Estadstica - Unidad 1

Unidad I. Introduccin a la Teora de la Probabilidad

A partir de la segunda mitad del siglo XVII la introduccin del azar en la
solucin de problemas relacionados con el comportamiento de ciertos fenmenos
de la economa, la demografa y los seguros, origin el desarrollo de una estructura
que hoy se conoce como teora de la probabilidad.
Debemos tener en cuenta que histricamente el ser humano resumi bajo
la denominacin genrica de azar a todos aquellos comportamientos de la
naturaleza que no poda justificar racionalmente, adjudicndole, a veces,
connotaciones msticas.
Trataremos en esta unidad tres cuestiones fundamentales:
1. Qu es la probabilidad?
2. Cmo se calculan las probabilidades?
3. Cmo es el proceso de transformacin de las probabilidades de eventos
complejos en probabilidad de eventos simples?
Al tratar estas cuestiones, Usted encontrar
una serie de conceptos necesarios para la
comprensin de la teora de la probabilidad.
Estos conceptos sern utilizados a medida
que avance con el desarrollo de las
unidades. Comenzaremos por la primera de
las preguntas.......

1.- Introduccin al concepto de probabilidad

Comenzaremos tratando a la probabilidad a partir de un punto de vista
ms conceptual que matemtico, considerando fundamentalmente cuestiones
como cul es el modo en que debe ser pensado el concepto de probabilidad?;
cul es la razn por la que la probabilidad puede ser traducida en clculo?;
por qu un cierto conjunto de informacin nos permite asignar a un fenmeno
de resultado eventual una determinada probabilidad de ocurrencia?

1.1.- La nocin de aleatoriedad y la problemtica de la

explicacin de los aspectos cuantitativos de los fenmenos
econmicos
Vamos a referirnos aqu a la nocin de aleatoriedad como elemento
inherente al comportamiento de los fenmenos econmicos. Este tipo de
tratamiento surgi asociado a la idea de una falta de informacin suficiente
1 / U. 1

Estadstica - Unidad 1

para explicar en forma completa la naturaleza infinitamente compleja de estos

fenmenos.
Un fenmeno econmico dinmico Y(t), es un fenmeno que evoluciona
a travs del tiempo. Son ejemplo de fenmenos econmicos dinmicos: la demanda
monetaria mensual, la tasa de inflacin mensual, el PBI anual, el nivel de ocupacin
mensual, el resultado anual de la balanza comercial, el nivel mensual de salarios,
la evolucin diaria de los precios de una accin, la variacin diaria de las tasas de
inters, etc.
Cualquiera sea el fenmeno econmico que queramos estudiar, para explicar
su comportamiento es necesario conocer todos los factores (X(t), X (t),...) que
de alguna forma afectan su comportamiento, es decir, de todos los factores que
actan como causas del fenmeno Y(t).
En general, estos fenmenos-causa forman un conjunto infinito,
denominado estructura causal del fenmeno. En trminos formales, esta
estructura causal puede ser representada de la siguiente forma:
(Y(t))={Y(t), X1(t), X2(t).....}
Adems de la informacin contenida en el conjunto (Y) ya definido, es
preciso conocer la informacin acerca del comportamiento realmente observado
del fenmeno Y(t) y de los fenmenos X(t), X (t),... (es decir, los valores
asumidos por los fenmenos Y(t), X(t), X (t),... en distintos puntos del tiempo).
De todo lo anterior podemos concluir que, para explicar el comportamiento
de un fenmeno econmico dado, es necesario poseer una informacin de tamao
infinito. Podemos, entonces continuar nuestro razonamiento de la siguiente forma:

como nadie puede poseer una informacin de tamao infinito;

entonces nunca vamos a poder obtener una explicacin completa del

comportamiento de un fenmeno econmico.

Lo habitual es que conozcamos solamente algunas causas del fenmeno

Y(t), es decir, que contemos con una informacin ((Y(t)), representable por un
conjunto finito.

(Y (t ) ) = {Y(t) , X 1(t) , X 2 (t) , ... , X k (t) }

Este conjunto de informacin (que constituye lo que habitualmente

denominamos nuestra experiencia acerca del comportamiento de Y(t)) es,
obviamente, un subconjunto de la estructura causal (Y(t))) definida ms arriba.
Nuestra explicacin del comportamiento de Y(t) (a la que denotaremos
por (t)) depender necesariamente de nuestro conjunto de informacin. O,
utilizando una expresin ms formal, ser una funcin del conjunto (Y(t)):
2 / U. 1

Estadstica - Unidad 1

Esta explicacin que resultar, en consecuencia, parcial e incompleta constituye

nuestro modelo del comportamiento de Y(t).
A modo de ejemplo, le proponemos analizar el comportamiento de un
fenmeno econmico, que tal vez le resulte familiar, y que pensamos
constituye un ejemplo representativo de lo que estamos estudiando.
Lea el siguiente artculo periodstico aparecido en el diario mbito
Financiero del 24/3/98
Martes 24 de marzo de 1998

El Merval super la barrera de los 700 puntos

Petroleras y automotrices hicieron

subir los papeles burstiles 2,57%
Las acciones de YPF
ganaron ayer 6%, en
tanto que Sevel creci
9,92%, Perkins 9,71% y
Renault 7,50%. Wall
Street cay 1,01%.
La suba de acciones de 2,57% en la
Bolsa de Comercio fue liderada por los
papeles de empresas automotrices y
petrole-ras, y el Indice Merval super
ayer la barrera de los 700 puntos, el
ni-vel ms sito desde diciembre
pa-sado.
Las automotrices tuvieron un
importante desempeo en la rueda
burstil, debido a las rdenes de
compra provenientes del exterior,
alentadas por las estimaciones de
crecimiento de la produccin en el
sector, especialmente en el Mercosur.
En cuanto a las petroleras, la
de-cisin de Arabia Saudita,
Venezue-la y Mxico de reducir la
produc-cin de petrleo para recuperar
el precio internacional (ver pg. 13) fue
un disparador de los valores de las
acciones de esas empresas. en-tre las
que YPF abri con un alza de 6,01 por
ciento.
En consecuencia, el ndice Mer-val
subi 2,57%y totaliz 705.88 puntos,
con 37 alzas. 7 bajas y 16 papeles sin
cambios, con un volu-men negociado
de $20,1 millones.

La mayor suba correspondi a

Sevel con un alza de 9.92%, se-guida
por Perkins (9,71%), Colorn (9,01%)
y Renault (7,50%). La suba en la
rueda burstil de Buenos Aires
acompa la tendencia en las Bolsas
de Amrica latina: San Pa-blo subi
0,99% y Mxico 2,65 por ciento.
Entre los ADRS de empresas
ar-gentinas que cotizan en Nueva
York, se destacaron los papeles de
YPF que subieron 5,75%. mien-tras
que en la Bolsa de Zurich las
acciones de Astra tuvieron un alza de
5,90%. Los bonos Brady tuvie-ron
alzas de 0,14% en los Dis-count; de
0.27% en los FRB y de 0,48% en los
ttulos a la Par.
Por su parte, la Bolsa de Valores
de Nueva York cerr con una baja de
90.18 unidades (1.01%), que ubic
al Indice Dow Jones en 8.8 16.25
unidades, ante una toma de
utilidades, despus de los mxi-mos
histricos de la semana pasada.
Segn los analistas, el mercado
result tambin influido por la baja en
los precios de varios de los
prin-cipales componentes del sector
transporte, afectados por un acuer-do
de recorte de exportaciones
pe-troleras que estimul la cotizacin
del crudo a su mejor nivel en ms de
un mes. Algunos analistas
con-sideran que el mercado muestra
cierta resistencia psicolgica a que
el Dow Jones supere los 9.000
puntos y ello influira en su

comportamiento. Los Bonos del

Tesoro al plazo de 30 aos
instrumento lderse fortalecieron una
cent-sima de punto porcentual y
cerra-ron en 5,87%, respecto del
5,88% del viernes pasado.

3 / U. 1

Identifique los factores causales que usted supone que afectan el

comportamiento de las acciones de las compaas petroleras y
automotrices.

Analice qu efectos tienen las acciones de las compaas petroleras y

automotrices en el comportamiento del ndice Merval.

Seguramente las explicaciones que usted ha podido encontrar no agotan

todas las posibles causas del fenmeno en cuestin. Esta circunstancia
constituye la clave del anlisis de los fenmenos econmicos.
De acuerdo a lo expresado precedentemente, el comportamiento de
Y(t) podr ser descompuesto aditivamente de la siguiente forma:

donde, como ya dijimos

denota la parte del comportamiento de Y(t) que hemos logrado explicar a partir
de nuestro conjunto de informacin y ?(t) denota la parte no explicada del
comportamiento de Y(t).
Esta componente ?(t), que representa la parte del comportamiento de
Y(t) que permanece ignorada para nosotros, constituye lo que tradicionalmente
se conoce como componente aleatoria, y la podemos interpretar como la
influencia del azar en el comportamiento de Y(t).
Esta aleatoriedad -de naturaleza indefinida- que nos impide explicar en forma
completa un fenmeno econmico hace que, para nosotros -observadores finitos, los resultados que se producen a partir del comportamiento del mismo posean
la caracterstica comn de ser eventuales (es decir, que constituyan lo que en el
lenguaje comn se denominan eventos).
Qu es un evento?
Evento - es todo suceso cuya ocurrencia est supeditada al resultado
que produzca la realizacin de un fenmeno y cuyo valor no puede ser predicho
en forma cierta.
Esta limitacin de nuestras posibilidades de explicacin nos genera,
obviamente, un cierto sentimiento de incertidumbre respecto del
comportamiento futuro de dicho fenmeno.
La cuestin fundamental que se suscita, entonces, es cmo medir dicho
sentimiento de incertidumbre.

4 / U. 1

Estadstica - Unidad 1

La expresin cuantitativa de este sentimiento de incertidumbre respecto

del resultado eventual de un fenmeno dado, es la denominada probabilidad de
ocurrencia del mismo.
Hasta aqu hemos utilizado el trmino evento para representar lo que
estrictamente debera denominarse evento simple.
Se definen como eventos simples aquellos relacionados con un resultado
individual de un fenmeno (que se produzca un aumento en la tasa de inflacin)
y, por el contrario, como eventos complejos aquellos que surgen como
combinaciones de dos o ms eventos simples (que se produzca un aumento en
la tasa de inflacin y, adems, una suba en las tasas de inters).
En la prctica, lo habitual, es que tengamos que tratar con eventos
complejos. El desarrollo de los mtodos para pasar de valores de probabilidad de
eventos simples a valores de probabilidad de eventos complejos relacionados
con los primeros es el mbito del clculo de probabilidades.
Vamos a hacer un poco de Historia tratando
de informarlo acerca de cmo fueron los
orgenes del clculo de probabilidades.........
El desarrollo inicial del clculo de probabilidades est relacionado, en
gran medida, con el incremento del inters por los juegos de azar en la sociedad
europea del siglo XVII.
Es as que la literatura atribuye muchos de los avances experimentados en
este mbito a la conjuncin entre el ingenio de algunos matemticos y el
excepcional espritu de observacin de algunos jugadores.
De esta forma, si bien se reconocen algunos intentos previos, todos los
autores coinciden en asociar el punto de partida de la teora clsica de la
probabilidad a la discusin entre el considerado como el ms hbil de los prcticos,
Antoine Gombaud, Caballero de Mer (1607 1684) y el ms sutil de los
tericos de su tiempo, Blaise Pascal (1623-1662).
Es as que Pascal es considerado el fundador de la teora de la
probabilidad, an cuando no fue el primero en investigar estos temas ni los
resultados por l obtenidos fueron, en principio, ms interesantes que los logrados
por algunos de sus contemporneos (en particular, de su correspondencia con su
compatriota, el matemtico P. de Fermat se puede concluir que ste haba logrado
en muchos asuntos una mayor profundidad en lo que hace a la interpretacin
filosfica de la teora del azar).

5 / U. 1

Estadstica - Unidad 1I

El mrito de Pascal radic en la comprensin de la riqueza del razonamiento

probabilstico a partir del cual construy los fundamentos de esa visin moderna
de la ciencia -sobre la que ya hemos reflexionado en las pginas precedentes-,
segn la cual lo mximo a que el investigador puede aspirar es a la definicin de
modelos que describan aproximadamente los fenmenos observados.
Con relacin a los intentos previos mencionados ms arriba, si bien se
conocen ensayos aislados anteriores, es recin a partir del siglo XV que la
formalizacin del concepto de probabilidad observa un desarrollo continuado.
El perodo que se extiende hasta comienzos del siglo XVI, caracterizado
por la solucin de problemas individuales mediante la utilizacin de argumentos
elementales de clculo, es mencionado por muchos autores como la prehistoria
de la probabilidad.
El Liber de Ludo Ale de Girolamo Cardano, escrito alrededor de 1526
y publicado en forma pstuma en 1663, constituye el primer tratado extensivo
dedicado exclusivamente a la teora de la probabilidad.
Los trabajos siguientes al de Cardano -en lo que se podra llamar la
literatura clsica sobre probabilidades- que merecen ser mencionados, son el
pequeo tratado titulado Acerca del clculo en juegos de azar del matemticoo.
flamenco Christian Huygens (1656), el Essai danalyse sur les jeux de hazard
de P. R. de Montmort (1708), el Ars conjectandi de Jakob Bernoulli (1713)
y el Approximatio ad summam terminorum binomii (a+b)n in seriem expansi
de Abraham De Moivre (1733)
Continuaremos ahora con la segunda
cuestin planteada al comenzar esta
unidad, referida a cmo se calculan las
probabilidades......

1.2.- La naturaleza de la probabilidad

Existen distintas interpretaciones acerca de la probabilidad que determinan
su clculo. Veamos cmo surgieron y en qu consisten.
A fines del Renacimiento los distintos supuestos a que dieron lugar las
consideraciones sobre la naturaleza del azar originaron una nocin esencialmente
dual que asimilaba la probabilidad, ya sea al grado de creencia que era razonable
asignar a la ocurrencia de ciertos eventos -interpretacin clsica-, ya sea a la
frecuencia con la que se verificaban dicho seventos -interpretacin frecuencista-

6 / U. 1

Estadstica - Unidad 1

En el primer caso la probabilidad queda determinada por los modos posibles

de presentarse los resultados de un fenmeno, en el segundo por las frecuencias
observadas de dichos resultados.
Apenas un poco ms tarde surgi una tercera interpretacin -subjetivistaque asimila a la probabilidad con el grado de confianza que atribuimos a la
ocurrencia de un evento a partir de un conjunto de informacin dado.
Como veremos en los siguientes items, estas interpretaciones intentaron
aproximar sucesivamente la definicin formal al concepto intuitivo de probabilidad
que utilizamos en nuestro lenguaje cotidiano (piense que, an cuando no hayamos
tenido el menor contacto con la teora de la probabilidad, sabemos qu queremos
expresar cuando decimos que un evento es ms probable que otro).
Basndonos, precisamente en esa nocin intuitiva, tomemos por
ejemplo distintos casos de la vida cotidiana.
Qu probabilidad asignara a la ocurrencia de los siguientes
eventos?.
-

Obtener el resultado cara al arrojar una moneda.

Que el valor del ndice Merval, al cierre de las operaciones de
maana, sea mayor que el de hoy.

Justifique su respuesta.

1.3.- Las distintas interpretaciones del concepto de

probabilidad
Desarrollaremos aqu las interpretaciones sobre la naturaleza de la
probabilidad mencionadas en el tem precedente.
1.3.1.- La interpretacin clsica
Existe un tipo de fenmenos muy especiales, que se presentan en
aplicaciones referidas a ramas muy particulares de la ciencia y, fundamentalmente,
en problemas relacionados con la teora de los juegos de azar que se caracterizan
porque el mecanismo fsico que genera la aleatoriedad incluye en forma simtrica
a todos los resultados posibles. Piense, por ejemplo, en el fenmeno que se
genera al tirar un dado, o en una jugada de ruleta, o de Loto, o de Quini, con
respecto a los cuales no poseemos ninguna razn que nos permita suponer que
un resultado dado es ms probable que los otros, es decir, no poseemos ninguna
razn que nos permita negar la simetra de los resultados con respecto a su
probabilidad.

7 / U. 1

Estadstica - Unidad 1

Esta propiedad de simetra permite la determinacin a priori de las

probabilidades de ocurrencia de los distintos resultados sin necesidad de recurrir
a la experimentacin.
La conocida como definicin clsica expresa que, dado un fenmeno
particular, la probabilidad de ocurrencia de un resultado eventual est dada por
el cociente entre el nmero de casos favorables a dicho resultado (m) y el nmero
total de casos posibles (n), suponiendo que estos n resultados posibles sean
mutuamente excluyentes (es decir, que slo pueda presentarse uno por vez),
formen un conjunto finito y, como se expres ms arriba, sean todos igualmente
probables:

1. Relea atentamente las condiciones que debe cumplir un fenmeno

para que pueda aplicarse la interpretacin clsica e indique en cules
de los siguientes casos se puede utilizar esta definicin:

La probabilidad de que ocurra el resultado cara al arrojar una

moneda legtima.
La probabilidad de que ocurra el resultado cuatro al arrojar
un dado legtimo (y si el dado est cargado ?
La probabilidad de que la tasa de inflacin del ao prximo sea
mayor que la de este ao.
La probabilidad de que en la prxima jugada de la Quiniela
salgael nmero 19.
La probabilidad de que el club San Lorenzo de Almagro obtenga
el prximo campeonato oficial de ftbol.

2. Calcule las probabilidades en los casos que usted seleccion,

utilizando la definicin clsica.
Continuamos, ahora, con las otras interpretaciones.
1.3.2.- La interpretacin frecuencista
La definicin frecuencista es apropiada para calcular la probabilidad de
ocurrencia de aquellos fenmenos considerados repetibles (es decir, observables
repetidamente en igualdad de condiciones).
Legtima:: Cuando nos referimos a una moneda o un dado legtimos queremos decir
una moneda o un dado sobre los cuales poseemos la informacin adicional de que todos
sus resultados posibles son igualmente probables.
Cargado:Con el adjetivo cargado queremos calificar a un dado sobre el cual poseemos
la informacin adicional de que alguno o algunos de sus resultados posibles son ms
probables que los otros.


8 / U. 1

Estadstica - Unidad 1

La escuela frecuencista, basndose en el principio de que todo conocimiento

debe derivarse de observaciones empricas, defini a la probabilidad como el
lmite de la frecuencia relativa observada de los fenmenos:

donde N(A) denota el nmero de veces que se verific el resultado A (es decir, la
frecuencia absoluta del resultado A) y el cociente N(A)/N define la frecuencia
relativa del resultado A.

Le proponemos, ahora, realizar una experiencia con una moneda.

1. Tome una moneda, arrjela diez veces y calcule las frecuencias
absoluta y relativa del resultado cara.
2. Ahora arrjela 30 veces. A partir del valor obtenido para la frecuencia
relativa del resultado cara, podra usted inferir si la moneda es
legtima?:
Ntese que, contrariamente a lo que ocurre con la
definicin clsica, los resultados obtenidos de la observacin
repetida de un fenmeno dado no son extensibles a otros
fenmenos de la misma clase (por ejemplo, la frecuencia
relativa del resultado cara observado en la moneda de su
experimento no sirve para calcular probabilidades
correspondientes a otras monedas).

Continuamos con otra interpretacin......

1.3.3 La interpretacin subjetivista
La interpretacin logicista intent extender la definicin de probabilidad a
fenmenos no repetibles en igualdad de condiciones. El resultado (debido
fundamentalmente a J. Maynard Keynes) fue una nocin general de probabilidad
a posteriori expresada como una funcin del conjunto de informacin con que
contamos acerca del fenmeno en cuestin.
Esta interpretacin, como la clsica y la frecuencista, suponen, desde
distintos puntos de vista y a diferentes niveles, que la probabilidad posee una
naturaleza objetiva, es decir que su valor depende del fenmeno es estudio y
no de la opinin del observador.

9 / U. 1

Estadstica - Unidad 1

Recordemos que, segn la definicin clsica, la probabilidad de ocurrencia

de un fenmeno est dada por la relacin entre las medidas de los conjuntos de
los resultados favorables y del total de los resultados posibles de dicho fenmeno,
y que para los frecuencistas la probabilidad queda definida, exclusivamente, a
partir de una sucesin suficientemente larga de observaciones sobre el fenmeno,
realizadas en igualdad de condiciones.
En lo que hace a los logicistas, la probabilidad es una relacin que vincula
distintas hiptesis sobre posibles resultados del fenmeno, a partir de la informacin
disponible.
Si a estas definiciones agregamos que es imposible dejar de considerar,
en el proceso de cuantificacin de las probabilidades, nuestra intervencin personal
como fuente de informacin o como agente de interpretacin de la misma, surge
la definicin ms general de probabilidad como grado de creencia racional de un
individuo en la ocurrencia de un fenmeno.
Obsrvese que esta interpretacin subjetiva se caracteriza porque,
contrariamente a las interpretaciones anteriores, admite para un mismo fenmeno,
asignaciones de probabilidades distintas para diferentes observadores.
Siguiendo a B. de Finetti -uno de los mximos exponentes de la escuela
subjetivista-, esta probabilidad personal de ocurrencia de un resultado dado podra
ser asimilada al precio (apuesta) p que un individuo estima equitativo pagar por
el derecho a recibir un importe unitario, exigible si dicho resultado se verifica.
Para un estudio ms detallado de las distintas interpretaciones del
concepto de probabilidad, de sus alcances y sus restricciones, le
sugerimos consultar:
- Landro, Alberto Acerca de la probabilidad. (Economizarte. Ediciones
del CECE, 1999). tem 3.1, 3.2, 3.3 y 3.4 del Cap. I.

Vamos a ver ahora cmo fue necesario

plantear un conjunto de axiomas,
independientes de la definicin de
probabilidad, para que la teora de la
probabilidad se constituyera en una
disciplina matemtica. Esto nos conduce a
formular la otra pregunta ya indicada al
comenzar esta unidad, referida a cmo es
el proceso de transformacin de
probabilidades de eventos complejos en
eventos simples. Empezaremos a
responderla a partir del tem siguiente.

10 / U. 1

Estadstica - Unidad 1

2.- Axiomas y teoremas bsicos de la teora de la probabilidad

La situacin de la teora de la probabilidad hacia 1920 puede ser resumida
en la siguiente expresin debida a R. Von Mises: Hoy la teora de la probabilidad
no constituye una ciencia matemtica. Teniendo en cuenta que no exista una
definicin nica de probabilidad, que sus fundamentos conceptuales permanecan
en la obscuridad y que, salvo pocas excepciones, los probabilistas parecan no
atacar sus problemas con la rigurosidad que se aplicaba corrientemente en otras
ramas de la matemtica, este juicio resultaba, en ese momento, totalmente
justificado.
Este hecho plante la necesidad de un nuevo anlisis de los fundamentos
de la teora de la probabilidad y la demostracin de la no existencia de
contradicciones en los resultados obtenidos. Se intent, entonces, el desarrollo
de una teora de la probabilidad que constituyera una disciplina puramente
matemtica que permitiera la transformacin de probabilidades (conocidas) de
eventos simples en probabilidades (desconocidas) de eventos complejos, a partir
de un conjunto de axiomas independientes de la definicin de probabilidad.

2.1. La axiomtica clsica

Antes de comenzar el estudio de los axiomas y de los mtodos que permiten
pasar de las probabilidades de eventos simples a las probabilidades de eventos
complejos relacionados con los primeros, es necesario presentar algunas
definiciones a fin de fijar explcitamente ciertos conceptos que aparecern
repetidamente en el desarrollo de los mismos.
La primera se refiere a un concepto que ya hemos utilizado bastante en
los tems anteriores, y tiene que ver con la definicin del evento:
Dado un fenmeno ;, cuyo valor no puede ser predicho en forma
cierta, se define como evento - a todo suceso cuya ocurrencia est
supeditada al resultado que produzca la realizacin de dicho fenmeno.
Supongamos el fenmeno precio a asumir por el activo Molinos
Ro de la Plata al cierre de las operaciones de la Bolsa de Valores de
Buenos Aires, en un da determinado.
Relacionados con este fenmeno se pueden definir, por ejemplo,
los siguientes eventos:

Que el precio del activo sea mayor que el del da anterior;

Que el precio del activo sufra una cada de ms del 20% con
relacin al mismo da de la semana precedente;
Que el precio del activo se ubique por encima de su promedio
histrico.

11 / U. 1

Estadstica - Unidad 1

Esta definicin incluye como casos particulares al evento cierto, que se

verifica cualquiera sea la realizacin asumida por el fenmeno ;(por ejemplo, el
evento obtener un nmero natural comprendido el 1 y el 6 al arrojar un dado)
y el evento imposible que, obviamente, es aqul que no se verifica no importa
cual sea la realizacin asumida por dicho fenmeno (por ejemplo, que el precio
de la accin mencionada ms arriba sea negativo).
Se conservar en el texto esta denominacin a pesar de entender que las
expresiones evento cierto y evento imposible encierran una evidente paradoja,
en el sentido que ni uno ni otro poseen la propiedad esencial de eventualidad.
Asociado a cada fenmeno ; se puede definir un conjunto de resultados
posibles:

que constituye su espacio muestral

Todo evento se identifica con una proposicin 5 que, con relacin a los
resultados MEde su espacio muestralpuede ser verdadera o falsa. y por lo tanto
puede ser representado mediante un subconjunto E de W, formado por los
elementos w para los cuales la proposicin S es verdadera.

Consideremos el fenmeno que se genera al arrojar un dado. Su espacio

muestral ser:

Supongamos un evento E caracterizado por la proposicin:

S: obtener como resultado un nmero par
Con relacin a los resultados 2, 4 y 6, esta proposicin es
verdadera y con relacin al resto de los resultados posibles, es falsa.
De modo que E puede ser representado de la siguiente forma:

Podemos concluir, entonces, que a cada evento le corresponde un nico conjunto

E y viceversa y, por lo tanto, que a los eventos se les pueden aplicar las
operaciones relativas a los conjuntos:

12 / U. 1

Estadstica - Unidad 1

La negacin del evento E que se denotar por E- define el evento que se

verificar siempre que E no se verifique.

Dados dos eventos simples, E y E, su producto (E E) = (E y E) define un

evento complejo tal que se verificar cuando se verifiquen ambos factores.

Dados dos eventos simples, E y E , su suma (E E) = (E E) define un

evento complejo que se verificar cuando se verifique al menos uno de los
eventos sumandos.

Dados dos eventos E y E, se dice que son incompatibles o mutuamente

excluyentes cuando no pueden ocurrir en forma simultnea. Es decir, cuando
se verifica que

Como conclusin de las definiciones anteriores se puede afirmar,

entonces, que la unin o la interseccin de cualquier conjunto finito de
eventos proporciona como resultado otro evento y que la negacin de
un evento, tambin define un evento.
Le proponemos la siguiente actividad para que usted tenga la posibilidad
de ejercitar los conceptos desarrollados en este ltimo tem.
1. Sea Y el fenmeno que se genera al tirar un dado una vez:

Defina el espacio muestral correspondiente.

Denotando por E al evento obtener un resultado

mltiplo de 3, defina el conjunto que caracteriza al
evento contrario.

Denotando por E al evento obtener como resultado

un nmero par, defina al evento caracterizado por
la operacin (E E )

Se puede asegurar que E   O E

incompatibles?

Determine el conjunto que define al evento complejo

obtener un resultado que sea, a la vez, par y mltiplo
de 3.

son eventos

13 / U. 1

Estadstica - Unidad 1

Continuemos, entonces, con nuestra explicacin.....

A partir de las definiciones anteriores es posible formular el siguiente
conjunto mnimo de axiomas, que constituye el fundamento para el desarrollo
de los teoremas que nos permitirn pasar de probabilidades de eventos simples
a probabilidades de eventos complejos.

Axioma 1
Asociado a cada evento E, existe un nmero real no negativo, p(E), al que se
denominar probabilidad de que el evento E se verifique:

Axioma 2
La probabilidad de que ocurra al menos uno de los eventos includos en el espacio
muestral es igual a uno

En realidad, lo que quiere significar este axioma es que la unidad constituye la

representacin probabilstica de la certeza.

Axioma 3 (de aditividad)

Sean E y E dos eventos incompatibles, entonces se verificar que:

Este axioma puede ser fcilmente generalizado. Por ejemplo, dados tres
eventos incompatibles E ,E , E! ,

Le proponemos aplicar estos conceptos a partir

situaciones:

de las siguientes

Sea Y el fenmeno que se genera al tirar un dado legtimo, y sean los

eventos:
E: Obtener un resultado que sea mltiplo de 5
E : Obtener un resultado par
14 / U. 1

Estadstica - Unidad 1

1. Determine si estos eventos son excluyentes.

2. Calcule la P (E E ).
De los axiomas enunciados precedentemente se obtienen en forma inmediata
los siguientes corolarios:
1) Dado un evento E y su negacin E, por definicin se verifica que son
incompatibles:

y, adems, se verifica que su suma es igual al espacio muestral (cualquiera

sea el evento E, su espacio muestral estar formado por los resultados para los
cuales la proposicin S es verdadera y por los resultados para los cuales dicha
proposicin es falsa).
Luego, aplicando el Axioma 3, ser:

Y, por lo tanto, queda demostrado que la probabilidad de todo evento es

igual a 1 menos la probabilidad del evento contrario:

Retornemos a la actividad mencionada en la pgina precedente,

en la que se analiza el fenmeno que se genera al tirar un dado
legtimo. Consideremos el evento:
E: Obtener como resultado el as
De acuerdo con la definicin clsica, se obtiene que:

Ahora bien, el evento contrario a E ser:

E : Obtener como resultado un nmero distinto del as
y, aplicando nuevamente la definicin clsica, se obtiene que:

15 / U. 1

Estadstica - Unidad 1

Observe, entonces que, de acuerdo con el corolario anterior:

Otro corolario ser

2) Dado que =, por los axiomas 2 y 3, se verifica que:

p ( )= p( ) = p( ) + p( ) = 1
En consecuencia, se puede concluir que:

p( ) = 0
Este resultado permite interpretar que la representacin probabilstica de la
imposibilidad es el nmero 0.
A partir del Axioma 1 y de este corolario se concluye inmediatamente que:

0 p(E) 1
2.2. El teorema de la probabilidad total
Sean dos eventos, E y E

representables segn el siguiente diagrama:

E1

E2
E1 E2

E1 E2

Se demuestra, entonces, que:

p ( E 1 E 2 )= p ( E 1 )+ p ( E 2 ) - p ( E 1 E 2

)
16 / U. 1

Estadstica - Unidad 1

total.

Esta relacin es conocida como teorema de la suma o de la probabilidad

Si usted desea consultar una demostracin completa de este teorema,

le sugerimos ver:
Landro, A. H.: Acerca de la probabilidad, (op. cit.). tem 4, cap.II.

Continuemos ........
A partir de la deduccin anterior, se obtiene en forma inmediata que,
dados tres eventos, E, E y E!, la probabilidad de su suma puede ser expresada
de la siguiente forma:
p(E1 E2E3)= p(E1) + p(E2) + p(E3) - p(E1 E2) - p(E1 E3) - p(E2 E3)+ p(E1 E2 E3)

A partir del dado del ejemplo precedente, consideremos los eventos:

E : Obtener como resultado un nmero par.
E : Obtener como resultado un nmero mltiplo de 3.
De acuerdo con la definicin clsica, se obtiene que:

p ( E 1 )=

3
6

p ( E 2 )=

2
6

y, aplicando la frmula de la probabilidad total, la probabilidad de que

ocurra un resultado que rena por lo menos una de las dos condiciones
(es decir, que sea par o mltiplo de 3) puede ser expresada de la
siguiente forma:

3 2 1
p ( E 1 E 2 )= + 6 6 6
Recuerde que el evento (E E ) implica la presentacin de un resultado
que sea, a la vez, par y mltiplo de 3, y que en el dado el nico
resultado que rene ambas condiciones es el nmero 6.

17 / U. 1

Estadstica - Unidad 1

Retomando nuestra explicacin acerca del Teorema de la Probabilidad Total......

Como ya hemos mencionado al comienzo del item 2.1., la finalidad de los
teoremas estudiados en esta unidad es la de expresar la probabilidad de eventos
complejos como una combinacin de probabilidades de eventos simples.
De la expresin correspondiente al teorema de la probabilidad total podemos
concluir que este objetivo no ha sido logrado en forma completa: p(E) y p(E )
son probabilidades de eventos simples, pero p (E E ) denota la probabilidad de
un evento complejo.
En el ejemplo del dado mencionado ms arriba, esta cuestin se resolvi
calculando la probabilidad del evento (E E ) mediante el recuento de los
resultados favorables (es decir, aquellos resultados que satisfacen simultneamente
las condiciones de ser par y mltiplo de 3) y del total de los resultados posibles.
Pero, esta forma de solucin se vuelve, en general, inaplicable cuando
consideramos casos menos triviales que el del ejemplo.
Surge, entonces, la necesidad de hallar la forma de expresar la probabilidad
del evento (E E ) en funcin de las probabilidades de los eventos simples E
yE.
La solucin a esta cuestin est dada
por la frmula de la probabilidad compuesta,
que estudiaremos en el siguiente tem.

2.3.- El teorema de la probabilidad compuesta

Sea un evento E definido por una proposicin S:

E 1 = { w / S 1 es verdadera }
y sea un evento E definido por la proposicin S :

E 2 = { w / S 2 es verdadera }
Se dice que el evento E est estocsticamente condicionado por el
evento E , (E/E ), cuando la probabilidad de la verificacin de E depende de la
supuesta ocurrencia del fenmeno E .
El adjetivo estocstico est utilizado aqu como sinnimo de en el
sentido de la probabilidad.

18 / U. 1

Estadstica - Unidad 1

Al calificar como estocstica a esta dependencia, pretendemos distinguirla

de otras formas de dependencia, fundamentalmente de la dependencia lgica:
se dice que un evento E es lgicamente dependiente de un evento E, cuando la
suposicin de que E ha sucedido, transforma a E en un evento cierto o en un
evento imposible (es decir, se dice que E es lgicamente dependiente de E si, y
slo si E puede ser definido a partir de E mediante operaciones lgicas).
Las probabilidades relativas a los eventos condicionados por E , pueden
ser definidas de la siguiente forma:

p ( E 1 / E 2 )=

p ( E1 E 2
p ( E2 )

( p ( E 2 )> 0 )

Donde p(E / E ) debe ser interpretada como la probabilidad de que se verifique E

suponiendo que E se haya verificado.
A partir de esta igualdad se concluye inmediatamente que:

p ( E 1 E 2 )= p ( E 2 ) p ( E 1 / E 2 )= p ( E 1 ) p ( E 2 / E 1 )
Esta ecuacin es conocida como la frmula de la probabilidad compuesta.

Supongamos que se realicen dos extracciones sucesivas y sin

reposicin (es decir, sin reponer la bolilla extrada antes de realizar la
extraccin siguiente) de una urna que contiene 4 bolillas blancas y 6
negras.
Sean los siguientes eventos:
B: obtener una bolilla blanca en la primera extraccin;
B : obtener una bolilla blanca en la segunda extraccin.
Entonces, ser:

p ( B1 B 2 )= p ( B1 ) p ( B 2 / B1 )=

4 3
10 9

19 / U. 1

Estadstica - Unidad 1

Generalizando la expresin anterior, dados los eventos E,E y E!, su probabilidad

compuesta asumir la forma:

Supngase, en el ejemplo anterior, un tercer evento:

B!: obtener una bolilla blanca en la tercera extraccin.
Se verificar que:

p ( B1 B 2 B3 )=

4 32
10 9 8

Retornemos mediante esta actividad al fenmeno que se genera al

tirar un dado legtimo.
Sean los eventos:
E: obtener como resultado el nmero 3;
E : obtener como resutlado un nmero impar.
1.- Calcule la probabilidad del evento (E / E :), es decir, la
probabilidad de que, habindose tirado el dado, se haya obtenido
el nmero 3, si poseemos la informacin adicional de que se ha
obtenido como resultado un nmero impar.
2.- Qu puede usted comentar acerca de la dependencia (o
independencia) estocstica entre los eventos E y E .
Continuando con nuestra explicacin....
Suponiendo que p(E )>0, es posible obtener la siguiente frmula para la inversin
de la probabilidad de un evento condicionado:

p ( E 1 / E 2 )=

p ( E1 )
p ( E 2 / E1 )
p ( E2 )

20 / U. 1

Estadstica - Unidad 1

expresin que constituye la formulacin ms simple del Teorema de Bayes o

de la inversin de la probabilidad.
Los autores clsicos se ocuparon exclusivamente de la resolucin de
problemas del tipo: dada una urna que se sabe que contiene a bolillas blancas y
c bolillas negras, calcular la probabilidad de extraer una bolilla blanca al realizar
una extraccin al azar. Es decir, suponiendo conocidas las causas (composicin
de la urna), hallar la probabilidad de que se produzca un efecto determinado
(obtener una bolilla blanca).
Jakob Bernoulli (1713) -basndose en el mecanismo que rige el
comportamiento de los fenmenos de la naturaleza, respecto de los cuales lo
nico que se conoce son los resultados producidos, pero no las causas que los
producen- plante la necesidad de resolver el problema inverso, conocido el
efecto (por ejemplo, el resultado obtenido de una sucesin de extracciones de
una urna que sabemos que contiene bolillas blancas y negras, pero no sabemos
en qu proporcin), calcular la probabilidad de que ste haya sido producido por
una causa determinada (por ejemplo que la urna contenga un cierto porcentaje
de bolillas blancas).
Fue Thomas Bayes (1764) quien obtuvo la solucin a este problema de
la inversin de la probabilidad.
Este teorema ser tratado en forma ms
completa en la Unidad III.

2.4. La relacin de independencia estocstica

A partir de las definiciones del tem anterior, podemos decir que los
eventos E y E son estocsticamente independientes, si se verifica que:

p ( E 1 / E 2 )= p ( E 1 )
siendo p(E )>0.
Es decir que la independencia estocstica de E con respecto a E implica
que la informacin acerca de la presunta ocurrencia de E no influye sobre la
asignacin de la probabilidad correspondiente a la ocurrencia de E.
De acuerdo con la frmula de la probabilidad compuesta, esta propiedad
puede ser expresada como:

p ( E 1 E 2 )= p ( E 1 ) p ( E 2

21 / U. 1

Estadstica - Unidad 1

La generalizacin natural de la definicin de independencia estocstica

para tres eventos, formalmente sera:

p ( E 1 E 2 E 3 )= p ( E 1 ) p ( E 2 ) p ( E 3 )
1. Retornemos a los ejemplos citados en los tems anteriores sobre
extracciones sucesivas de una urna.
a) Qu puede usted comentar acerca de la dependencia o
independencia de los eventos B, B , y B!, segn que las extracciones
se realicen con o sin reposicin?
b) Supongamos que las extracciones se realicen con reposicin, calcular
la probabilidad de ocurrencia del evento complejo (B B B!).
2. Le proponemos ahora realizar una serie de actividades que le
premitirn volver a considerar los temas tratados en esta Unidad.
A. Analizar el fenmeno que se genera al arrojar sucesivamente
una moneda.
A.1.-Comencemos por el fenmeno relacionado con la primera
tirada de la moneda. Los resultados posibles de este fenmeno
se denotarn por C (cara) y X (ceca), de modo que su
espacio muestral ser de la forma:

{C1 , X 1 }
En relacin con este espacio muestral se puede preguntar: cul es
la probabilidad de obtener el resultado cara?.
- Si usa la definicin clsica la respuesta sera P(C) = 0.5 : por
qu?.
- En qu caso usted considerara que sta constituye una respuesta
satisfactoria?
- En qu caso se inclinara por una definicin frecuencista de esta
probabilidad?
A. 2.-Consideremos, ahora, dos tiradas sucesivas de la moneda.
- Denotando por C y X los posibles resultados, cara y ceca, de la
segunda tirada, defina el espacio muestral del fenmeno al cabo
de la segunda tirada de la moneda (tenga en cuenta que cada
uno de los resultados de la primera tirada se combina con cada
uno de los resultados de la segunda tirada).

22 / U. 1

Estadstica - Unidad 1

- Defina el espacio muestral correspondiente al evento obtener el

resultado cara en la segunda tirada, si se supone que ha obtenido
el resultado cara en la primera tirada.
- Compare el resultado precedente con el obtenido en el primer
punto y analice la dependencia o independencia estocstica de ambos
eventos.
- Calcule la probabilidad del evento obtener el resultado cara en
ambas tiradas de la moneda.
- Calcule la probabilidad del evento obtener el resultado cara en
la primera tirada y el resultado ceca en la segunda tirada.
- Calcule la probabilidad del evento obtener una vez el resultado
cara y una vez el resultado ceca, al cabo de la segunda tirada de
la moneda (tenga en cuenta el espacio muestral definido en el
primer punto).
B. Complete el cuadro que figura a continuacin, con todas las
probabilidades que se pueden definir al tirar dos veces una
moneda:

23 / U. 1

Estadstica - Unidad 1

C. Suponga que la moneda estuviera mal construda y que la

experiencia indicara que la probabilidad de obtener el resultado
cara fuera del 30% y la de obtener el resultado ceca fuera del
70%
C.1.- Realice la siguiente ejercitacin
- Los eventos obtener el resultado cara en la primera tirada y
obtener el resultado cara en la segunda tirada pueden seguir
considerndose como estocsticamente independientes?
- Calcular la probabilidad del evento obtener tres veces el resultado
cara al cabo de la tercera tirada de esta moneda.
- Calcular la probabilidad del evento obtener el resultado cara en
la primera tirada y el resultado ceca en las dos tiradas
siguientes.
- Calcular la probabilidad del evento obtener una vez el resultado
cara y dos veces el resultado ceca al cabo de la tercera tirada
de la moneda.
Hemos culminado el desarrollo de la
primera unidad del programa. No olvide
asistir
a
las
tutoras
creadas
especialmente para este tipo de modalidad
de cursada. Usted recibir all orientacin
para su aprendizaje, y podr consultar
todo tipo de dudas. Le proponemos ahora
pasar a la Unidad II en la que
consideraremos las aplicaciones de los
teoremas bsicos de la probabilidad, al
tratamiento de las variables aleatorias en
general, y al estudio de algunas variables
aleatorias especficas que sern de utilidad
en las aplicaciones tratadas en las
Unidades III y IV.

24 / U. 1