarse en unos valores concretos. Estableció como premisa que esto era
ası́ siempre y definió la probabilidad de un suceso como el lı́mite de su frecuencia
relativa cuando el número de repeticiones del experimento tendı́a a infinito, es
decir:
P (A) = lı́m fAn
n→∞
c) Definición de Laplace. Esta definición proporciona una regla de cálculo que

puede resultar muy útil en determinadas ocasiones. Dado un experimento aleato-
rio y un suceso A, Laplace denominaba casos posibles a todos los sucesos ele-
mentales del experimento y casos favorables a aquellos que estaban incluidos en
A. A partir de aquı́, definı́a la probabilidad de A como:
número de casos favorables
P (A) =
número de casos posibles
Esta definición encierra también un problema y es que parte de la premisa de

que todos los sucesos elementales (casos posibles) son equiprobables, en caso
contrario la fórmula pierde su validez.
d) Definición axiomática (Kolmogorov). Si bien todas las definiciones anteriores

eran interesantes, esta es la definición básica sobre la que se construye todo el
edificio teórico que vamos a ir descubriendo a lo largo del curso:
Una probabilidad es una función P : A → R que verifica los siguientes ax-
iomas:
1) P (A) ≥ 0
2) Si dos sucesos A y B son incompatibles (esto quiere decir que tienen
intersección vacı́a), entonces:
P (A ∪ B) = P (A) + P (B)
3) P (Ω) = 1
Nota 1.1. Si Ω es infinito tendremos que sustituir el axioma 2 por:

2’) Si {A1 , ..., Ai , ...} es una colección de sucesos incompatibles dos a dos (es
decir, tales que Ai ∩ Aj = ∅ para todo i 6= j), entonces:
∞
[ ∞
X
P( Ai ) = P (Ai )
i=1 i=1
Como consecuencias de los axiomas anteriores se obtienen las siguientes propiedades

de la probabilidad que el alumno sabrá demostrar sin grandes problemas:
P (∅) = 0
P (Ac ) = 1 − P (A)
A ⊆ B ⇒ P (A) ≤ P (B)
P (A) ≤ 1
P (A\B) = P (A) − P (A ∩ B)
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
1.3. Probabilidad condicionada

Cualquier información extra que tengamos sobre un experimento puede modificar
nuestro “grado de certeza” sobre la ocurrencia de los distintos sucesos posibles.
Ejemplo 1.2. Un amigo tira un dado pero no nos deja ver lo que ha salido. Para
nosotros la probabilidad de que haya salido un número mayor que 3 serı́a 1/2 (3 casos
favorables de 6 posibles). Si ahora nuestro amigo nos dice que el resultado ha sido par,
nuestro cálculo será distinto: sabemos que hay 3 casos posibles (2,4 y 6) de los cuáles
dos son favorables, luego la probabilidad será 2/3.
Dados dos sucesos A, B ∈ P(Ω) y supuesto que P (A) > 0, se define la probabil-
idad del suceso B condicionada por A como:
P (A ∩ B)
P (B|A) =
P (A)
Se deja como ejercicio para el alumno el comprobar que P (·/A) es una probabilidad
bien definida sobre Ω.
Ejemplo 1.3. En el ejemplo del dado, si A ≡ {no mayor que 3} y B ≡ {no par},
comprueba, aplicando la definición, que P (A|B) = 2/3.
A partir de la definición anterior se tiene que P (A ∩ B) = P (A)P (B|A), lo cuál

se puede extender de forma natural a intersecciones de n sucesos:
P (A1 ∩ A2 · · · ∩ An ) =
P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 ) · · · P (An |A1 ∩ A2 · · · ∩ An−1 )
Este resultado se conoce como la Regla del Producto.
Ejemplo 1.4. Tenemos en una bolsa dos bolas blancas y dos negras y sacamos tres de
ellas a tientas. Probabilidad de que la primera sea blanca y las dos siguientes negras.
Se dice que dos sucesos A, B ∈ P(Ω) son independientes si se cumple:
P (A ∩ B) = P (A)P (B)
Esta condición es equivalente a P (A|B) = P (A) o P (B|A) = P (B).
Ejemplo 1.5. Supongamos que se escogen al azar dos números x, y entre 0 y 1 de

modo que, para cada subconjunto W ⊆ [0, 1] × [0, 1], es P ((x, y) ∈ W ) = área(W ).
Consideremos los sucesos:
A = {x > 0,5} B = {y > 0,5} C = {x > y}

¿Son A y B independientes? ¿Lo son A y C? ¿Qué relación hay entre independencia
e incompatibilidad?
Nota 1.2. Se dice que tres sucesos A, B y C son independientes si lo son dos a dos y
además:
P (A ∩ B ∩ C) = P (A)P (B)P (C)
Los dos siguientes teoremas nos resultarán muy útiles en el manejo de expresiones
que contengan probabilidades:
Teorema de la probabilidad total.

Sea {A1 , ..., An } una partición de Ω y sea B ∈ P(Ω). Entonces:
P (B) = P (A1 )P (B/A1 ) + · · · + P (An )P (B/An )
Teorema de Bayes.
Sean A, B ∈ P(Ω) ambos con probabilidad positiva. Entonces:
P (A)P (B/A)
P (A/B) =
P (B)
Ejemplo 1.6. Considérese el siguiente juego para el que se necesitan un dado y
una baraja española: primero se tira el dado y después se saca una carta al azar
de la baraja, si sale un 6 en el dado, se gana sacando un oro, si por el contrario
sale un número distinto de 6, se gana sacando una figura (sota, caballo o rey) de
oros. ¿Qué probabilidad hay de ganar? Supón que te dicen que un amigo ha jugado y
perdido, ¿cuál es la probabilidad de que haya sacado el 6 en el dado?
1.4. Fórmulas de combinatoria

Para contar casos al aplicar la regla de Laplace nos será útil recordar las siguientes
fórmulas de combinatoria:
Variaciones de n elementos tomados de m en m:

n!
Vn,m =
(n − m)!
Permutaciones de n elementos:
Pn = n!
Combinaciones de n elementos tomados de m en m:

n n!
Cn,m = ( )=
m (n − m)!m!
Variaciones con repetición de n elementos tomados de m en m:

V Rn,m = nm
Permutaciones de n elementos que se repiten n1 , ..., nk veces:

n!
Pn,n1 ,...,nk =
n1 ! · · · nk !
Combinaciones con repetición de n elementos tomados de m en m:

µ ¶
n+m−1
CRn,m =
m
La demostración de las cinco primeras fórmulas es sencilla y se deja como ejercicio

para el alumno. En cuanto a la última, pensemos por ejemplo en el caso de combina-
ciones con repetición de 5 elementos tomados de 3 en 3 (la generalización a cualquier
otro caso es directa). Se obtienen los siguientes elementos:
a1 a1 a1
a1 a1 a2
a1 a1 a3
...
a1 a2 a2
a1 a2 a3
...
a5 a5 a5
Hemos indexado estas combinaciones de modo que la secuencia de ı́ndices sea no

decreciente, ahora vamos a cambiar la nomenclatura del siguiente modo: a cada ı́ndice
se le suma un número que representa la posición de dicho ı́ndice menos 1, es decir,
ai aj ak → ci+0 cj+1 ck+2 . De este modo tendremos:
a1 a1 a1 c1 c2 c3
a1 a1 a2 c1 c2 c4
a1 a1 a3 c1 c2 c5
... ...
→
a1 a2 a2 c1 c3 c4
a1 a2 a3 c1 c3 c5
... ...
a5 a5 a5 c5 c6 c7
Con la nueva nomenclatura han aparecido 2 ı́ndices nuevos (en general serán
m − 1). Además ahora la secuencia de ı́ndices de cada combinación es creciente por
lo que no puede haber ı́ndices repetidos, es decir, hemos establecido una correspon-
dencia entre las combinaciones con repetición de 5 elementos tomados de 3 en 3 y
las combinaciones sin repetición de 7 elementos tomados de 3 en 3. Claramente esta
correspondencia es biunı́voca lo que implica que el número de elementos en ambos
conjuntos es el mismo.
De forma general podemos decir que el número de combinaciones con repetición

de n elementos tomados de m en m coincide con el número de combinaciones sin
repetición de n + m − 1 elementos tomados de m en m.

Probabilidad 2

Cargado por

Copyright:

Formatos disponibles

Probabilidad 2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Probabilidad 2

Cargado por

Copyright:

Formatos disponibles

Tema 1

1.1. Experimentos aleatorios y sucesos

Ejemplo 1.1. En el experimento aleatorio de tirar un dado el espacio muestral serı́a

A ≡ {que salga un número par} = {2, 4, 6}

El conjunto de todos los sucesos, elementales y no elementales, asociado a un

Suceso unión (A ∪ B). Ocurre cuando ocurren A o B, pero no necesariamente

Suceso intersección (A ∩ B). Ocurre cuando ocurren ambos sucesos, A y B.

Suceso complementario (Ac ). Ocurre cuando no ocurre A.

1.2. Definición de probabilidad

a) Definición subjetivista. Esta es la definición que podrı́amos encontrar en un

c) Definición de Laplace. Esta definición proporciona una regla de cálculo que

Esta definición encierra también un problema y es que parte de la premisa de

d) Definición axiomática (Kolmogorov). Si bien todas las definiciones anteriores

Nota 1.1. Si Ω es infinito tendremos que sustituir el axioma 2 por:

Como consecuencias de los axiomas anteriores se obtienen las siguientes propiedades

1.3. Probabilidad condicionada

A partir de la definición anterior se tiene que P (A ∩ B) = P (A)P (B|A), lo cuál

Se dice que dos sucesos A, B ∈ P(Ω) son independientes si se cumple:

Ejemplo 1.5. Supongamos que se escogen al azar dos números x, y entre 0 y 1 de

A = {x > 0,5} B = {y > 0,5} C = {x > y}

Teorema de la probabilidad total.

P (B) = P (A1 )P (B/A1 ) + · · · + P (An )P (B/An )

1.4. Fórmulas de combinatoria

Variaciones de n elementos tomados de m en m:

Combinaciones de n elementos tomados de m en m:

Variaciones con repetición de n elementos tomados de m en m:

Permutaciones de n elementos que se repiten n1 , ..., nk veces:

Combinaciones con repetición de n elementos tomados de m en m:

La demostración de las cinco primeras fórmulas es sencilla y se deja como ejercicio

Hemos indexado estas combinaciones de modo que la secuencia de ı́ndices sea no

De forma general podemos decir que el número de combinaciones con repetición

También podría gustarte