L.A. C.P.N.

FCE-UNCuyo

ESTADSTICA 2013

UNIDAD N 1
PROBABILIDAD
1.- INTRODUCCION
Los juegos de azar (el astrgalo, los dados,etc.) se remontan al alba de las primeras civilizaciones. Se jugaba a los dados en Egipto hacia el 3500 antes de nuestra era. Eran juegos
o prcticas religiosas de adivinacin?.

El azar es entendido como causa desconocida, es el que ocasiona sucesos inesperados o extraos, y que a veces surge a travs de fuerzas incontroladas de origen mgico
o divino.

Durante el primer milenio, la influencia en Europa de la religin cristiana interrumpe toda especulacin sobre el azar, incompatible con el dogma sobre el poder divino y los
juegos de azar fueron condenados por la Iglesia.

La mayora de los comerciantes, banqueros y juristas de los siglos XIV y XV deban

integrar las eventualidades del azar en sus clculos empricos sobre los seguros de una mercanca o el reparto de los intereses en funcin del dinero colocado en esas asociaciones.

La bsqueda de relaciones matemticas es apoyada por los nobles que buscan una
forma de ganar en sus apuestas. La idea de probabilidad surge en el siglo XVIII. As es
como Pascal y Fermat, entre otros, comienzan a esforzarse para encontrar leyes que expliquen los juegos de azar. Por otra parte, los problemas iniciales de naturaleza probabilstica
se originaron en diversos campos del comportamiento humano.

Al margen de estas ideas de probabilidad, durante los siglos XVIII y XIX los economistas, las compaas de seguros, los demgrafos, etc., haban desarrollado tcnicas de
recuentos, de ordenacin, etc., de lo que actualmente se conoce como estadsticas. Como
consecuencia de esto surge inmediatamente la idea de regularidad estadstica en el sentido

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

de que en poblaciones muy grandes la mayora de los ndices construidos tendan a mantenerse constantes.
El paso ms importante que se da ms adelante es la vinculacin entre la regularidad de las estadsticas y la de los juegos de azar en el sentido de que existe una base comn
entre una gran poblacin y una serie de repeticiones de un juego de azar.

Todo este proceso histrico apoyado por el desarrollo de la matemtica y muy especialmente por la formulacin de la teora de la medida culmina con la teora axiomtica de
Kolmogorov en 1933. Este clebre matemtico ruso crea la teora axiomtica de la probabilidad independientemente de las diferentes concepciones histricas y filosficas. No obstante, esta teora permite resolver en la prctica todos los problemas planteados y resueltos
por los diferentes enfoques histricos y adems otros que a los que las teoras anteriores no
pudieron dar una respuesta satisfactoria. La teora probabilstica de Kolmogorov y sus sucesores construye el cimiento cientfico de lo que en este siglo ha dado en llamarse la Estadstica.

Para comenzar a introducirnos en la idea de probabilidad necesitamos precisar algunos conceptos.

2.- CONCEPTOS PREVIOS

2.1.-EXPERIMENTOS
Vamos a clasificar a los experimentos en dos categoras : experimentos aleatorios y experimentos no aleatorios o determinsticos.

Un experimento aleatorio es un experimento en el que no se conoce con certeza el

resultado. Por ejemplo, si arrojamos un dado y nos preguntamos cul ser la cara hacia
arriba, ste es un experimento aleatorio. En efecto sabemos que el resultado ser uno o dos
o tres o cuatro o cinco o seis pero no exactamente cul de ellos.

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Un experimento no aleatorio o determinstico es un experimento en el que se conoce exactamente el resultado. Por ejemplo si se suelta un objeto en el aire y se observa si
se cae o no, el resultado es obviamente que se cae.

2.2- ESPACIO MUESTRAL (S)

El conjunto de todos los resultados posibles de un experimento aleatorio se llama espacio
muestral.

Ejemplo 1
En el experimento de arrojar un dado legal y observar el resultado, el espacio muestral es:

S = {1,2,3,4,5,6}

Ejemplo 2
Si se est interesado en la distribucin de las edades de los habitantes de una ciudad y se
considera el experimento de observar la edad de uno de sus individuos, entonces puede
considerarse como espacio muestral.
S = conjunto de los nmeros reales no negativos o bien S = [0, a ]
donde a es nmero real tal que en este intervalo queden comprendidas las edades de todos
los habitantes de la ciudad.

Un espacio muestral puede ser discreto o continuo. Un espacio muestral es discreto si contiene: 1) un nmero finito de puntos, 2) un nmero infinito de puntos (infinito
numerable) que pueden ponerse en correspondencia uno a uno con los nmeros naturales.
Como en el Ejemplo 1.

Un espacio muestral es continuo si se asocia a un intervalo real. Como en el Ejemplo 2.

Discreto Ej 1 : S = {1,2,3,4,5,6}

S= subconjunto de los nmeros naturales

Continuo Ej 2: S = [0, a ]
3

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

2.3.- SUCESO
Cada punto del espacio muestral es un resultado posible del experimento. El trmino suceso est vinculado al concepto de experimento aleatorio.

Si bien vamos a precisar este concepto ms adelante, podemos decir, en general,

que un evento o suceso es cualquier subconjunto de un espacio muestral. Volviendo al
ejemplo del experimento aleatorio relacionado con el dado, un evento (o suceso) es el subconjunto A = {2,4,6} que surgira como resultado de observar un nmero par. En general, los sucesos los designaremos con una letra mayscula imprenta.

Si consideramos el suceso que salga el nmero 7 este no se puede dar, por lo

tanto, el suceso es imposible. A este suceso se lo representa con el smbolo " " .

Otro suceso sera por ejemplo que salga un nmero menor que 7 ; en este caso
el suceso est formado por todos los elementos del espacio muestral; o sea es el mismo
espacio muestral S. A este suceso se lo llama suceso seguro.

Suceso

Suceso elemental

S1 = {s1 }; S 2 = {s 2 }

Suceso compuesto

A = {2,4,6}

Suceso imposible

A = ={ }

Suceso cierto

A=S

Al final de esta unidad, en un apndice, se da un breve resumen de Teora de Conjuntos.

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

3.- DEFINICIONES DE PROBABILIDAD

3.1.- PROBABILIDAD CLSICA

Concepto clsico de probabilidad o probabilidad a priori: Dado un espacio muestral
finito S, tal que cada suceso elemental sea igualmente verosmil, entonces la probabilidad
de un suceso A S , es:

P ( A) =

nmero de elementos de A nmero de resultados favorables

=
nmero de elementos de S
nmero de resultados posibles

Si en el ejemplo 1, referido al experimento de arrojar un dado no cargado se desea

calcular la probabilidad de obtener una puntuacin par, se tiene:

A = {2,4,6} ;

P ( A) =

3
= 0.5
6

Del concepto clsico de probabilidad surge que la probabilidad le asigna a un suceso un nmero real entre 0 y 1.
Luego la probabilidad de que salga un resultado par en el experimento del dado es
0.5 o, en trminos de porcentajes, el 50%.

Si somos un poco ms cuidadosos en el anlisis de la definicin clsica debemos

considerar que la expresin de clculo de una probabilidad como el cociente del nmero de
casos favorables sobre el nmero de casos posibles es vlida siempre y cuando todos los
resultados sean igualmente plausibles. Qu significa igualmente plausibles?.

Intuitivamente en el caso del dado esto significa que: no hay razones para suponer
que si nos preguntramos por la probabilidad de cada una en particular de las caras del dado (por ejemplo, por la probabilidad de que salga el nmero 5) ella sera distinta. En otras
palabras, contamos con un dado legal.

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

3.1.1.-DIFICULTADES DEL CONCEPTO CLSICO DE PROBABILIDAD:

1. Igualmente plausibles significa literalmente igualmente probables y no se puede
definir el concepto de probabilidad usando el mismo concepto.
2. No se puede utilizar para calcular probabilidades de sucesos en experimentos donde
la idea de igualmente plausibles no se puede aceptar ni siquiera intuitivamente.
Por ejemplo, si realizamos un experimento con un dado que ha sido cargado para
que una de las caras quede ms probablemente hacia arriba.
3. El espacio muestral debe ser finito.

3.2.-PROBABILIDAD FRECUENCIAL PROBABILIDAD A POSTERIORI

Este concepto fue formulado por Richard Von Mises, se basa en la experimentacin y en el
principio de estabilidad de la frecuencia relativa de un suceso cuando el experimento se
repite un gran nmero de veces de manera tal que el resultado de una repeticin no influya
el de otra (ensayos independientes).

Supongamos, por ejemplo, que realizamos un experimento aleatorio como el de

arrojar una moneda legal y nos preguntamos por la probabilidad de que salga cara. Si la
moneda es "legal", es decir, todas las caras tienen la misma posibilidad de aparecer hacia
arriba, esta probabilidad es 1/2 y esto lo podramos comprobar arrojando la moneda un
nmero "grande" de veces.

Sin embargo, si no podemos suponer que "todas las caras tienen la misma posibilidad de aparecer hacia arriba" o en otras palabras no podemos calcular la probabilidad
en forma clsica, si arrojamos una gran cantidad de veces (n veces con n grande) la moneda, entonces esta proporcin puede no aproximarse a 1/2 pero se aproximar a la proporcin correspondiente a su "peso" entre los posibles resultados.

Formalmente, podramos expresarlo:

P ( A) = lim

n >

nmero de ocurrencias del suceso A en n ensayos independientes del experimento

n

.
6

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Para ilustrar esta idea se puede simular la situacin de lanzar una moneda legal un
nmero grande de veces y ver a qu nmero se aproxima la frecuencia relativa de obtener
cara o sello.

3.2.1.-EXPERIENCIA
Se lanza una moneda legal 10, 100, 1000 y 10000 veces. En cada caso se cuenta el nmero de caras y de sellos obtenidos y se calcula la frecuencia relativa correspondiente.
Los resultados obtenidos se muestran en la tabla siguiente,

cara

sello

10

0.4

0.6

100

0.47

0.53

1000

0.469

0.504

10000

0.49987

0.50013

La limitacin del concepto frecuencial de probabilidad es que en algunos casos es

muy difcil o humanamente imposible repetir un experimento un gran un nmero de veces.

Tanto el concepto clsico como el concepto frecuencial de probabilidad resultan casos particulares de una teora ms general, basada en el concepto axiomtico de la probabilidad.

3.3.- PROBABILIDAD AXIOMTICA

3.3.1.- DEFINICIN FUNCIN PROBABILIDAD
Sea S un conjunto no vaco y P(S) el conjunto de las partes de S. Se llama funcin probabilidad a cualquier funcin,
P: P(S) [0,1]
que cumple los siguientes axiomas:

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

i) P (S ) = 1
ii) Para cualquier sucesin

(A A
i

{An }

de conjuntos de P(S), disjuntos dos a dos

= , i j ) se verifica:

P An = P ( An )
n =1 n =1

3.3.2.-OBSERVACIONES
1. La funcin probabilidad tiene como dominio una familia de conjuntos.
2. A cada elemento del conjunto de las partes de S, P(S), la funcin P le asigna un nmero real entre 0 y 1.

3. En ii)

P( A ) es una suma de nmeros no negativos en [0,1] que debe ser convern =1

gente.
4. Tal como se ha definido, pareciera que la funcin probabilidad es un concepto demasiado abstracto como para asociarlo con el concepto clsico, sin embargo, veremos mas
adelante, que, bajo ciertas condiciones, esta definicin coincide con la clsica.

3.3.3.- DEFINICIN DE ESPACIO DE PROBABILIDAD

Sea S el espacio muestral asociado a un experimento aleatorio y P una funcin probabilidad definida en el conjunto de las partes de S , P(S), se llama espacio de probabilidad al
par (S, P ).
Teniendo como base esta estructura probabilstica, es decir contando con un espacio
de probabilidad se puede probar que esta nueva funcin verifica muchas propiedades. Se
mencionarn alguna de ellas.

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

3.3.4.- PROPIEDADES DE LA PROBABILIDAD

Sea (S, P) un espacio de probabilidad, entonces:

Propiedad 1: P(
) = 0.

= ....
As, el conjunto vaco puede escribirse como una unin numerable de conjuntos
disjuntos dos a dos. Luego, por el axioma ii) de probabilidad, resulta:

P ( ) = P ( ) o, lo que es lo mismo,
n =1

P ( ) = lim n P ( )
n

Sabemos que P( ) tiene que ser cero o un nmero positivo (menor que uno).
Supongamos que P( ) = a > 0 . Entonces la expresin anterior resulta:
P ( ) = lim a n = a lim n = + lo cual es un absurdo!!.
n +

n +

Luego,

P( ) = 0

Propiedad 2: Si A1, A2, .... , An P(S) y Ai Aj=, (para i j) entonces

n n
P Ai = P ( Ai )
i =1 i =1

Utilizando los sucesos disjuntos dos a dos dados: A1, A2, ........, An y el conjunto vaco, definimos una sucesin de conjuntos disjuntos dos a dos de la siguiente manera:

A , si k n
Bk = k
k , si k >n
n

Evidentemente,

Ak = Bk

k =1

k =1

n

P Ak = P Bk
k =1
k =1

Adems, por el axioma ii) de la definicin de probabilidad, es:

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

n

P Ak = P Bk = P(Bk ) = P(Bk ) + P(Bk )
k =1 k =1 k =1
k =1
k = n +1

( )

= P A + P( ) = P( Ak )
k k = n +1
k =1
k =1
n

Propiedad 3: Sea (S, P) un espacio de probabilidad, entonces si A P(S) entonces

P( A ) = 1 - P(A)

Dado cualquier suceso A, el espacio muestral S puede expresarse como la unin disjunta: A A

Luego, por pp2 y el axioma i) de probabilidad:

1 = P(S) = P( A A ) = P(A) + P( A )
de donde: P ( A ) = 1 - P(A)

Propiedad 4: Sea (S, P) un espacio de probabilidad, entonces:

P es una funcin no decreciente: si A B entonces P(A) P (B)
Sean A y B dos sucesos tales que: A B. B puede expresarse como una unin dis-

junta:

B = (B - A) A.

10

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

En consecuencia, por pp2:

P(B) = P(B-A) + P(A) y, ya que P(B - A) 0, resulta: P(B) P(A).

Propiedad 5: Si A, B P(S) y A B entonces

P(B - A) = P(B) - P(A)

Sean, como en la propiedad anterior, A y B dos sucesos tales que: A B. B puede expresarse como la unin disjunta:

B = (B - A) A.

En consecuencia, por pp2:

P(B) = P(B-A) + P(A)
de donde

P(B - A) = P(B) - P(A).

Propiedad 6: Si A, B P(S) entonces

P(AB) = P(A) + P(B) - P(AB)

Sean A y B dos sucesos cualesquiera (no necesariamente disjuntos).

Grficamente se puede observar que la unin A B puede expresarse como

11

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

y, en consecuencia, por pp2 es:

P(A B) = P(B) + P(A - B)

(1)

Tambin A puede expresarse como la unin disjunta:

A = (A - B) (A B),
de donde, por pp2,
P(A) = P(A - B) + P (A B) , o bien, P(A - B) = P(A) - P (A B)

(2)

Luego, reemplazando (2) en (1):

P(A B) = P(B) + P(A)- P(A B)

Propiedad 7: Teorema de la aditividad (es una generalizacin de pp6):

Si A1, A2, .... , An P(S) entonces

n
n
P Ak = P( Ak ) +( 1 ) P( Ai A j )+ ( 1 ) 2 P Ai1 Ai2 Ai3
k =1 k =1
1 i < j n
1 i1 < i2 < i3 n

+ ...... + (-1) n-1 P(A1 A2 ... An )

3.4.- COINCIDENCIA ENTRE LA DEFINICIN CLSICA Y AXIOMTICA DE

PROBABILIDAD

3.4.1- INTRODUCCIN
Sea el experimento de lanzar un dado no cargado y observar la cara hacia arriba. Cul es
la probabilidad de obtener un nmero impar?.
El conjunto de resultados posibles de este experimento es S = {1, 2, 3, 4, 5, 6} . Al
ser un dado legal, para la funcin P: P(S) [0, 1], definida en el conjunto P(S), partes de

S, se conoce que todos los resultados del espacio muestral son igualmente probables es
lo mismo decir que el espacio muestral es equiprobable. En smbolos:
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = 1/6
12

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Para calcular la probabilidad de obtener un nmero impar, se considera el suceso:

A: "el resultado es impar " es A = {1,3,5}

1. Clculo con la definicin Clsica:

P ( A) =

nmero de elementos de A nmero de resultados favorables

=
nmero de elementos de S
nmero de resultados posibles

P ( A) =

3
6

2. Clculo con la definicin Axiomtica

Sea la funcin probabilidad P: P(S) [0, 1], que cumple ciertos axiomas.
Sea el suceso A = {1,3,5} definido en el P(S) , se puede escribir como unin de
sucesos disjuntos entre s de la forma

A = {1} {3} {5}

Luego, teniendo en cuenta propiedades de la funcin probabilidad,

1 1 1
P( A) = P({1} {3} {5}) = P({1}) + P({3}) + P({5}) = + +
6 6 6

P ( A) =

3
6

Ambos conceptos, clsico y axiomtico, arrojan el mismo resultado.

3.4.2- DEMOSTRACIN
El anterior es un ejemplo de un espacio finito equiprobable, es decir, un espacio de probabilidad en el que el espacio muestral S es finito:

S = {s1 , s 2 , L , s n } y la probabilidad es

igual para todos los sucesos con un slo elemento,

P ({s1 }) = P ({s 2 }) = L = P ({s n }) = a

13

L.A. C.P.N.
FCE-UNCuyo

Ya

ESTADSTICA 2013

que

S = {s1 } {s2 } L{sn } (unin disjunta), por pp2 debe ser

P(S ) = P({s j }) = n a = 1

de donde a = 1/n

j =1

De esta forma, si A es un suceso con un nmero k de elementos

1
A = {s j1 , s j2 ,.....s jk } , entonces: P( A) = P({s jk }) = k
k

i =1

P(A) =

k nmero de elementos de A nmero de casos favorables

=
=
n nmero total de elementos
nmero de casos posibles

Que coincide con la definicin clsica de probabilidad. Luego,

Si el espacio es finito y equiprobable, las definiciones clsica y axiomtica coinciden.

Evidentemente, no todos los espacios finitos son equiprobables. En el experimento

de arrojar un dado cargado, por ejemplo, la probabilidad de obtener una cara del dado depende de la forma en que se haya cargado el dado.
En este caso, P(sj) = pj , j = 1,..., n con la condicin de pj = 1.
Un espacio como ste se llama espacio finito no-equiprobable y, aqu , evidentemente, las definiciones clsica y axiomtica no coinciden.

Existe otra funcin de probabilidad, de aplicaciones muy interesantes, que se

presentar a continuacin

14

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

4.- PROBABILIDAD CONDICIONAL

Se analizarn algunos ejemplos para introducir este nuevo concepto.

Ejemplo 3
En el experimento de arrojar un dado legal y observar el resultado de la cara hacia arriba,
se podra requerir la probabilidad de que el resultado sea par si ya se sabe que es mltiplo
de 3.
Si es A el evento el resultado es par (A = {2, 4, 6}) , B el evento el resultado es
mltiplo de 3 (B = {3,6}) y ya se sabe que ocurri B, en realidad a los efectos del clculo
de la probabilidad no interesa el espacio muestral total sino slo B y, en este caso evidentemente, la probabilidad requerida es 1/2. Si se indica con A B al suceso ocurre A dado
que B ocurri, es:

P(A B ) =

P ( A B) 1 / 6
=
= 1/ 2
P( B)
2/6

donde: P(B) = P ({3,6}) = 2/6 ; P(AB) = P({6}) = 1/6

Ejemplo 4
En el conjunto de todas las familias de una ciudad que tienen exactamente dos hijos se considera el sexo del hijo mayor y el del hijo menor y al resultado se lo indica con un par ordenado donde la primera componente es el sexo del primer hijo y la segunda, el sexo del
hijo menor. El espacio muestral es as: S = {(v,v) , (v,m), (m,v), (m,m)}.
Si S es un espacio equiprobable, cada par ordenado en S, pensado como un suceso,
tiene la misma probabilidad de ocurrir y ella es igual a 1/4.
Si se sabe que una familia tiene un hijo varn, Cul es la probabilidad de que ambos sean varones?
Sean los sucesos: A: los dos hijos son varones, A = {(v,v)} B: uno de los hijos
es varn, B ={(v,v) , (v,m), (m,v)}.

P(A B ) =

P ( A B) 1 / 4
=
= 1/ 3
P ( B)
3/ 4
15

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

4.1- DEFINICIN DE PROBABILIDAD CONDICIONAL

Dado un espacio de probabilidad (S, P) y un suceso B P(S) tal que P(B) 0, para cada
suceso A P(S), la probabilidad condicional de A dado B (o de A sabiendo que ocurri
B), denotada P(A B) , es:

P(A B) =

P( A B)
P( B )

con

P(B) 0

Observacin: La probabilidad condicional se puede pensar como otra funcin probabilidad

definida en el mismo espacio. En efecto, sea (S, P) un espacio de probabilidad y B S un
suceso tal que P(B) 0 (debe quedar claro que B es un evento fijo).

Sea PB: P(S) [0,1],

PB ( A) = P(A B) =

P( A B )
.
P( B)

Esta nueva funcin PB definida a partir de P en P (S) , es tambin una probabilidad.

En efecto,
1) PB (S ) = P(S B ) =
2) Sea

(A A
i

{An }

P( S B ) P ( B)
=
=1
P( B )
P ( B)

una sucesin de conjuntos de S, disjuntos dos a dos

= , i j ) entonces:

P U An B
n =1

PB An = P U An B =
n
=
1
P(B)

n =1
Por propiedad distributiva de la interseccin respecto de la unin de conjuntos,

P U ( An B)
n =1

=
=
P( B )

P( A
n =1

B)

P( B )

=
n =1

P(An B)
= P(An | B) = PB (An )
P(B)
n =1
n =1

As, para cada suceso B con probabilidad no nula, PB, es tambin una probabilidad.

16

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Otro concepto muy importante en este contexto es el de Independencia Probabilstica, se analizarn algunos ejemplos para entender esta idea.

5.- INDEPENDENCIA ESTOCSTICA

En algunas experiencias el conocimiento de que ha ocurrido un suceso o se tiene informacin sobre el mismo (en el sentido probabilstico) puede modificar (o no) la informacin de
otros sucesos. Para concretar estas ideas veamos un ejemplo:

Ejemplo 5
Suponga que, en una evaluacin, el 70% del profesorado de una institucin educativa alcanza calificacin satisfactoria, el 10% del profesorado alcanza calificacin muy satisfactoria. Adems se sabe que el 59% tiene ms de 40 aos, y que el 41,3% tiene ms de 40
aos y alcanz una calificacin satisfactoria y no hay ningn profesor evaluado con ms de
40 aos y muy satisfactorio.
Considere los eventos:
A:evaluado satisfactoriamente
C:evaluado muy satisfactoriamente
B:ms de 40 aos de edad

1) Se quiere calcular la probabilidad de que un profesor resulte evaluado satisfactoriamente sabiendo que tiene ms de 40 aos

P( A) = 0.70

P(B ) = 0.59

P( A B ) = 0.413

En base a esta informacin podemos calcular la probabilidad de que un profesor resulte evaluado satisfactoriamente sabiendo que tiene ms de 40 aos, es decir
P (A B ) =

P ( A B ) 0.413
=
= 0.70
P (B )
0.59

Vemos que
P( A B ) = P ( A)

17

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Este resultado indica que al calcular la probabilidad de que ocurra el suceso A, no

influye el hecho de que haya ocurrido el suceso B. Esto refleja la idea de que la ocurrencia
de B no afecta la ocurrencia del suceso A.
Intuitivamente cuando la ocurrencia de un suceso no afecta la ocurrencia del otro, se
dice que ambos sucesos son estadsticamente independientes.
En este caso, se podra haber planteado la pregunta, Son los eventos A y B independientes estadsticamente?, por el resultado obtenido, se puede afirmar que estos sucesos
son independientes.

2) Se quiere calcular la probabilidad de que un profesor tenga ms de 40 aos sabiendo que result evaluado muy satisfactoriamente. lo que es lo mismo preguntar Son
los eventos B y C independientes?

P ( C ) = 0,10

P (B C ) =

P( B C ) = 0

P( B C )
0
=
=0
P( C )
0,10

Vemos que P ( B C ) P (B )
Esto nos conduce a decir que los sucesos B y C no son independientes

5.1.-DEFINICIN DE SUCESOS INDEPENDIENTES

Sean A y B dos sucesos en el espacio de probabilidad (S,P). A y B son sucesos independientes si slo si se cumple una de las siguientes afirmaciones:
i. P(AB) = P(A).P(B)
ii. P(A|B) = P(A) siempre que P(B)0.
iii.

P(B|A) = P(B) siempre que P(A) 0.

Observaciones

Si los sucesos A y B tienen ambos probabilidad positiva (no nula) las tres afirmaciones anteriores son completamente equivalentes. Es decir, cualquiera de ellas
puede ser usada para comprobar la independencia o no de dos sucesos.
18

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

La primera afirmacin es ms general que las otras dos en el sentido de que vale
tambin cuando los dos sucesos (o uno de ellos) tienen probabilidad nula.

La independencia de dos sucesos es un concepto diferente de la idea de eventos mutuamente excluyentes. En general, ninguno de ellos implica al otro.

Dos sucesos son mutuamente excluyentes e independientes si y slo si al menos

uno de ellos es el conjunto vaco.
El concepto de independencia de dos sucesos puede extenderse para cualquier n-

mero finito de sucesos. Esta generalizacin se expresa a continuacin.

5.2.-GENERALIZACIN DE LA DEFINICIN DE INDEPENDENCIA PARA

CUALQUIER NMERO FINITO DE SUCESOS
Sean A1 ,A2, ....,An sucesos en el espacio de probabilidad (S,P). Estos sucesos son independientes si y slo si la probabilidad de la interseccin de cualquier subconjunto de ellos
es igual al producto de las probabilidades de cada uno de los miembros de la interseccin.

Por ejemplo, tres sucesos A1,A2 y A3 son independientes si y slo si se cumplen las
afirmaciones siguientes:
P(A1A2) = P(A1).P(A2), P(A1A3) = P(A1).P(A3), P(A2A3) = P(A2).P(A3).
P(A1A2A3) = P(A1). P(A2).P(A3),

6.- TEOREMA DE BAYES

6.1.- INTRODUCCIN
El autor de este teorema, el Reverendo Thomas Bayes, estaba dividido en el conflicto de
moldear el carcter mediante la religin, o hacerlo a travs de la educacin del intelecto
mediante la ciencia.
Como sacerdote y como matemtico, estaba afectado por las relaciones causa - efecto. Tanto que el teorema que lleva su nombre como el concepto de "probabilidad subjetiva"
de l derivado produjeron una revolucin en el tiempo.
19

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Thomas Bayes naci en Londres (1702), Inglaterra. Su padre fue ministro presbiteriano. Posiblemente De Moivre fue su maestro particular, pues se sabe que por ese entonces ejerca como profesor en Londres. Bayes fue ordenado ministro presbiteriano y muere
en 1761.
Miembro de la Royal Society desde 1742, Bayes fue uno de los primeros en utilizar
la probabilidad inductivamente y establecer una base matemtica para la inferencia probabilstica.
Public numerosos trabajos. Sin embargo, en 1763, dos aos despus de su muerte,
se publica Essay Towards Solving a Problem in the Doctrine of Chances, en el que trataba el problema de las causas a travs de los efectos observados, y donde se enuncia el
teorema que lleva su nombre. El trabajo fue entregado a la Royal Society por Richard Price
y es la base de la Inferencia Bayesiana.
En este curso la Inferencia Estadstica que se ver descansa nicamente en la evidencia muestral. ste se conoce como el enfoque clsico.
Sin embargo, existe otro punto de vista para abordar la Inferencia Estadstica, conocido como Inferencia Bayesiana, que utiliza adems de la evidencia muestral otra informacin generalmente proporcionada por el investigador del problema.
Tal informacin descansa de manera fundamental en la conviccin o grado de
creencia del investigador respecto de las incertidumbres del problema antes de que disponga de la evidencia muestral. Este conocimiento puede estar basado en resultados anteriores
producto de investigaciones previas.
En ambos enfoques, el clsico y el bayesiano, siempre se evalan incertidumbres en
trminos de probabilidad.
Antes de enunciar formalmente este teorema, analizaremos un ejemplo de aplicacin.

20

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Ejemplo 6
Supongamos que una empresa manufacturera recibe productos de dos proveedores distintos, A1 y A2 . Actualmente el 65% de los productos provienen del proveedor 1 y el 35%
restante del proveedor 2. En consecuencia, si se selecciona un producto al azar de esta empresa asignaramos las probabilidades previas P( A1 ) = 0.65 y P( A2 ) = 0.35 .
La calidad de los productos vara segn su origen. Los datos histricos de la empresa sugieren que el desempeo en trminos de calidad de los dos proveedores es distinto. Si
con B representamos el evento de que el producto es de buena calidad, la informacin con
que cuenta la empresa puede escribirse como sigue,

P(B A1 ) = 0.98

P( B A1 ) = P (M A1 ) = 0.02

P(B A2 ) = 0.95

P B A2 = P (M A2 ) = 0.05

donde para simplificar se indica con M el evento de que el producto no sea de buena calidad ( M = B ).
En forma grfica tenemos

Supongamos ahora que se selecciona un producto al azar y se determina que es de

mala calidad cul es la probabilidad de que provenga del proveedor 1?. Es decir debemos
calcular P( A1 M )
De acuerdo con la definicin de probabilidad condicional sabemos que
P ( A1 M ) =

P ( A1 M )
.
P (M )

21

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Teniendo en cuenta la informacin de la que se dispone

P( A1 M ) = P( A1 ) P (M A1 ).

Adems

P(M ) = P( A1 M ) + P( A2 M )

= P( A1 ) P(M A1 ) + P( A2 ) P(M A2 )

Luego, resulta

P( A1 M ) =

0.65 0.02
0.013
=
= 0.4262
0.65 0.02 + 0.35 0.05 0.0305

En este problema observamos que inicialmente si seleccionamos un producto al

azar de esta empresa tenemos una probabilidad de 0.65 de que el producto sea del proveedor 1. Sin embargo, ante la informacin de que el producto es de mala calidad, la probabilidad de que provenga del proveedor 1 baja a 0.4262.

6.2.-ENUNCIADO DEL TEOREMA DE BAYES

Sea (S, P ) un espacio de probabilidad y A1 , A2 ,...., An sucesos con probabilidad positiva en
S,

P(A i ) 0 , i=1,..n, tales que forman una particin de S, es decir,

UA

= S donde

i =1

Ai A j = si ij (los sucesos A i, i=1,..,n, son disjuntos dos a dos). Sea B un suceso

cualquiera en S con probabilidad positiva.

Entonces,

P(A j | B) =

P(B | A j )P(A j )
n

P(B | A
i =1

, j=1,...,n

)P(Ai )

22

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Demostracin
B es un suceso en S, B S y, en consecuencia, B = S B (1).
n
n

Por hiptesis, S = U Ai . Luego S B = U A i B =

i =1
i =1

U (A

B) (2)

i =1

Como Ai A j = si ij, entonces: (Ai B) (A j B) = (Ai A j ) B = B =

para cada i,j, tales que ij. As, los trminos de la unin en (1) son disjuntos dos a dos
(mutuamente excluyentes).
De (1) y (2) se deduce que B se puede escribir como una unin de conjuntos disjunn

B = U (A i B)

tos dos a dos:

i =1

Aplicando a ambos miembros de la ltima igualdad, la funcin probabilidad resulta:

n

P( B) = P U ( Ai B ) =
i =1

P( A B)
i =1

(3)

Por la definicin de probabilidad condicional:

P( B | Ai ) =

P( Ai B)
P( Ai )

P( Ai B) = P( Ai ) P ( B | Ai )

(4)

Reemplazando (4) en (3) obtenemos:

n

P( B) = P( B | Ai ) P( Ai )
i =1

Por otra parte, y tambin por la definicin de probabilidad condicional:

23

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

P( A j | B) =

P( A j B)
P( B)

Luego, reemplazando en esta ltima expresin 4) y 2), resulta:

P( A j | B) =

P( B | A j ) P( A j )
n

P( B | A ) P( A )
i =1

Como el suceso A j del primer miembro en la ecuacin anterior es cualquiera de los

que forman la particin de S (y tienen probabilidad positiva), entonces esta expresin es
vlida para cualquiera de los A j considerados en la hiptesis, es decir, j=1,..,n.

6.3.- OTROS EJEMPLOS DE APLICACIN DEL TEOREMA DE BAYES

Ejemplo 7
Consideremos el siguiente experimento en dos etapas como ejemplo de aplicacin del teorema de Bayes. Supongamos que una caja contiene tres monedas: dos monedas legales y
una con dos caras.
Se selecciona una moneda al azar y al lanzarla se obtiene una cara. cul es la probabilidad de que la moneda seleccionada sea la de dos cara?. Este es un experimento en
dos etapas, queremos calcular la probabilidad de un evento determinado en la primera etapa dado un evento determinado por la segunda etapa.
Sea C1 el suceso de que la moneda es legal, sea C 2 el suceso de que la moneda tiene dos caras y sea H el suceso de que se obtiene una cara al lanzar la moneda. Debemos
determinar P(C 2 H ) .

P(C 2 H ) =

P(C 2 ) P(H C 2 )

P(C1 ) P(H C1 ) + P(C 2 ) P(H C 2 )

1
1
1
3
=
=
2 1 1
2
+ 1
3 2 3

24

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Podemos interpretar este resultado en trminos de frecuencia relativa: si este experimento se repitiera en forma independientemente un gran numero de veces, entonces la
moneda de dos caras sera elegida en la primera etapa en aproximadamente la mitad de los
experimentos en donde el resultado final fuese cara.
Supongamos que la moneda seleccionada es lanzada de nuevo y que se obtiene otra
vez cara. cul es la probabilidad de que la moneda seleccionada sea la de dos cara?.

Una forma de determinar esta probabilidad es utilizar el clculo anterior. Es decir

calcular la probabilidad de manera secuencial considerando P (C 2 ) =

1
= P (C1 ) . Indique2

mos con H 2 el suceso de que se obtiene una cara al lanzar la moneda por segunda vez, entonces

1
1
2
2
P (C 2 H 2 ) =
= .
1 1 1
3
+ 1
2 2 2
Ejemplo 8
Supongamos que tenemos 3 cajas numeradas del 1 al 3. Cada caja contiene 5 bolillas, la
caja i contiene i bolillas defectuosas y 5-i no defectuosas. Consideremos el siguiente experimento aleatorio: Se selecciona una caja al azar y luego una bolilla de la caja seleccionada.
Podemos querer determinar: 1) cul es la probabilidad de que la bolilla seleccionada sea defectuosa?, 2) dado que la bolilla seleccionada es defectuosa, cul es la probabilidad de que provenga de la caja 3?.
Con Ai indicamos el suceso se selecciona una bolilla de la caja i, i = 1,2,3 y con
B al suceso se selecciona una bolilla defectuosa.
A partir de la informacin suministrada sabemos que P (B Ai ) =

i
para i = 1,2,3 y
5

1
que P ( Ai ) = .
3

25

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

1) La probabilidad de que la bolilla seleccionada sea defectuosa est dada por

P (B ) = P ( Ai ) P (B Ai ) =
3

i =1

i =1

1 i 1 3
6
= i =
3 5 15 i =1
15

2) Si se sabe que la bolilla seleccionada es defectuosa, la probabilidad de que provenga de la caja 3 es

1 3
1
= 35 = .
P ( A3 B ) = 3
6
2
P( Ai ) P (B Ai )

15
i =1
P( A3 ) P ( B A3 )

26

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

APNDICE

ELEMENTOS DE LA TEORA DE CONJUNTOS

Definicin
Un conjunto es una coleccin de objetos. Los objetos que componen el conjunto se llaman
elementos .

Ejemplo:
S ={ s/s es un departamento de Mendoza}

s1 = GodoyCruz es un elemento de S. En este caso s S.

s2 = San Juan no es un elemento de S luego s2 S.

Subconjunto: Si cada elemento de A es tambin un elemento de B, entonces se dice que A

es un subconjunto de B y se escribe A B ( se lee A est includo en B)
B A ( se lee B incluye a A )

Complemento de un conjunto: El complemento de un conjunto A con respecto al espacio S es el conjunto de elementos que estn en S y no pertenecen a A.
Se expresa por A
S

A = {x : x S x A}

Conjuntos iguales o equivalentes: Dos conjuntos son iguales si tienen los mismos elementos. El orden de los elementos o la repeticin de uno o ms de ellos no influye.
27

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

A= B A B y B A

Operaciones con conjuntos

UNIN

A B = {x / x A x B}
A B

A B = A

A B

INTERSECCIN

A B = {x / x A x B}
A B

A B = A

A B =

DIFERENCIA

A B = {x / x A x B}
A B

A B

A B = A

Conjuntos disjuntos o mutuamente excluyentes: son aquellos que no tienen elementos

comunes
Ej.

A: conjunto de los nmeros pares y B: conjunto de los nmeros impares

Es decir

A B =

28

L.A. C.P.N.
FCE-UNCuyo

ESTADSTICA 2013

Propiedades de las operaciones con conjuntos

IDEMPOTENCIA
ASOCIATIVIDAD
CONMUTATIVIDAD
DISTRIBUTIVIDAD
IDENTIDAD
COMPLEMENTO

LEYES DE DE MORGAN

A A = A
A A = A
(A B) C = A (B C)
(A B) C = A (B C)
A B = B A
A B = B A
A (B C ) = ( A B ) ( A C )
A (B C ) = ( A B ) ( A C )
A = A
A =
A U =U
A U = A
A A =U
A A =
U =
=U
A= A
A B = A B
A B = A B

Conjunto de partes de un conjunto dado:

Un conjunto (A) cuyos elementos son todos los subconjuntos de un conjunto A se denomina conjunto de partes de A.
Ejemplo: Si lanzamos una moneda y llamamos c al resultado cara y s al resultado
sello (ceca), podemos escribir esos resultados en un conjunto S: S = { c, s}

P(S) = {{c}, {s}, {c, s}, }

Cardinal del Conjunto de partes de un conjunto dado

Si A es finito y tiene n elementos, P(A) tiene 2 n elementos.

29