CÁLCULO DE

PROBABILIDADES

1
 Definiciones previas
• Experimento aleatorio: aquel del que no es
posible predecir el resultado concreto, aunque
se repita siempre en las mismas condiciones.

• Espacio de probabilidad: modelo matemático

asociado a un experimento aleatorio.
(Ω , A , P)

2
Espacio de probabilidad (Ω,A,P)
• Ω – espacio muestral: es el conjunto de
posibles resultados del experimento aleatorio.

• A – álgebra de sucesos: es el conjunto de

sucesos de interés asociados al experimento.

• P – probabilidad: es una función que asocia

cada suceso con el grado de certidumbre que
tiene de cumplirse.
3
 Ejemplo
Experimento aleatorio: lanzar un dado y observar su
resultado
• Ω = { 1,2,3,4,5,6 }
•A = {sucesos de interés}. Por ejemplo:
-“sale un número par” suceso A={2,4,6}
-“sale un número mayor que 4” suceso B={5,6}
-“sale un 2” suceso C={2}
• P: probabilidad de cada suceso. Por ejemplo:
- P(A)=1/2
- P(B)=2/6
- P(C)=1/6
4
 Tipos de sucesos
Dado un suceso A:
- Complementario de A : Ac = A =“no ocurre A”
- Suceso seguro: Ω=“ocurre algún resultado de Ω”
- Suceso vacío: Φ= Ωc =“no ocurre ningún resultado de Ω”
(imposible)
Dados dos sucesos A y B:
- Suceso unión: = “ocurre A ó B”
- Suceso intersección: A ∩ B = “ocurre A y B”
- Suceso diferencia: A-B =A \ B= “ocurre A y no ocurre B”
A − B = A ∩ Bc
5
• Los sucesos A y B son incompatibles (o
disjuntos) si no pueden ocurrir a la vez; es
decir: A∩ B = Φ

• El suceso A implica al suceso B si siempre

que ocurre A, también ocurre B; es decir:
A⊆ B
6
 Álgebra de sucesos A
Un conjunto de sucesos A tiene estructura de
σ-álgebra si se cumple:
1. Φ ∈ A
c
2. Si A ∈ A ⇒ A ∈A
3. Si A1 , A2 , K , An , K ∈ A ⇒ A1 ∪ A2 ∪ K An ∪ K ∈ A

Ejemplos de álgebras de sucesos para un espacio muestral Ω:

A={Φ, Ω} A={Φ, Ω, A, Ac} con A un suceso
cualquiera asociado al experimento
7
 Más propiedades de los sucesos
- Asociativa : A ∩ ( B ∩ C ) = ( A ∩ B) ∩ C
A ∪ ( B ∪ C ) = ( A ∪ B) ∪ C
- Conmutativa : A ∩ B = B ∩ A
A∪ B = B ∪ A
- Distributiva : A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
c c c
- Leyes de De Morgan ( A ∪ B ) = A ∩ B
c c c
( A ∩ B) = A ∪ B
8
 Probabilidad
- Definición: Una probabilidad es una función que
asigna a cada suceso un valor numérico que
representa la certidumbre o verosimilitud de obtener
ese suceso como resultado de la ejecución del
experimento.

P: A→ R
A → P( A) = probabilidad de que ocurra A

9
 Definiciones de la probabilidad
Definición axiomática: Dado (Ω,A), una aplicación
P: A R es una probabilidad si verifica los 3 axiomas
de Kolmogorov:

1. Axioma de no negatividad: P ( A) ≥ 0 , para todo A ∈ A

2. Axioma de normalización: P (Ω) = 1

Dados A1 ,K , An ,K ∈ A disjuntos
3. Axioma de σ-aditividad:
∞
⇒ P( A1 ∪ K An ∪ K) = ∑ P( Ai )
10
n =1
Definición clásica (regla de Laplace): Si el
espacio muestral Ω es finito y se supone que
todos los resultados experimentales son igual
de verosímiles para ocurrir:

nº de casos favorables a la ocurrencia de A

P( A) =
n º de casos posibles

- Aplicación directa: cuando en el experimento se

seleccionan al azar individuos de una población finita.
- Ejemplo: lanzamiento de un dado.
11
• Definición frecuentista (de Von Mises):
P(A) = proporción de veces que ocurre A
(frecuencia relativa de A), si se repite el
experimento infinitas veces en las mismas
condiciones.

- n repeticiones del experimento: muestra de tamaño n:

n º de veces que ocurre A
f A( n ) =
n

- aumentar n… hasta el infinito...

(n)
P ( A) = lim f A
n →∞ 12
 Propiedades de la probabilidad
1) si A ⊆ B entonces P ( A) ≤ P ( B)
2) 0 ≤ P ( A) ≤ 1
c
3) P ( A ) = 1 − P ( A)
4) P ( Φ ) = 0
5) P( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
6) P ( B \ A) = P ( B ) − P ( A ∩ B)
→ 6' ) si A ⊆ B ⇒ P ( B \ A) = P ( B) − P ( A)
13
 Probabilidad condicionada
- (Ω, A, P) espacio probabilístico
- Se sabe que ha ocurrido el suceso B (con P(B)>0)

Probabilidad de A condicionada a B
= probabilidad de A, sabiendo que ha ocurrido B:

P( A ∩ B)
P( A / B) =
P( B)
14
 Independencia de sucesos
Dos sucesos A y B son independientes si la
información sobre la ocurrencia de uno de ellos
no aporta ninguna información adicional para el
otro. Es decir:

P ( A / B) = P( A) y P( B / A) = P( B)

- Condición equivalente de independencia:

15
 Fórmula de la probabilidad
compuesta
Probabilidad de un suceso intersección
Dados n sucesos A1, A2,…,An, la probabilidad de que
ocurran todos a la vez se puede calcular a través de la
fórmula:

16
Fórmula de la probabilidad total
Dado un sistema completo de sucesos, es decir, una
familia de sucesos {Ai}i=1…n disjuntos dos a dos, con
probabilidades no nulas y cuya unión es el espacio
muestral:

- La probabilidad de cualquier suceso B cumple:

P( B) = ∑ P( B / Ai ) P( Ai )
i 17
 Fórmula de Bayes
Dado un sistema completo de sucesos {Ai}i=1…n
y sabiendo que ha ocurrido el suceso B, la
probabilidad de cada Ai condicionada por B es:

P( B / Ai ) P( Ai ) P ( B / Ai ) P ( Ai )
P( Ai / B ) = = n
P( B)
∑ P( B / A ) P( A )
j =1
j j

18
 Ejemplo 3
Una alarma de incendios funciona el 90%
de las veces que hay incendio y da avisos
falsos el 15% de las veces que no los hay.
Si la probabilidad de que haya un incendio
es del 20%,
a) ¿cuál es la probabilidad de que la
alarma haya sonado?
b) Si ha sonado, ¿cuál es la probabilidad
de que realmente hubiera un incendio?
19
 Ejemplo 3 (cont.)
Sean los sucesos A:”haber un incendio” y
B:”sonar la alarma”. Nuestro sistema
completo de sucesos es {A, A}
La información que tenemos en el
enunciado es
P ( B / A) = 0.9,, P ( B / A) = 0.15 y P(A) = 0.2
En el primer caso nos piden P(B) que será
P ( B) = P( B / A) P( A) + P( B / A) P( A) =
(0.9)(0.2) + (0.15)(0.8) = 0.18 + 0.12 = 0.3
20
 Ejemplo 3 (cont.)
En el segundo caso nos dicen que la alarma ha
sonado, por lo tanto se pide la probabilidad de A
condicionada por B
P( A / B) =
P( B / A) P( A)
=
(0.9)(0.2) = 0.18 = 0.6
P( B / A) P( A) + P( B / A) P( A) 0.3 0.3
En este caso el saber que ha sonado la alarma
(B) modifica mi impresión sobre la presencia de
incendio (A) ya que pasa de tener un 20% de
probabilidad a un 60%.
Los sucesos A y B serán entonces
dependientes.
21