Probabilidad PDF

Probabilidad
1.1 EXPERIMENTO ALEATORIO

1.2 EL AZAR
1.3 LA PROBABILIDAD
1.4 SUCESOS
1.5 OPERACIONES CON SUCESOS
1.6 CONCEPTO DE PROBABILIDAD
1.7 AXIOMTICA DEL CLCULO DE PROBABILIDADES
1.8 TEOREMAS DEL CLCULO DE PROBABILIDADES
1.9 PROBABILIDAD CONDICIONAL
1.10 INDEPENDENCIA DE SUCESOS
1.11 PROBABILIDAD lGICA
1.12 PROBABILIDAD SUBJETIVA
Ejercicios resueltos
1.1 EXPERIMENTO ALEATORIO

Por experimento entendemos cualquier accin que pueda dar lugar a resultados
identificables. Suponemos que es posible repetir el experimento gran nmero de veces bajo
las mismas condiciones y que todos los posibles resultados son conocidos antes de la
realizacin del experimento.
Si los resultados del experimento pueden ser distintos y no se sabe cul de ellos aparecer
al final, el experimento se llamar aleatorio o debido al azar, y los correspondientes
resultados se adjetivarn como aleatorios. Si el resultado es siempre el mismo diremos que
es cierto o seguro, denominndose el experimento que lo origina determinista.
Dos ejemplos aclararn lo anterior. Un primer experimento consiste en arrojar un dado.

Este experimento es aleatorio pues en l se verifican las condiciones que hemos impuesto al
experimento: se puede repetir todas las veces que deseemos, antes de arrojarlo conocemos
cules son los posibles resultados (cualquier nmero entre 1, 2, 3, 4, 5 o 6), no sabemos
cul de estos posibles resultados aparecer y, repetido en las mismas condiciones, puede
obtenerse cualquier resultado.
Pgina 28 | Inicio del artculo
En el segundo experimento se dan valores a la variable independiente x en la funcin y = x2.

El experimento se puede repetir tantas veces como deseemos, antes de realizarlo sabemos
cul ser el resultado (conocido x su cuadrado es y), siempre que x tome el mismo valor
obtendremos el mismo para la variable y, por lo cual, este experimento es determinstico.
De los dos tipos de experimentos, el aleatorio constituye el campo del Clculo de

Probabilidades y de la Estadstica, definindolo como: cualquier accin que pueda dar
lugar a resultados identificables, repetible gran nmero de veces bajo las mismas
condiciones, siendo conocidos todos los posibles resultados antes de la realizacin del
experimento y sin poder saber cul de ellos aparecer al final.
1.2 EL AZAR
Hemos introducido el trmino aleatorio, o debido al azar, como elemento caracterizador al
referirnos a ciertos experimentos o resultados, siendo preciso aclarar qu debemos entender
en el Clculo de Probabilidades y de la Estadstica por los trminos aleatorio o azar.
El trmino azar, o aleatorio, es ambiguo por tener distintas acepciones que, de una u otra
manera, reflejan situaciones diferentes. Siguiendo a Nagel distinguimos cinco sentidos de
estos trminos.
En primer lugar el uso ms familiar y difundido de la palabra azar se da en contextos en

los cuales sucede algo inesperado, que no es la consecuencia de un plan deliberado. Por
ejemplo, si dos amigos salen a dar un paseo y se encuentran sin un acuerdo previo, se dice
que se han encontrado al azar.
La segunda acepcin de azar se predica de un suceso en otro sentido: o bien cuando hay
una ignorancia prcticamente completa acerca de las condiciones determinantes del suceso,
o bien cuando se sabe que estas condiciones pertenecen a alguna clase de tipos alternativos
de condiciones, pero no se sabe a cul de los tipos particulares de esta clase pertenece.
Hasta hace muy poco el tiempo atmosfrico era considerado comnmente como una
cuestin de azar.
Como tercera acepcin tenemos que en los anlisis histricos y sociolgicos se dice
comnmente que nn suceso es un hecho de azar si aparece en la interseccin de dos series
causales independientes. Supongamos, por ejemplo, que un hombre deja su casa para ir a
comprar tabaco, y al salir se le cae encima un ladrillo proviniente del techo de un edificio.
Se dice entonces que el infortunio del hombre es un hecho de azar, no porque no est
causado (en realidad, la descripcin misma del hecho indica la causa), sino porque se
produce en la juntura de dos secuencias causales independientes, una que termina en la
situacin del hombre junto al edificio en un instante dado y otra que termina con el
movimiento del ladrillo en ese instante. Por consiguiente, se alega que el dao del hombre
es fortuito o accidental.
La cuarta manera de contemplar el concepto de azar se refiere a si en un contexto dado de

investigacin el enunciado que afirma la aparicin de un suceso no deriva de ningn otro.
As, si queremos predecir una posicin y una velocidad futuras del planeta Marte con ayuda
de la teora gravitacional newtoniana, debemos establecer una posicin y una velocidad
iniciales del planeta; y el hecho de que en tal tiempo inicial, Marte se encuentre en cierto
lugar y se mueva con cierta velocidad es un hecho de azar.
Por ltimo, tenemos el azar de un suceso cuando es considerado a veces no causado, de
modo que no solamente no conocemos las condiciones determinantes de su produccin,
sino que ni siquiera existen tales condiciones, denominndose en esta situacin un suceso
de azar absoluto () As, se afirma a menudo que, cuando se agreg cido sulfrico a la
sal comn por primera vez, no se poda haber predicho la formacin del gas que se produce
en tal caso con sus propiedades peculiares; se dice entonces que la generacin del gas en las
condiciones indicadas es un suceso de azar.
De las cinco formas en que podemos utilizar el trmino azar, segn Na-gel, la segunda es la
que ms se cie a la materia que nos ocupa: el Clculo de Probabilidades y la Estadstica,
por lo cual ser la que tomaremos en consideracin, pero bajo la formulacin de Popper
ms precisa, a nuestro juicio, que la de Nagel: los eventos aleatorios se caracterizan, al
parecer, por un tipo peculiar de incalculabilidad que le predispone a uno a creertras gran
nmero de tentativas infructuosasque todos los mtodos racionales conocidos de
prediccin han de fallar cuando aquellos se presentan: tenemos algo as como la sospecha
de que no es un cientfico quien podra predecirlos, sino nicamente un profeta.
1.3 LA PROBABILIDAD
La imposibilidad de conocer de antemano el resultado en los experimentos aleatorios
genera incertidumbre en el experimentador. La intensidad de esta in-certidumbre no tiene
por qu ser igual de unos experimentos a otros, ni en un mismo experimento de unos
resultados a otros. As, cuando jugamos con un dado perfecto es indiferente apostar a uno
cualquiera de los seis posibles nmeros que contiene, por ser razonable suponer que ante la
salida de cualquier nmero la incertidumbre, o su contraria la certidumbre, es la misma.
Ahora bien, si el dado tiene marcados cinco unos y un dos no es indiferente apostar al uno o
al dos, pues parece ms fcil ganar si apostamos al uno que al dos. De todo ello se deduce
la conveniencia, necesidad, de medir, cuantificar, la incertidumbre, o la certidumbre, que
tenemos sobre el resultado de un experimento aleatorio, y esta medicin se lleva a cabo a
travs de la probabilidad.
El trmino probabilidad, como el de azar, es utilizado de mltiples maneras. Con todas ellas
podemos establecer dos grupos de enunciados a los que se aplica el trmino probabilidad,
conducentes a dos concepciones distintas de la probabilidad: la cientfica (donde la
probabilidad puede expresarse numricamente) y la lgica, o de hiptesis que no puede
medirse. En el primer grupo tenemos enunciados como: probabilidad de obtener el nmero
seis al arrojar un dado, probabilidad que una persona de 20 aos fallezca antes de cumplir
los 25, probabilidad que un material radiactivo se destintegre en cierta proporcin en un
tiempo dado, etc. El segundo grupo integra los enunciados del tipo: probabilidad de que El
Quijote no lo haya escrito la persona conocida como Cervantes, etc. En todo lo que sigue
nos ocuparemos solamente de los enunciados del primer tipo, en los que la probabilidad
puede expresarse numricamente.
1.4 SUCESOS
Denominaremos espacio muestral, o de los comportamientos, al conjunto de todos los
posibles resultados de un experimento aleatorio, Zs, llamando a Pgina 31 | Inicio del
artculocada uno de sus elementos integrantes suceso elemental. La composicin del
espacio muestral depende del experimento concreto que se lleve a cabo. Si el experimento
consiste, por ejemplo, en la cara que queda arriba al arrojar una moneda una sola vez el
espacio muestral, E, es el conjunto {c, +}; si la moneda se arroja dos veces el espacio
muestral es {ce, c+, +c, + +}, si tres veces {ecc, cc+, c+c, +cc, c + +, +c+, ++c, + + + }, etc.
En un experimento aleatorio podemos estar interesados no en un suceso elemental (cara,

cruz) sino en un conjunto de sucesos elementales, conjunto que denominaremos suceso
compuesto, es decir, un subconjunto del espacio muestral. Si el experimento aleatorio
consiste en arrojar un dado una sola vez, el espacio muestral est integrado por los seis
primeros nmeros enteros. El suceso de inters puede ser que el nmero resultante sea par
y, para ello, habr sido preciso obtener una de las puntuaciones 2, 4 o 6, por consiguiente,
el suceso compuesto (nmero par) est integrado por elementos del espacio muestral, esto
es, un subconjunto de E.
Si el nico resultado que interesa del experimento, entre todos los posibles, es el mismo
espacio muestral E, estamos ante el suceso cierto o seguro: si al arrojar un dado esperamos
que resulte cualquier nmero entero entre los seis primeros, el suceso es cierto; si el
resultado deseado es no obtener ningn suceso contenido en atenemos el suceso imposible,
al arrojar el dado no puede salir ningn nmero distinto de (1,2,3,4,5,6).
1.5 OPERACIONES CON SUCESOS

Un conjunto S es una coleccin de objetos, s, con una o unas caractersticas comunes. La
pertenencia de un objeto, elemento, s a un conjunto S se designa por s S, la no pertenencia
por s S.
Si el nmero de elementos de un conjunto es finito diremos que el conjunto es finito; si es

infinito el nmero de elementos y puede establecerse correspondencia biunvoca con la
sucesin de los nmeros naturales, el conjunto Pgina 32 | Inicio del artculoes infinito
numerable; si, por ltimo, el conjunto contiene infinitos elementos, de tal forma que entre
cada dos haya infinitos, el conjunto ser infinito no numerable.
Un conjunto S1 es un subconjunto de otro conjunto S (y se designar por S1 S) si cada

elemento de S1 pertenece a S, y no todos los elementos de S1 pertenecen a S1. Dos conjuntos
S1 y S2 son iguales (S1 = S2) si cada elemento de S1 pertenece, est contenido en, S2 (S1
S2) y cada elemento de S2 pertenece a S1, S2 S1.
Cuando un conjunto S no contiene ningn elemento se denomina conjunto vaco y ser

designado por (S = ).
En las operaciones con sucesos es til el recurso a los diagramas de Venn por permitir
visualizar, con claridad, operaciones complicadas. No obstante, es preciso tener presente
que semejante proceder no supone demostracin alguna sino, nicamente, visualizacin del
resultado de la operacin que se est realizando.
1.5.1. UNIN DE SUCESOS
Dados n sucesos S1, Sn, la operacin unin de ellos es otro suceso constituido
por los elementos comunes y no comunes a los sucesos S1 Sn. Es decir, un suceso que
aparece cuando tiene lugar S1 o S2 o o Sn.
Como casos particulares tenemos . La extensin de la

operacin unin a un nmero infinito numerable de sucesos es inmediata.
Para dos sucesos, el diagrama de Venn indica su unin
EJEMPLO El espacio muestral de un experimento es E= {1,2,3,4,5,6}, y dos sucesos A =

{1,2,3,4} y B= {3,4,5}. La unin de los sucesos A, B es A B = {1,2,3,4,5}.
1.5.2. INTERSECCIN DE SUCESOS
La interseccin de n sucesos S1 , Sn es el suceso formado por los

elementos comunes a todos ellos. Es decir, un suceso que tiene lugar cuando se dan
simultneamente S1 y S2 y y Sn.
Si tenemos dos sucesos y uno de ellos es el espacio muestral (S, E), la interseccin de
ambos es el suceso S, S E = S; tambin se verifica que . Como en
la operacin unin la interseccin se generaliza a infinitos sucesos. En el diagrama de Venn
se aprecia la interseccin de los sucesos S1 y S2
EJEMPLO Con el mismo ejemplo que para la unin, la interseccin de los sucesos A y B
es A B = {3,4}.
Cuando dos sucesos no tienen ningn elemento comn, su interseccin es igual al suceso
vaco (S1 S2 = ) y diremos, entonces, que los sucesos son disjuntos o incompatibles. Si
en vez de dos sucesos tenemos n y su interseccin es el suceso vaco los n

sucesos son conjuntamente disjuntos. Como caso particular, en una sucesin S1 , Sn los
sucesos son disjuntos dos a dos si Si Sj = , para todo i y todo j.
EJEMPLO En el ejemplo anterior, los sucesos A y B no son disjuntos pues su interseccin

no es igual al suceso vaco, .
Si n sucesos son disjuntos dos a dos y su unin es el espacio muestral,
, los sucesos S1 forman una particin del espacio muestral E. La definicin se
ampla a un nmero infinito numerable de sucesos disjuntos dos a dos
1.5.3. PROPIEDADES DE LA UNIN E INTERSECCIN DE SUCESOS
Conmutativa
Asociativa
Distributiva
1.5.4. DIFERENCIA DE SUCESOS
Dados dos sucesos S1 y S2, la operacin diferencia (S1S2) es el suceso integrado por los
elementos de S1 que no pertenecen a S2. Es decir, el suceso que tiene lugar cuando sucede
S1 y no sucede S2.
EJEMPLO La diferencia de los sucesos A B es AB = {1,2} y la de B, A es BA = {5}.
La operacin diferencia no goza de la propiedad conmutativa, pues S1S2 S2S1 como

indica el siguiente diagrama de Venn al compararlo con el anterior
EJEMPLO En el ejemplo AB BA, es decir, {1,2} {5}.
La unin de las dos diferencias, (S1 S2) (S2S1), se denomina diferencia simtrica de
los sucesos S1 y S2, y se representa por S1 S2, siendo el suceso que tiene lugar cuando un
elemento de S1 no pertenece a S2 o un elemento de S2 no pertenece a S2.
Si S1 y S2 son disjuntos S1S2 =
1.5.5. SUCESO COMPLEMENTARIO
El complementario de un suceso S, denominado S*, es la diferencia entre el espacio

muestral, E, y el suceso S, es decir, ES = S*. Es el suceso compuesto por los elementos de
E que no pertenecen a S.
Se comprueba en este caso, sin dificultad, que S S* = E, S S = . Por otra parte,

tenemos que (S*)* = S.
Leyes de Morgan
Dados dos sucesos S1 y S2 se verifica
Para tres sucesos

Si en vez de dos sucesos tenemos n la generalizacin de las leyes de Morgan es inmediata,

resultando
1.6 CONCEPTO DE PROBABILIDAD

1.6.1. PROBABILIDAD CLSICA
Durante la segunda mitad del siglo XVII se inician los primeros intentos cientficos de
medir la probabilidad de un suceso (Pascal, Fermat, Huygens, Bernoulli, Leibniz, etc.),
pero es con Laplace en 1812 cuando, con su definicin de probabilidad conocida como
clsica, comienza el definitivo arranque del Clculo de Probabilidades.
Laplace define la probabilidad de un suceso como el cociente entre el nmero de casos

favorables y el nmero total de casos, siempre que todos sean igualmente posibles.
EJEMPLO La probabilidad de extraer un as de una baraja perfecta de cuarenta cartas se

calcula de la siguiente forma: el nmero de casos favorables es cuatro, pues en la baraja
Pgina 38 | Inicio del artculohay cuatro ases, y el nmero de casos posibles cuarenta, las
cuarenta cartas que pueden extraerse, por lo cual la probabilidad de obtener un as es igual a
4/40 = 1/10.
De la definicin clsica de la probabilidad se desprenden una serie de propiedades:
P(S) 0. La probabilidad se ha definido como el cociente del nmero de casos

favorables al suceso 5 y el nmero de casos posibles, por lo que el cociente no puede ser
negativo, y su lmite inferior 0 se alcanza cuando el nmero de casos favorables sea nulo.
P(S) 1. El nmero de casos favorables nunca puede ser mayor que el nmero total de
casos, a lo sumo igual.
Estas dos propiedades conducen a que la probabilidad de un suceso est acotada, 0 P(S)
1.
EJEMPLO Si el suceso es obtener cualquier nmero del 1 al 6, suceso cierto, el nmero

de casos favorables (6) coincide con el total (6) y su cociente es la unidad. Si, por el
contrario, el suceso consiste en que no salga ningn nmero del 1 al 6, suceso imposible,
su probabilidad es cero, pues en el espacio muestral no hay ningn suceso que cumpla esta
condicin siendo, por tanto, el nmero de casos favorables cero.
Si tenemos dos sucesos disjuntos S1 y S2 y su unin es S = S1 S2, se verifica
El nmero de casos favorables de S1 y S2 son, respectivamente, n1 y n2. Al ser los sucesos

disjuntos, el nmero de casos favorables de la unin, S, es n = n1 + n2, por tanto,
El resultado indica que, en estas condiciones, la probabilidad es aditiva.
EJEMPLO Sea el experimento aleatorio consistente en arrojar un dado solamente una vez
y el suceso de inters obtener nmero par. En el experimento el espacio muestral est
integrado por los seis primeros nmeros enteros, E= (1,2,3,4,5,6). El suceso
Pgina 39 | Inicio del artculoconcreto, que denominaremos S, es un suceso compuesto,
S= {nmero par)== {2,4,6}, es decir, obtenido siempre que al arrojar el dado el nmero
resultante sea 2 o 4 o 6. Planteado as el experimento, el nmero total de casos que pueden
darse es seis, {1,2, 3,4, 5,6}, y el de favorables tres, {2,4,6}. Si suponemos que utilizamos
un dado ideal (por lo cual todos los elementos del espacio muestral {1,2, 3,4,5,6} son
igualmente posibles, ninguno se manifiesta con ms o menos intensidad que los otros), la
teora clsica define la probabilidad del suceso S, P(S), como el cociente del nmero de
casos favorables, tres, respecto al del nmero total de casos posibles, seis,
El resultado 1/2, es la probabilidad buscada, indicando que de cada dos casos uno puede ser
nmero par. Es importante tener presente que el resultado no dice que siempre que se lance
un dado dos veces una de ellas ser necesariamente nmero par, sino que debemos
interpretar 1/2, en el sentido que en una larga serie de tiradas aproximadamente la mitad de
ellas ser par o, dicho de otro modo, que la probabilidad que en la tirada siguiente salga
nmero par es 1/2.
Si S* es el suceso complementario de S se verifica que P(S*) = 1P(S). La demostracin es

inmediata pues S S* = E, y siendo disjuntos S y S* por definicin de suceso
complementario
La definicin de probabilidad clsica presenta inconvenientes que hacen su aplicacin muy

limitada. Hemos dicho que, por ejemplo, el dado, objeto del experimento aleatorio, es ideal.
Esta afirmacin contiene implicaciones importantes. No existe ningn dado (o moneda,
baraja, etc.) ideal, perfecto, pues no es absolutamente simtrico en cuanto a la forma, a las
propiedades fsicas de la materia con que est confeccionado, etc., es decir, la utilizacin de
la probabilidad clsica queda circunstancia nicamente al mundo matemtico, pues slo
admite tratar con objetos ideales.
La probabilidad clsica requiere que todos los casos sean igualmente posibles (principio de
razn insuficiente). La exigencia de que los sucesos sean igualmente posibles es lo mismo
que predicar su equiprobabilidad y supone Pgina 40 | Inicio del artculola introduccin
de una circularidad en la definicin, es decir, hacer aparecer el definido en la definicin.
Por otra parte, el recurso al principio de razn insuficiente para establecer la
equiprobabilidad de los sucesos implica, en ltima instancia, adoptar una postura activa
frente a la ignorancia.
Si tenemos un dado cargado, por ejemplo con tendencia a salir ms veces el nmero 1, la
teora clsica no puede aplicarse al clculo de probabilidades de sucesos derivados de este
dado. Resulta evidente que dada la dificultad de determinar o aceptar la existencia de casos
igualmente posibles, este concepto de probabilidad slo es aplicable a situaciones ideales;
sin embargo, es fcil encontrar casos reales donde razonablemente pueda recurrirse a este
supuesto ideal sin cometer, en la prctica, errores considerables.
La probabilidad clsica supone que el nmero de casos totales (posibles) sea finito, lo que
implica otra limitacin de su campo de aplicabilidad.
Otra situacin para la cual la teora clsica no tiene respuesta es, por ejemplo, el clculo de
la probabilidad de que el nio que nazca en el ltimo instante del aflo sea varn.
Todas las circunstancias expuestas, que limitan la utilizacin de la probabilidad clsica en

las ciencias empricas, conducen a la exigencia de un nuevo concepto de probabilidad que
d respuesta a las objeciones planteadas.
1.6.2. PROBABILIDAD FRECUENTISTA
El concepto frecuentista de probabilidad lo estableci formalmente von Mises (1919),

aunque el fundamento fue ya percibido a mediados del siglo XIX. Esta teora se basa en dos
pilares: en la experiencia de la estabilidad de las frecuencias relativas o regularidad
estadstica y en la aceptacin de la objetividad de la probabilidad. Segn el primero, en
un experimento aleatorio a pesar del comportamiento irregular de los resultados
individuales, los resultados promedios, en largas sucesiones de experimentos aleatorios,
muestran una sorprendente regularidad (Cramr). En virtud de la objetividad de la
probabilidad, sta es una propiedad fsica de los objetos como la densidad, la
conductibilidad elctrica, etc. y, por tanto, determinable, medible.
La frecuencia absoluta de un suceso en el desarrollo de un experimento aleatorio, repetido

de forma independiente TV veces, es el nmero n de apariciones del suceso. La frecuencia
relativa del suceso es el cociente entre la frecuencia absoluta, n, y el nmero de veces que
se ha repetido el experimento, N:f=n/N.
Exponemos mediante un ejemplo el significado de la estabilidad de las frecuencias o

regularidad estadstica. Un experimento aleatorio consiste etf arrojar una moneda real, con
todos los defectos que pueda tener una moneda corriente, y el suceso de inters consiste en
obtener cara. Si el experimento se repite 10 veces, la frecuencia absoluta del nmero de
caras resulta, por ejemplo, 4 y la frecuencia relativa es 4/10. Si arrojamos el dado 100 veces
y el nmero de caras es 42 la frecuencia relativa es 42/100. Aumentando el nmero de
veces que arrojamos la moneda en cada experimento, las frecuencias relativas pueden haber
sido 0,413,0,3905,, 0,40652,, 0,39879, observndose que a medida que el nmero de
tiradas en cada experimento va siendo cada vez mayor la frecuencia relativa del suceso cara
en el experimento se aproxima estrechamente a 0,4.
Partiendo de esta constatacin emprica, aceptada sin excepciones, la teora frecuentista

admite que aumentando indefinidamente, en cada experimento, el nmero de veces que se
arroja la moneda en el lmite llegamos a un nmero, en el ejemplo podra ser 0,4,
considerado como la probabilidad de obtener cara con esta moneda concrea. A partir de
aqu se establece la definicin frecuentista de la probabilidad: si n es la frecuencia absoluta
del suceso S y N el nmero total de veces que se repite el experimento aleatorio entonces
Siendo la frecuencia relativa uno de los elementos clave sobre los que se construye la teora
frecuentista de la probabilidad debe incorporar, necesariamente, las propiedades de las
frecuencias:
La frecuencia relativa de un suceso est comprendida entre 0 y 1
La frecuencia relativa no es negativa pues la absoluta es siempre mayor que 0 (lmite

inferior de los casos posibles). Lo ms que la frecuencia absoluta puede valer es N,
conduciendo a que la frecuencia relativa valga 1 (lmite superior de los casos posibles).
Si un suceso S es la unin de un nmero finito de sucesos disjuntos,
, su frecuencia absoluta (n) es la suma de las frecuencias absolutas de

cada uno de los n sucesos, ni, y pasando a frecuencias relativas
Por todo ello, al identificar la probabilidad de un suceso con el valor tomado en el lmite
por la frecuencia relativa se admite que
1 En la teora frecuentista, el concepto de colectivo es clave junto al de frecuencia

relativa, pues para von Mises primero es el colectivo y despus la probabilidad. El
colectivo es una sucesin infinita de observaciones, y en l deben darse dos condiciones,
principios:
1 En la secuencia de observaciones existe el lmite de las frecuencias relativas (principio

de existencia del lmite).
2 Considerada aleatoriamente cualquier subsecuencia dentro del colectivo, existe en ella el

lmite de la frecuencia relativa y es igual al obtenido en todo el colectivo (principio de
aleatoriedad ).
Del principio de existencia del lmite se deduce una consecuencia muy importante como
es la exclusin del campo de aplicacin de la teora frecuentista de sucesos que no pueden
repetirse.
La definicin de la probabilidad en la teora frecuentista la distingue netamente de la clsica

. Junto a sto, otra diferencia fundamental entre ambas teoras la encontramos en que en
la segunda, al ser ideales los objetos sobre los que se hacen conjeturas, no es necesario
realizar el experimento para determinar sus probabilidades, mientras que en la teora
frecuentista s es necesario realizarlo para obtener la frecuencia relativa correspondiente al
suceso en cuestin, conduciendo a la probabilidad de este suceso.
Desde el punto de vista prctico, la frecuencia relativa es el nico procedimiento emprico

utilizado en la obtencin de probabilidades en los fenmenos repetitivos.
Como en la probabilidad clsica, el concepto de probabilidad frecuentista presenta

inconvenientes en el paso a la formalizacin matemtica. Los inconvenientes son: el
concepto de lmite y el de sucesin aleatoria.
El concepto de lmite utilizado en la definicin de probabilidad frecuentista supone que el

nmero total de casos del experimento, N, llegue a ser infinito cosa no alcanzable en la
prctica, por lo cual la estabilidad de las frecuencias es un enunciado imposible de
demostrar ms all de toda duda, como se exige en cualquier demostracin matemtica.
La aplicacin del lmite matemtico implica una sucesin que por definicin no es
aleatoria, pues en sta nunca sabemos con certeza cul ser el trmino siguiente a uno dado,
mientras que en la sucesin matemtica los trminos siguen una ley inexorable, bastando
conocer el trmino general para que todo trmino de la sucesin quede perfectamente
establecido.
Por todo ello, si bien la teora frecuentista es, en la prctica, la nica uti-lizable a la hora de
estimar probabilidades de sucesos repetitivos, no lo es en el desarrollo matemtico de la
teora de la probabilidad.
1.7 AXIOMTICA DEL CLCULO DE

PROBABILIDADES
1.7.1. INTRODUCCIN
Las limitaciones de las teoras clsica y frecuentista de la probabilidad hacen imposible la

formalizacin matemtica de la asignacin de un modelo matemtico a la probabilidad,
consiguindose con el planteamiento axiomtico de Kolmogorov (1933), al poner en
relacin la teora de la probabilidad con la de conjuntos y con la teora de la medida.
Un modelo matemtico es una abstraccin de las relaciones que tienen lugar en el mundo
real entre objetos reales, trasladando estos objetos reales a objetos ideales (matemticos) y
las relaciones entre objetos reales a relaciones entre los objetos ideales. Los axiomas son
proposiciones asumidas como ciertas y no demostradas dentro del marco de una teora
concreta. Las restantes proposiciones de la teora son deducidas de modo puramente lgico
a partir de los axiomas adoptados. En la evolucin de la ciencia matemtica, la formulacin
de axiomas, es decir, supuestos fundamentales, a partir de los cuales se desarrolla una teora
extensiva no constituye una etapa inicial; por el contrario, es el resultado de un prolongado
periodo de acumulacin de hechos y anlisis lgicos de los resultados obtenidos, con el
nimo de clarificar los hechos primarios bsicos (Gnedenko).
El planteamiento axiomtico de Kolmogorov presenta la limitacin de no proporcionar un

mtodo prctico de obtencin de probabilidades de sucesos en el mundo real. Para salvar
esta importante limitacin Kolmogorov establece la conexin del modelo matemtico con
el mundo real recurriendo a la base emprica de la teora frecuentista, al considerar que si
un experimento aleatorio se repite gran nmero de veces la frecuencia relativa de un suceso
diferir ligeramente de la probabilidad del suceso. En palabras de Fisz, la axiomtica del
clculo de probabilidades es la formalizacin de ciertas regularidades en las frecuencias
relativas del acaecimiento de un suceso aleatorio (conocimiento intuitivo), regularidad
observada a travs de largas series Pgina 45 | Inicio del artculode ensayos realizados
bajo condiciones constantes. En esta lnea de contrapartida emprica Kolmogorov
considera, adems, que si la probabilidad de un suceso es muy pequea en cada realizacin
del experimento el suceso se puede conjeturar que no ocurrir, denominndose este
planteamiento ley del azar, deducida del comportamiento del mundo real.
1.7.2. LGEBRA DE SUCESOS
En el experimento del dado el espacio muestral es el conjunto {1,2,3,4,5,6}, pudiendo

plantear el experimentador preguntas como: qu probabilidad hay de obtener el nmero 5
en una tirada? En la pregunta el suceso es 5, uno de los sucesos elementales constitutivos
del espacio muestral . Sin embargo, existen otras muchas preguntas en las que se formulan
sucesos compuestos, como la obtencin de: {nmero par}, {nmero distinto de 5),
{cualquier nmero del 1 al 6}, {ningn nmero del 1 al 6}, etc. Todos estos sucesos
compuestos tienen un denominador comn: no figuran especficamente en el espacio
muestral E procediendo, no obstante, de los elementos constitutivos de E pues, como
vimos, son subconjuntos del espacio muestral. Esto tiene como consecuencia que el nmero
de sucesos que pueden plantearse en un experimento aleatorio es superior al de sucesos
elementales integrantes de E, y siendo generados desde E mediante las operaciones de
unin, interseccin y complementariedad, constituyendo todos ellos un nuevo conjunto con
estructura de lgebra . Dos ejemplos aclararn lo expuesto.
EJEMPLO El espacio muestral es E {blanco, azul, negro}, y el lgebra que puede

generarse a partir de l est integrada por los elementos
{},
{blanco}, {azul}, {negro},
{blanco, azul}, {blanco, negro}, {azul, negro},
{blanco, azul, negro}.
Si el espacio muestral E es igual a {1,2, 3,4}, el lgebra es
{}
{1}, (2), {3}, {4},
{1,2}, {1,3}, {1,4}, {2,3}, {2,4}, {3,4},
{1,2,3}, {1,2,4}, {1,3,4}, {2,3,4},
{1,2,3,4}.
El significado de estos sucesos es claro, por ejemplo, {3} indica que el resultado del
experimento sea el nmero 3, {2, 4} que salga nmero par, {2, 3, 4} no obtener el nmero
1, {} que no resulte ningn nmero (suceso imposible), {1, 2, 3, 4} que salga cualquier
nmero (suceso cierto), etc.
Lo anterior puede formalizarse de la siguiente manera: sea E el espacio muestral integrado

por sucesos elementales. Sea A una coleccin de subconjun-tos de i?, llamados sucesos
aleatorios, cumplindose las siguientes condiciones:
1. El espacio muestral E pertenece a A.

2. Si un suceso S pertenece a A tambin pertenece su complementario 5*.
Consecuencia de sto es la pertenencia de E* a la coleccin A, es decir, el conjunto
vaco, .
3. Si S1 y S2 son dos subconjuntos de A su unin, S1 S2, pertenece a A y, por las
Leyes de Morgan, tambin su interseccin, S1 S2.
La coleccin de sucesos que cumple las tres condiciones se denomina lgebra de Boole,
siendo extendible a un nmero finito de sucesos, sin ms que reiterar las operaciones de
unin e interseccin.
Si en vez de tener n sucesos tenemos una sucesin numerable, S1 , Sn,, perteneciente a
E, entonces Si tambin pertenece a A, la coleccin recibe el nombre de -

lgebra, que representamos por , y recoge todos los posibles sucesos de un experimento
aleatorio. Al par (E, ) se le da el nombre de espacio probabilizable o medible.
Mediante dos ejemplos de espacio probabilizable (E, ) podemos apreciar con claridad la
formacin de una a-lgebra Q de sucesos a partir de los Pgina 47 | Inicio del
artculoelementos del espacio muestra E. En el primer caso tenemos el espacio muestra E =
{ 1,2, 3} y como -lgebra de inters la -lgebra completa que puede generarse desde
l.
En el segundo ejemplo hemos elegido como -lgebra de inters el nmero de caras

resultante de arrojar una moneda dos veces.
1.7.3. AXIOMTICA DE KOLMOGOROV
El sistema axiomtico de Kolmogorov consta de tres axiomas:
Axioma 1. Si S es un elemento de una -lgebra, , existe un nmero P(S) 0,

denominado probabilidad del suceso S.
Axioma 2. P(E) = 1.
Axioma 3. Dada una sucesin numerable de sucesos Si Sn , disjuntos dos a dos, Si Sj
= , se verifica que
La tripleta (E, , P) se conoce como espacio de probabilidad.
Ampliamos el doble ejemplo de espacio probabilizable (E, ) para disponer del espacio de
probabilidad (E , P).
En el primer caso, probabilizamos (E, ) suponiendo que P(l) = 3/12, P(2) = 4/12 y P (3) =
5/12.
En el segundo ejemplo, se supone que P(c) = P(+) = 1/2
Aunque se acepta sin demostracin la verdad de los axiomas es preciso justificar su

adopcin cosa que, en el caso de la probabilidad, se lleva a cabo tomando en consideracin
la realidad que pretenden formalizar, expuesta por las teoras clsica y frecuentista. Los dos
primeros axiomas tienen una Pgina 49 | Inicio del artculojustificacin inmediata
recurriendo a estas teoras, no as el tercero pues en el mundo real slo se encuentran
sucesiones finitas de sucesos, no infinitas; sin embargo, su adopcin es importante en el
plano terico. Como han puesto de manifiesto tanto la teora clsica como la frecuentista la
probabilidad no ha de ser negativa, la probabilidad del suceso seguro es igual a la unidad, y
dado un nmero finito de sucesos disjuntos la probabilidad de su unin debe ser igual a la
suma de las probabilidades respectivas. La axiomtica de Kolmogorov incorpora, de una
forma u otra, estas tres cuestiones.
1.8 TEOREMAS DEL CLCULO DE

PROBABILIDADES
A partir de la axiomtica de Kolmogorov deduciremos una serie de teoremas que explican
la estructura del clculo de probabilidades. En la a-lgebra que contiene todos los posibles
sucesos, elementales y compuestos, que podemos plantear en un experimento aleatorio, hay
dos especialmente importantes: el suceso cierto {E} y el imposible {}. Por el 2. Axioma
de Kolmogorov aceptamos que P(E) = 1, no obstante, nada explcito dice sobre P(), por lo
cual determinaremos su valor (teorema 1).
El 3.er Axioma se refiere a una sucesin numerable de sucesos disjuntos dos a dos. Ahora
bien, en el mundo real no existe el infinito sino finitos tan grandes como deseemos, pero
siempre finitos. Ante sto, es preciso trasladarse al mundo real y calcular la probabilidad de
la unin de un nmero finito de sucesos disjuntos dos a dos (teorema 2).
El teorema 2 presenta un fuerte limitacin: los sucesos involucrados en l son disjuntos dos
a dos. Evidentemente esta situacin es perfectamente concebible en la prctica, pero
tambin lo es la existencia de sucesos que no son disjuntos. A este problema responde el
teorema 3.
Hemos visto que la certidumbre que tenemos ante un suceso aleatorio puede ser mayor,
menor o igual que la de otro, pero no siempre igual. Esto supone que la probabilidad debe
responder al mismo esquema, demostrndose en el teorema 4.
La experiencia acumulada por las teoras clsica y frecuentista, dice que la probabilidad
est acotada, 0 P(S) 1. El Axioma 1 expone que la probabilidad Pgina 50 | Inicio del
artculono puede ser negativa (P(S) 0), cosa razonable; por otro lado, el Axioma 2
establece que la probabilidad del suceso cierto es la unidad, P(E) = 1, siendo preciso
demostrar que el planteamiento axiomtico, para ser coherente con la realidad que pretende
modelizar, admite la acotacin (teorema 5).
Por ltimo, entre los sucesos integrantes de la a-lgebra aparece el suceso complementario
de otro por lo que es necesario obtener su probabilidad (teorema 6).
TEOREMA 1. La probabilidad del suceso imposible es cero: P() = 0.
Sea una sucesin numerable de sucesos disjuntos S1 , Sn , iguales todos ellos al suceso
imposible (el vaco), Si = . Segn el tercer Axioma Por ser disjuntos

los sucesos . La unin de los sucesos Si todos el vaco, es igual al suceso imposible
(vaco), lo cual se deber
verificar que es decir, la suma de infinitas veces una cantidad debe ser
igual a esa cantidad, y sto slo es posible si P() = 0.
Si el teorema ha demostrado que la probabilidad del suceso imposible es cero no debe

deducirse que en la prctica si la probabilidad de un suceso es cero el suceso sea imposible,
pues cuando un suceso es muy raro su frecuencia observada es muy cercana a cero y por la
ley del azar ser muy difcil que ocurra y en un experimento concreto puede no aparecer,
por lo cual la frecuencia relativa ser cero lo que no implica, evidentemente, la
imposibilidad del suceso, sino su rareza.
En esta misma lnea debe interpretarse en la prctica el 2. Axioma, P(E) = 1. El espacio

muestral E es el suceso cierto, seguro, sin embargo, si la probabilidad de un suceso medida
por una frecuencia relativa concreta es la unidad, no podemos asegurar que el suceso sea
cierto, sino casi cierto.
TEOREMA 2. La probabilidad de la unin de n sucesos disjuntos, S1 , Sn, es igual a la

suma de las probabilidades:
Consideremos la sucesin numerable Si Sn, Sn+1, Sn+2, , siendo los sucesos Sn+1 = =
segn el tercer Axioma
pudiendo expresar el primer miembro de esta igualdad de la siguiente forma

de lo que se deduce que
y como los sucesos desde el (n + l)-simo son el suceso imposible () y su probabilidad es

cero (teorema 1), resulta
EJEMPLO Un dado est construido de tal forma que las probabilidades de sus
puntuaciones son P(l) = 0,1, P(2) = 0,2, P(3) = 0,3, P(4) = 0,01, P(5) = 0,02, P(6) = 0,37.
Calculamos la probabilidad que al arrojar el dado una vez el nmero sea par. El suceso
(par) tiene lugar cuando la puntuacin es 2 o 4 o 6, es decir, la unin de estos tres sucesos
disjuntos, por lo cual,
TEOREMA 3. La probabilidad de la unin de dos sucesos cualesquiera,
Como primer paso para la demostracin del teorema descomponemos el suceso unin de la
siguiente manera
siendo disjuntos los tres sucesos del segundo miembro y, por el segundo teorema,
El suceso S1 tiene lugar si aparecen los sucesos , es decir,
como los sucesos son disjuntos y
se deduce que
De manera anloga,
tomando probabilidades obtenemos
y sustituyendo [2] y [3] en [1] resulta
Para tres sucesos

Para n sucesos
TEOREMA 4. Si un suceso S1 est contenido en otro S (S1 S) se verifica que P(S1)

P(S).
Descomponemos el suceso S en la unin de dos sucesos disjuntos
y por el teorema 2
segn el Axioma 1. , por lo cual, si en la igualdad suprimimos la segunda

probabilidad queda . Como el suceso S1 est contenido en S se cumple
que
TEOREMA 5. La probabilidad de un suceso es menor o igual que la unidad:
Todo suceso S est contenido en el espacio muestral E, S E, por el teorema 4 P(S) P(E)
y, en virtud del Axioma 2, P(E) = 1, llegndose a que P(S) .
La importancia de este teorema radica en que, junto con el Axioma 1, acota la probabilidad
de un suceso, 0 P(S) 1, conclusin acorde con las teoras clsica y frecuentista.
TEOREMA 6. La probabilidad del suceso complementario, S*, de otro, S,
Por definicin de suceso complementario S S* = E, siendo los sucesos S y S* disjuntos,

deducindose que
por lo cual,
1.9 PROBABILIDAD CONDICIONAL

Consideremos las dos situaciones siguientes: acertar si la puntuacin resultante de arrojar
un dado perfecto es el nmero 2, o acertarla sabiendo que ha salido un nmero par. No cabe
duda que las dos situaciones son distintas en cuanto a nuestra certidumbre de ganar, pues
parece ms fcil lograrlo en la segunda que en la primera. Este planteamiento conduce a un
nuevo tipo de sucesos denominados condicionados, y de aqu a la probabilidad
condicional.
Supongamos que tenemos un dado ideal. La probabilidad de obtener una puntuacin igual a
2 es 1/6, por ser uno el nmero de caras favorables y seis el de posibles. Si sabemos que la
puntuacin salida es par, la probabilidad que resulte el 2 es igual a 1/3, por ser el nmero de
caras favorables uno (el 2) y el de posibles tres (2,4,6).
El diferente valor de la probabilidad en un caso y otro se debe en el segundo a la existencia

de informacin, saber que ha salido un nmero par, frente al primero en el que no la hay. El
efecto de la informacin se centra Pgina 55 | Inicio del artculoen el espacio muestral. Si
no existe informacin el espacio muestral es
y si existe (saber que el nmero salido es par) el espacio se reduce a
La presencia de informacin tiene como consecuencia la reduccin del espacio muestral:

los seis casos posibles se convierten en tres, por lo cual, la segunda probabilidad es 1/3 en
lugar de 1/6, pues el nmero de casos favorables permanece fijo, uno, la puntuacin 2. En
esta situacin, el conocimiento del suceso (par) condiciona, modifica, la probabilidad de
obtencin del suceso {nmero 2}, denominando al primero condicionante y al segundo
condicionado, y designndolo por {nmero 2/par). Establecida la existencia de los sucesos
condicionados pasamos a su estudio.
Dados dos sucesos S1 y S, el suceso Sl est condicionado por el suceso S si la probabilidad
que suceda S1 depende de que haya sucedido S, y la probabilidad condicional se define
como
siempre que P(S) > 0.
La justificacin emprica de la definicin es la siguiente: en el ejemplo, con el que hemos

iniciado este tema, cuando se sabe que el nmero resultante es par y siendo el nmero total
de casos tres y el de favorables uno, se llega a que P(2/par) = 1/3. Si dividimos numerador
y denominador por 6, nmero total de casos cuando no se ha tenido en cuenta ninguna
informacin, en el numerador resulta 1/6 y en el denominador 3/6, fracciones con
significado muy concreto pues corresponden, respectivamente, a la probabilidad de que
simultneamente aparezcan los sucesos {par} y {2}, P(par l2), y a la probabilidad de
obtener {par} sin imponer condicin alguna, por lo cual la probabilidad de obtener 2
condicionado a que se haya obtenido {par} puede expresarse como
es decir, el cociente entre la probabilidad de la interseccin de los sucesos {par} y [2), y la

probabilidad del suceso condicionante, P(par).
De la misma forma que en el caso de la probabilidad no condicional partamos de un

espacio muestral E, que generaba una -lgebra , siendo el par (E, ) el espacio
probabilizable o medible, y llegando al espacio de probabilidad (E, , P) al probabilizar
mediante P, ahora en la probabilidad condicional encontramos una situacin similar.
Hemos visto que la consecuencia que tiene disponer de la informacin proporcionada por el
conocimiento de la presencia del suceso S, radica en la modificacin del espacio muestral
E, dando lugar a un nuevo espacio muestral Es = E S = S. Este espacio muestral genera, a
su vez, una nueva a-lgebra fis = s = S y teniendo, por ltimo, una nueva
probabilidad sobre s, que denominaremos Ps, el espacio de probabilidad resultante es (S,
s, Ps), siempre que P(S) > 0.
La expresin P(S1/S) es la definicin de algo que pretendemos sea una probabilidad y para
que efectivamente sea una probabilidad debe cumplir los tres axiomas de Kolmogorov:
Axioma 1. P(S1/S) 0.
Axioma 2. P(E/S) = 1.
Axioma 3. Dada una sucesin numerable de sucesos S1/S,, Sn/S, disjuntos dos a dos,
, se verifica que
El cumplimiento de los tres axiomas se demuestra a continuacin.
Segn la definicin de probabilidad condicional
y, por el Axioma 1, , verificndose que P(S1/S) 0.
Por la propiedad distributiva,
luego,
La definicin de probabilidad condicional se extiende, fcilmente, a ms de dos sucesos.
Por ejemplo para tres, S1, S2 y S3, podemos establecer los siguientes casos condicionales:
adems de {S1/S2}, {S1S3}, etc.
Aplicando directamente la definicin de probabilidad condicional tenemos sus

probabilidades
TEOREMA. (Regla de la multiplicacin)
Dados n sucesos S1, , Sn, se verifica
Demostraremos el teorema por induccin. Comenzamos con dos sucesos S1 y S2 y, segn la

definicin de probabilidad condicional,
de aqu se deduce que
Pasamos a tres sucesos S1, S2 y S3

Suponemos que se cumple para n1 sucesos, en cuyo caso,
A partir de aqu demostramos que la regla se cumple para n sucesos
operando
TEOREMA. {Teorema de la probabilidad total)
Dados un suceso A y n sucesos, S1, , Sn, disjuntos dos a dos, tales que
(no disjuntos) se verifica
Para la demostracin de este teorema, descomponemos el suceso A de la siguiente forma

Tomando probabilidades
por el segundo teorema, y teniendo en cuenta que, por hiptesis, , ser

, por lo que los sucesos {A Si] sern disjuntos entre s, y por el
teorema 2
Segn la definicin de probabilidad condicional
resultando
El teorema puede extenderse a una sucesin numerable de sucesos disjuntos, recurriendo

para ello al tercer Axioma en vez de al segundo teorema.
TEOREMA. (Teorema de Bayes)
Sean n sucesos Si, P(Si) > disjuntos dos a dos, otro suceso A, P(A) > 0, tal que
(no disjuntos) y siendo conocidas lasprobabilidades de {A/Si). Se verifica

baabilidades de [A/Si). Se verifica
Por definicin de probabilidad condicional
En las dos igualdades, la probabilidad de la interseccin de los sucesos A y S es la misma,

permitiendo escribir
despejando P(Si/A) en la ltima igualdad, resulta que
y por el teorema de la probabilidad total
resultando
Como en el teorema de la probabilidad total, la generalizacin del teorema de Bayes es

inmediata para un nmero infinito de sucesos Si.
La probabilidad P(S) se denomina probabilidad priori,P(Si/A) probabilidad a posteriori,

o de las hiptesis y P(A/Si) verosimilitud.
1.10 INDEPENDENCIA DE SUCESOS

El concepto de independencia de sucesos se presenta mediante el siguiente ejemplo.
Consideremos una bolsa con 10 bolas, 8 blancas y 2 negras, indistinguibles
Pgina 61 | Inicio del artculoentre s excepto por el color. Se extraen consecutivamente
dos bolas y queremos determinar la probabilidad de que la segunda sea blanca.
Para contestar a esta pregunta debemos diferenciar los dos procedimientos de extraccin:
con reemplazamiento y sin reemplazamiento. La extraccin es con reemplazamiento
cuando obtenida una bola vuelve a la bolsa, y sin reemplazamiento cuando queda fuera.
Analicemos las consecuencias de seguir una u otra forma de extraccin en el clculo de la
probabilidad buscada.
Cuando la extraccin se lleva a cabo con reemplazamiento antes de la primera extraccin

tenemos un espacio muestral formado por 10 bolas, 8 blancas y 2 negras, sacamos una bola
y la devolvemos, en este momento, el espacio muestral es de 10 bolas, 8 blancas y 2 negras,
como al principio, el espacio no ha cambiado, la probabilidad de obtener en la segunda
extraccin bola blanca es 8/10, lo mismo que si lo hubiramos planteado en la primera.
Siguiendo el procedimiento de extraccin sin reemplazamiento la primera bola queda fuera,

originando un nuevo espacio muestral, pues ahora hay 9 bolas. Si la primera bola hubiera
sido blanca, la composicin de la bolsa sera de 7 bolas blancas y 2 negras y la probabilidad
de obtener ahora bola blanca igual a 7/9. Si, por el contrario, la bola apartada fuera negra la
composicin de la bolsa pasa a ser de 8 bolas blancas y 1 negra, y la probabilidad de bola
blanca 8/9.
En resumen, en cualquiera de estos dos ltimos casos, cuando la extraccin se realiza sin
reemplazamiento, la probabilidad de obtener bola blanca (7/9 u 8/9) es distinta de la
calculada cuando hay reemplazamiento (8/10), concluyendo que el procedimiento de
extraccin conduce a que las probabilidades sean distintas. En esta situacin, decimos que
en la extraccin con reemplazamiento los sucesos considerados son independientes y en el
segundo (sin reemplazamiento) no son independientes, son condicionados, la primera
extraccin condiciona, modifica, la probabilidad de la segunda.
Pasando del ejemplo a la exposicin general, cuando un suceso Sx est condicionado por
otro suceso S la probabilidad del primero depende de que haya tenido lugar el segundo que,
en trminos de probabilidad condicional, podemos expresarla como P(S1) P(S1/S),
siempre que P(S) > 0; por el contrario, si el suceso Sj no est condicionado por el suceso S
la probabilidad de S1 no depender de que haya tenido lugar S y diremos que los dos
Pgina 62 | Inicio del artculosucesos son independientes, verificndose que P(S1) =
P(S1/S), al no influir S. En estas circunstancias
por tanto,
condicin que deben cumplir los dos sucesos para ser independientes, as como la inversa,
esto es, si dos sucesos son independientes se verificar
ya que entonces
Cuando en la condicin de independencia interviene la probabilidad condicional, P(S1/S),

es preciso que se cumpla que P(S) > 0, mientras que no es necesario cuando la condicin es
.
En trminos de frecuencias, la igualdad P(S1S) = P(S1) se interpreta afirmando que la

frecuencia relativa del suceso S1 es la misma en el espacio muestral inicial que en el
modificado al introducir la condicin S. Lo comprobaremos en el ejemplo siguiente.
EJEMPLO
Un juego consiste en arrojar simultneamente una moneda y un dado, ideales, y se gana

cuando se obtiene la puntuacin 2 en el dado. Vamos a comprobar que los sucesos en los
que estn implicados la moneda y el dado son independientes.
SOLUCIN
El espacio muestral es el producto cartesiano de moneda, (cara, cruz} y dado (1,2,3,4,5,6):
1 2 3 4 5 6
cara (c) c1 c2 c3 c4 c5 c6
cruz (+) +1 +2 +3 +4 +5 +6
El suceso {2}, por ejemplo, es igual a {c2} U {+2}, siendo estos dos sucesos disjuntos, por
lo que P(2)=P(c2) + P(+2)=2/12=1/6. Si calculamos la probabilidad del suceso
condicionado
verificndose que P(2)=P(2/c). Si repetimos el clculo para todos los posibles sucesos
vemos que se verifica la independencia de las puntuaciones de la moneda y el dado.
En el caso de tres sucesos (Sl, S2 y S3) para que sean mutuamente (o simultneamente)
independientes la condicin es ms compleja, pues han de cumplirse las cuatro siguientes:
El cumplimiento de las tres primeras condiciones no implica el de la cuarta, recibiendo los

sucesos que cumplen aquellas el nombre de independientes dos a dos. Mediante el
ejemplo siguiente veremos un caso donde tiene lugar esta excepcin.
EJEMPLO
Tenemos tres nmeros (1, 2, 3) y construimos el siguiente espacio muestral E
{1,1,1} {2,2,2} {3,3,3}

{1,2,3} {2,3,1} {3,2,1}
{1,3,2} {2,1,3} {3,1,2}
La probabilidad de elegir un elemento cualquiera de E es P(Si) = 1/9. Consideramos tres

sucesos, A1, A2 y A3, siendo:
A1={que un nmero 1 ocupe la 1.a posicin en cada elemento de E]

=={1,1,1}U{1,2,3}U{1,3,2}
A2 = {que un nmero 1 ocupe la 2.a posicin en cada elemento de E]

=={1,1,1}U{2,1,3}U{3,1,2}
A3={que un numero 1 ocupe la 3.a posicion en cada elemento de E}=

={1,1,1}U{2,3,1}U{3,2,1}.
Las probabilidades de estos sucesos son
p(A1 = P(A2)=P(A3)=3/9=1/3.
Consideramos, ahora, las probabilidades de las tres posibles intersecciones dos a dos de los
tres sucesos A1, A2 y A3:
Las probabilidades son
En cualquiera de estos tres casos, vemos que
resultado que indica que los tres sucesos A1 A2 y A3 son independientes dos a dos.
Ahora bien, si consideramos el suceso su probabilidad es
mintras que
y, por tanto, los sucesos A1 A2 y A3 no son mutuamente independientes.
La generalizacin del concepto de independencia a un nmero de sucesos finito o infinito

numerable es la siguiente: los sucesos S1,, Sn son mutuamente independientes si dados los
subndices tales que se cumple
Si el nmero de sucesos es infinito numerable los sucesos S son independientes si para n =

2,3,, los n sucesos S son independientes.

Demostraremos, a continuacin, consecuencias de la independencia de dos sucesos. Si los
sucesos S1 y S2 son independientes, los sucesos son
independientes dos a dos.
Para que los sucesos sean independientes se deber verificar que
El suceso
siendo los dos sucesos del primer miembro disjuntos, por tanto,
en las ltimas igualdades tenemos que

por ser
independientes. Operando en la ltima igualdad, resulta
derivndose de aqu que los sucesos S1 y S* son independientes.
De forma similar se demuestra la independencia de los sucesos
son independientes
Es preciso demostrar que
Por las leyes de Morgan, el suceso es igual a y tomando probabilidades

conclusin que indica la independencia de los sucesos
1.11 PROBABILIDAD lGICA

Para los seguidores de las concepciones clsica y frecuencista, la probabilidad es una
propiedad objeto de los fenmenos o experimentos aleatorios puesto que la probabilidad es
una caracterstica intrnseca ms (como el peso, la longitud, la densidad, etc.) de los sucesos
alternativos en que pueden plasmarse estos fenmenos.
Sin embargo, para los que introducen y defienden el punto de vista logicis-ta de la
probabilidad, entre los que cabra destacar a Keynes (1921), Jeffreys (1939) y Carnap
(1969), la probabilidad es un elemento propio del metalen-guaje de la Ciencia, es decir, la
probabilidad es una parte de la Lgica.
Segn los logicistas, la probabilidad como grado de creencia racional asociado a cada
proposicin o grupo de proposiciones, es una consecuencia que se desprende del diferente
grado de implicacin que pueda establecerse entre grupos de proposiciones o enunciados.
La probabilidad est directamente relacionada con el cuerpo de evidencia existente,
pudiendo variar con ste, de manera que los trminos cierto y probable describen
diversos grados de creencia racional en una proposicin, aunque a posteriori, la evidencia
har que las proposiciones sean simplemente verdaderas o falsas.
Para comprender mejor el sentido de la probabilidad lgica, partamos, como ejemplo, de

un silogismo donde las premisas iniciales sean:
A1 Todos los perros ladran
A2 Pluto es un perro
y la permisa final o conclusin:
B Luego Pluto ladra
En este caso, las premisas A1 y A2 llevan necesariamente, es decir, con absoluta certeza, a la
conclusin B9 por lo que, el grado de implicacin entre ellas ser total. En este caso, los
logicistas dicen que la probabilidad lgica es igual a la unidad, pues otorgan el mismo
campo de variacin a su medida de probabilidad (0 P 1), asimilando P = 1 con la
situacin de certeza.
Por el contrario, cuando la afirmacin de las premisas iniciales conducen al no

cumplimiento de la conclusin y, por lo tanto, sta es imposible, la probabilidad asignada
es cero.
Pero hay muchos otros casos, en nuestras construcciones lgicas, donde el grado de
implicacin no toma ninguno de estos dos valores extremos, sino que se sita en algn
punto del continuo que existe entre cero y uno.
Consideremos un ejemplo de esta categora, donde las premisas iniciales fueran:
A1 Siempre que llueve est nublado
A2 Hoy est nublado
y la premisa final o conclusin:
B Luego hoy llover
Observamos que ahora no existe certeza (o imposibilidad) en la implicacin de B respecto a

los enunciados A1 y A2, sino un cierto grado de creencia racional que depende de la
evidencia anterior, para que, dadas esas premisas iniciales, se produzca la conclusin
contenida en B.
Este grado de implicacin, de concatenacin lgica entre premisas iniciales y conclusiones,

(como de cualquier proposicin), se puede representar por P, siendo precisamente P el
grado de creencia racional a que aludamos o, si se quiere, el nivel de probabilidad lgica.
Bajo este planteamiento bsico, surge de forma inmediata, el problema de la

mensurabilidad de la probabilidad P. Keynes mantena que los grados de creencia no
siempre pueden fijarse numricamente, es decir, no siempre son cuantificables, bien por
falta de conocimiento o evidencia suficiente sobre la relacin que pudiera existir entre las
premisas o en las proposiciones, bien por la imposibilidad de establecer el conjunto
completo de alternativas posibles que permitieron aplicar el principio de razn
insuficiente , al que Keynes llam principio de indiferencia.
En este sentido, si fuera posible la enumeracin y delimitacin de estas alternativas, si son

finitas y forman una clase completa, se podra aplicar Pgina 68 | Inicio del artculoeste
principio de indiferencia segn el cul, por ejemplo, si no tuviramos ms razones para
pensar que existe vida animal en Venus de las que nos llevaran a mantener que no existe
ese tipo de vida en el planeta vecino, la probabilidad de cada una de estas dos proposiciones
alternativas sera 1/2.
Precisamente el abuso de la aplicacin del principio de indiferencia y la dificultad,

reconocida por el mismo Keynes, para poder medir en muchas ocasiones la probabilidad
lgica, han sido los puntos donde se han centrado las crticas a este enfoque
conceptualizador de la probabilidad.
1.12 PROBABILIDAD SUBJETIVA

Los orgenes de la concepcin subjetivista de la probabilidad pueden encontrarse en
Bernoulli, Bayes y Laplace, aunque sus exponentes modernos son Ramsey (1931), De
Finetti (1937) y Savage (1954), principalmente.
Bajo este enfoque, el concepto de probabilidad hace referencia a la impresin que cada
persona tiene acerca de la posible ocurrencia o no de un suceso en un momento concreto; es
decir, la probabilidad subjetiva, tambin llamada personalista, no es una propiedad fsica
de los fenmenos, sino que expresa el grado de creencia personal que cada individuo
tiene acerca del resultado de un fenmeno aleatorio, estando relacionada con las
preferencias que ese individuo tenga, en cada momento, entre las diferentes alternativas
posibles que se le puedan presentar y con la experiencia personal que haya acumulado, la
cual, indudablemente, afectar al modo de valorar cualquier situacin.
La concepcin subjetiva o personalista de la probabilidad mantiene que la probabilidad

revela el nivel de seguridad que cada individuo posee sobre la verdad de una cierta
proposicin y, por tanto, esta probabilidad puede variar entre diferentes personas e, incluso,
para una misma persona en momentos distintos.
El procedimiento de asignacin de valores numricos a los grados de creencia personal

(probabilidad subjetiva) fue aportado por De Finetti y perfeccionado, posteriormente, por
Savage. Segn estos autores, el nivel de Pgina 69 | Inicio del artculoprobabilidad
atribuido por un individuo a un suceso revelara las condiciones bajo las cuales estara
dispuesto a apostar por dicho suceso, siempre que esta apuesta se realice bajo los principios
de consistencia y de racionalidad o coherencia, que analizamos a continuacin:
El principio de consistencia conduce a que si la situacin Sx es ms probable que la S2,

y sta, a su vez, es ms probable que S3, entonces Sx ser ms probable que S3. Es decir, la
ordenacin de los sucesos por sus diferentes grados de creencia personal tiene la propiedad
transitiva.
El principio de racionalidad o coherencia se traduce en que, si representamos por X la

apuesta que un individuo estara dispuesto a realizar por el suceso S y por Y el premio que
recibira en caso de acertar, la probabilidad subjetiva de S podra definirse por:
siempre y cuando , es decir, que la apuesta, X, nunca ser mayor que el posible
premio, Y, que pueda recibirse.
Junto a estos principios, los subjetivistas aaden el de intercambiabi-lidad segn el cual

el grado de creencia conjunta de una sucesin de apuestas S1, S2,, Sn es siempre el mismo
sea cual sea la secuencia en que stos se produzcan, es decir,
Veamos ahora las implicaciones que se derivan del principio de racionalidad o coherencia:
Supongamos tres sucesos Sl S2 y S3, disjuntos entre s, tales que su unin sea el espacio
muestral formando, pues, una particin de este espacio, es decir:
En principio, supongamos que las probabilidades subjetivas para cada suceso, aplicando el
principio de coherencia, son:
Definamos ahora como ganancia de un suceso lo que se obtendra como resultado de que
ese suceso se diera, es decir:
Ganancia (Si)= Premio (Si)(conjunto de apuestas que el individuo realiza sobre cada
suceso posible)
Por tanto, para los distintos sucesos del espacio E que consideramos, tendremos:
pero dado que

se obtiene
es decir
Si en este sistema de ecuaciones, se consideran los premios Y1, Y2 e Y3 como incgnitas, el

correspondiente determinante de la matriz de coeficientes es:
En el caso que A 0, el sistema de ecuaciones es compatible determinado por lo que habr

alguna solucin con esos coeficientes, que dependen de Pgina 71 | Inicio del
artculoP(Si), donde todas las ganancias g(5z) sern positivas (o todas negativas) lo que
contradice la coherencia y esencia misma de todo juego, pues no siempre gana todo el
mundo que juega o pierden todos sino que, por el contrario, unos ganan y otros pierden.
Entonces, dado que si A 0, se admitira la posibilidad anteriormente sealada que todas
las ganancias podran ser positivas (o negativas), ser necesario que el sistema sea
incompatible para que sea imposible que se den estos casos.
El razonamiento lleva a la necesidad del cumplimiento de la condicin =0, es decir,
o, lo que es lo mismo, ser necesario que:

Para comprobar que esta condicin tambin es suficiente tendremos que verificar que si se
cumple [2] no todas las ganancias podrn ser del mismo signo.
En efecto, a partir del sistema de ecuaciones [1] podemos calcular:
pues la condicin [2] hace que el primer factor del segundo miembro de esta igualdad sea
nulo y, por tanto, dado que los coeficientes , las

tres ganancias no pueden ser del mismo signo puesto que, como expusimos, se tiene que
cumplir:
no teniendo sentido la solucin trivial g(S) = 0 en las tres apuestas, puesto que en todo
juego alguien ganar (o perder) pero no ocurrir que nadie gane nada.
Este procedimiento para la asignacin de probabilidades subjetiva genera un sistema de

probabilidades que cumplen la axiomtica de Kolmogorov, segn veremos a continuacin.
Cumplimiento del Axioma 1
Dado que entonces, como sealamos,
Cumplimiento del Axioma 3 o de aditividad
Si un espacio muestral E est formado por tres sucesos Sl, S2 y S3, tales que
siendo los sucesos disjuntos, la condicin necesaria y suficiente de
racionalidad o coherencia lleva, como vimos, a que:
y aplicada a los sucesos supondra que
con lo que la propiedad de aditividad se deduce al cumplirse que
Cumplimiento del Axioma 2
Por el Axioma anterior
y como entonces P(E) = 1.
Por ltimo, recordemos que para los subjetivistas, el grado de creencia personal o
probabilidad subjetiva est estrechamente relacionado con la experiencia que cada
individuo haya acumulado o de la informacin de que disponga, y que estos grados de
creencia pueden modificarse y variar la valoracin de la probabilidad de un determinado
suceso.
En este sentido, el teorema de Bayes permite evaluar en qu forma se modifican estas

probabilidades iniciales o a priori, en funcin de la informacin adicional de que se
disponga. Las nuevas evaluaciones de la probabilidad que incorpora esa informacin
adicional se denominan probabilidades a Pgina 73 | Inicio del artculoposteriori, y pueden
obtenerse a travs del citado teorema de Bayes, pues
donde P(S/) es la probabilidad a priori del suceso Si, y P(Si/A) la probabilidad a posteriori,
siendo P(A/S) la verosimilitud que implica la informacin A bajo la condicin de que
aconteciera el suceso S.
La aportacin de Bayes se configura, para los subjetivistas, como el eje de transmisin en la

modificacin sucesiva de la probabilidad segn se va disponiendo cada vez de ms
informacin; de tal manera es as, que la corriente que ha desarrollado las ideas iniciales de
los subjetivistas se denomina bayesiana, y el conjunto de sus aportaciones se identifican
bajo la denominacin de estadstica bayesianaj.

Ejercicios resueltos
Ejercicio 1.1
Sea un espacio muestral E formado por los sucesos S1 S2 y S3 tales que
donde
Verifiqese si en este espacio estn bien definidas las probabilidades.
SOLUCION
Podemos, con la informacin disponible, estudiar el cumplimiento de los Axiomas 1 y 2 de

Kolmogorov, es decir, si toda
Respecto a P(S) 0, comprobamos que las tres probabilidades son no negativas.
Sin embargo, en relacin al Axioma P(E) = 1, tenemos que como
ya que son disjuntos, segn indica el enunciado, puede aplicarse al teorema 2.
Al ser P(E) 1, no est bien definido el espacio de probabilidad sobre E.
Ejercicio 1.2
Verifiqese que la ley definida por

siendo todos los sucesos S que forman el espacio muestral E disjuntos entre s, es una
I verdadera ley de probabilidad.
SOLUCIN
En efecto,
y por tanto,
pero, por el binomio de Newton
y haciendo a = b = 1
con lo que
Ejercicio 1.3
Dados los comportamientos elementales disjuntos S que forman el espacio muestral E

tales que:
Determnese:
(a) El valor de k para que la ley definida sea una verdadera ley de probabilidad.
(b) La probabilidad del suceso S4.
SOLUCIN
(a) Sabemos que
luego
donde k = 55 y, por tanto,
(b) En este caso:
Ejercicio 1.4
Se sabe que
SOLUCIN
(a) Por definicin de probabilidad condicional
(b) Anlogamente
El suceso B se pueden formar por la unin de los dos siguientes sucesos disjuntos
con lo que
y, por tanto,
entonces
Tambin podramos haber tenido en cuenta que los sucesos A/B y A*/B son
complementarios con lo cual
Ejercicio 1.5
Demustrese que si B A entonces
En efecto
pero como B A entonces P(A B) = P(B), con lo que,
y como la probabilidad de un suceso no puede ser mayor que la unidad,
Ejercicio 1.6
De una baraja perfecta de 40 cartas se reparten al azar cuatro. Calclense las

probabilidades de los siguientes sucesos:
Cuatro ases.
Cuatro cartas iguales.
Las cuatro cartas de igual palo.
Al menos una sota.
SOLUCIN
(a) Cuatro ases
Como se supone que la baraja es perfecta podemos aplicar la teora clsica. El nmero de
casos favorables es 1, pues slo hay cuatro ases en la baraja. El nmero total de casos es el
de combinaciones de 40 cartas tomadas de 4 en 4, C40,4, cifra igual a 91390, por lo cual
(b) Cuatro cartas iguales
En la baraja de 40 cartas hay 10 tipos de cartas distintas por lo cual el suceso {cuatro cartas
iguales) se puede presentar de 10 formas (nmero de casos favorables). El nmero total de
casos es el mismo del apartado anterior (91 390), y la probabilidad resulta
(c) Cuatro cartas de igual palo
En una baraja hay 4 palos. Con 10 cartas de cada palo se pueden formar C10 > 4=210
grupos de cuatro cartas, al haber cuatro palos en la baraja el nmero de cuatro cartas de
igual palo es 4 210=840 y, como el nmero total de casos es 91 390, la probabilidad
buscada es igual a
(d) Al menos una sota
El suceso {al menos una sota) tiene lugar cuando en las cuatro cartas hay
y al ser los sucesos disjuntos
P(al menos una sota)=P(l sota) + P(2 sotas) + P(3 sotas) + P(4 sotas).
Calculamos, a continuacin, cada una de las cuatro probabilidades del segundo miembro de
la igualdad anterior.
P(l sota)
Para que haya 1 sota entre las cuatro cartas las otras tres no pueden ser sotas y, por tanto,
habr que tener en cuenta todos los grupos de tres cartas de entre las 36 restantes (36 por
haberse excluido de las 40 cartas las 4 sotas), nmero igual a C36,3=7 140 grupos. Como
hay 4 sotas se pueden formar 4 7 140=28 560 grupos de 4 cartas con 1 sota, y la
probabilidad del suceso {1 sota)
P(2 sotas)
Si tienen que figurar dos sotas las otras dos cartas no pueden serlo, por lo que tendr que
ser uno de los grupos de 2 cartas que pueden formarse con 36, excluyendo las cuatro sotas:
C362=630. Con 4 sotas hay C4 > 2=6 parejas distintas, y el nmero de casos favorables
resulta 6 630=3 780, por lo cual,
P(3 sotas)
Al deber figurar en las cuatro cartas, tres sotas, la cuarta carta ha de ser distinta de ellas, es
decir, cualquiera de las 36 restantes (pues se excluyen las sotas), y como se pueden formar
C43=4 grupos de 3 sotas, el nmero de caso favorables es 4 36=144, y la probabilidad de
3 sotas resulta
P(4 sotas)
La probabilidad de obtener 4 sotas es la misma que la de tener 4 ases calculada en el primer

apartado de este ejercicio
Por todo lo anterior, la probabilidad del suceso {al menos una sota} es la suma de las cuatro
probabilidades halladas
Podemos calcular, de manera ms breve, la probabilidad planteada recurriendo al suceso
complementario de (al menos una sota}, que es [ninguna sota). El nmero de grupos de
cuatro cartas en los que no aparece ninguna sota {casos favorables} es C35,4=58905,
concluyendo que
Ejercicio 1.7
Si la probabilidad de comprar el peridico es P(D) = 0,3, la de una revista P(R) = 0,2 y

la de comprar ambos calclense las probabilidades de los sucesos
siguientes:
Comprar un peridico o una revista.

Comprar un peridico y no una revista.
Una revista y no un peridico.
No comprar un peridico y comprar una revista.
No comprar un peridico o no comprar una revista. (/) No comprar un
peridico y no comprar una revista.
SOLUCIN
(a) Comprar un peridico o una revista
El suceso {comprar un peridico o una revista} es la unin de los sucesos comprar un

peridico y comprar una revista, D R, Los sucesos D y R no son disjuntos pues su
interseccin no tiene probabilidad cero (0,08), por tanto,
(b) Comprar un peridico y no una revista

Este suceso es la diferencia de los sucesos D y R, DR
Sabemos que siendo disjuntos los dos sucesos del primer miembro, por
lo cual
(c) Comprar una revista y no un peridico
Diferencia de los sucesos R y D > RD
(d) No comprar un peridico y comprar una revista
al igual que en el caso anterior:

(e) No comprar un peridico o no comprar una revista
(f) No comprar un peridico o no comprar una revista
Ejercicio 1.8
Determnese la probabilidad de que al lanzar n veces dos dados se obtenga al menos
un seis doble.
Cuntos lanzamientos habra que realizar para tener probabilidad de 1/2 de obtener
al menos un seis doble?
SOLUCIN
En el lanzamiento simultneo de dos dados hay 36 comportamientos elementales de los

cuales uno de ellos es el seis doble.
Calcular la probabilidad del suceso (obtencin de al menos un seis doble en n

lanzamientos} es ms complicado que la del suceso [no obtencin de seis doble en n
lanzamientos) y como los sucesos son complementarios tenemos:
Por tanto,
P[obtencin de al menos un seis doble en n lanzamientos]
El nmero de lanzamientos que habr que realizar para tener una probabilidad igual a 1/2
de obtener al menos un seis doble se calcula de la ecuacin
Operando
que aproximamos por
n=25.
Ejercicio 1.9
Tenemos dos bolsas, la primera con 10 bolas, 7 blancas y 3 negras, la segunda con 9
bolas, 3 blancas y 6 negras.
Se extrae al azar una bola de la primera bolsa y se pasa a la segunda. De esta bolsa,
tambin al azar, se saca una bola, calclese la probabilidad que esta bola sea blanca.
SOLUCIISh
En el diagrama siguiente tenemos las distintas maneras de llegar a la extraccin de la

segunda bola
En el diagrama se aprecia que hay dos caminos para obtener bola blanca en la segunda
extraccin, caminos que hay que tener en cuenta a la hora de calcular la probabilidad, pues
al final del experimento se puede llegar por uno u otro, sin saber de antemano cul tendr
lugar.
El diagrama, en trminos de sucesos, adopta la siguiente forma, siendo b la extraccin de

bola blanca en la /-sima extraccin, y anlogamente para n como bola negra
El suceso bola blanca en la segunda extraccin sin establecer condicin alguna (camino
seguido), {b2}, es igual a
pues se puede llegar a [b2] a travs de dos sucesos disjuntos, los del segundo miembro de la
igualdad, siendo su probabilidad
Teniendo en cuenta la Regla de la multiplicacin (teorema 7) las probabilidades de las

intersecciones de los sucesos son, en funcin de las probabilidades condicionales, camino
seguido,
por lo cual la probabilidad de extraer bola blanca, P(b2), es
Ejercicio 1.10
Sean tres urnas con las siguientes composiciones de bolas blancas y negras:
U1: [3 blancas y 2 negras]
U2: [4 blancas y 2 negras]

U3: [1 blanca y 4 negras]
Calclense:
Probabilidad de extraer bola blanca.

Probabilidad de que una bola negra que se ha extrado proceda de la segunda
urna.
SOLUCIN
(a) Suponemos inicialmente, puesto que nada indica lo contrario, que las tres urnas son
equiprobables:
Por el teorema de la probabilidad total:
P(blanca) =P(blanca/U1) P(U1 + P(blanca//U2) P(U2) + P(blanca/U3) P(U3) =
(b) Por el teorema de Bayes:
donde P(negra) se puede determinar, como antes en el caso de bola blanca, por el teorema
de la probabilidad total y, por tanto,
Tambin podamos haber obtenido la probabilidad del denominador como
p(negra)=1-p(blanca)=
Ejercicio 1.11
Un ladrn es perseguido por un coche de polica y al llegar a un determinado cruce se

encuentra tres posibles calles por las que huir (A, B y O, de tal manera que las dos
ltimas son tan estrechas que por ellas no cabe el coche de polica, si bien el ladrn va
tan nervioso que no es consciente de ello.
Si huye por la calle A le atrapan seguro puesto que el final de la misma est cortado
por otra patrulla de la polica. Si huye por la calle C se escapa seguro puesto que no
est vigilada. Si huye por la calle B se encuentra con que est cortada y que se bifurca
en dos callejuelas: la BA, que conduce a la calle A y la BC que lleva a la calle C.
Calclese:
Cul es la probabilidad de que el ladrn sea atrapado?

Sabiendo que escap, cul es la probabilidad de que huyera por la calle C
entrando por la B y llegando a la C por la callejuela que las une, BC?
SOLUCIN
El plano callejero que plantea el problema es el que se muestra en la pgina siguiente.
(a) P(atraparle) P(A) P(atraparle/A)= P(B) P(atraparle/B) + P(C) P(atraparle/C) Pero
P(atraparle/B)= P(BA) P(atraparle/BA) + P(BC) P(atraparle/BC) con lo que

P(atraparle)= P(A) P(atraparle/A) +
+ P(B) [P(BA) P(atraparle/BA) + P(BC) P(atraparle/BC)] +
+ P(C) P(atraparle/C) =
(b)
ya que
Ejercicio 1.12
En la entrada de una Facultad hay tres fotocopiadoras (A, B y C) cuyos porcentajes de

fallo son: 3 %, 5 % y 4 %, respectivamente.
Un alumno entra en la Facultad y, como las tres fotocopiadoras estn libres, elige una
al azar. Al llegar a clase observa que una fotocopia es defectuosa. Cul es la
probabilidad de que fuera hecha en la mquina B?
SOLUCION
El suceso {obtener una fotocopia defectuosa) puede darse bajo tres alternativas: {haber sido
hecha en la mquina A}, {haber sido hecha en la mquina B} o { haber sido hecha en la
mquina C], y la probabilidad pedida es la probabilidad de que, sabiendo que una fotocopia
result defectuosa, fuese realizada en la mquina B, segunda alternativa. Por el Teorema de
Bayes, sabemos que
donde la probabilidad de obtener una fotocopia defectuosa se puede expresar, por el
teorema de la probabilidad total, como
P(defectuosa)= P(A) P(defectuosa/A) + P(B) P(defectuosa/B) +
+ P(C) P(defectuosa/C) =
Por tanto,
Ejercicio 1.13
De tres sucesos A, B y C se sabe que son mutuamente independientes y que P(A) = 0,8,
P(B) = 0,7 y P(C)= 0,6. Calclense las probabilidades de los siguiente sucesos:
SOLUCIN
La independencia mutua supone el cumplimiento simultneo de las siguientes condiciones:
y las probabilidades de las intersecciones de los primeros miembros son

Podemos descomponer el suceso A de la siguiente forma:
Los sucesos del segundo miembro son disjuntos por lo cual,
La tercera probabilidad es
ya que los sucesos (A B) y (A C) no son disjuntos.

Por todo ello,
llegando a que
Podamos haber llegado a este resultado teniendo en cuenta que los sucesos A, B* y C* son
independientes, por lo cual,
Ejercicio 1.14
Sean A, B y C tres sucesos independientes. Demustrese que los sucesos (A B) y C

tambin lo son.
SOLUCIN
Dado que los sucesos A, B y C son independientes, se verifica que:
Por otra parte

y, por tanto, los sucesos y C son independientes.
Ejercicio 1.15
Una persona acepta una apuesta del orden de 10 a 3 sobre la posibilidad de ganar un
pgil en un combate de boxeo.
Determnese cul es la probabilidad que est asignando a este hecho.
SOLUCIN
Este tipo de relaciones se denomina ventaja relativa, ventaja, en ingls odd, pudindose
derivar de manera inmediata la probabilidad asociada al suceso en cuestin.
Si la relacin es de A a B, entonces, la ventaja es:
y la probabilidad asociada:
Por tanto, en este caso, la probabilidad que el apostante est asignando a su posibilidad de
ganar al aceptar la apuesta es:
Ejercicio 1.16,
En la Antigua Roma era popular el siguiente juego de tabas: se lanzaban 4 tabas y

aqul que sacaba perro perda, y pona una moneda en el plato comn y el que
sacaba Venus ganaba el fondo que se hubiera acumulado en dicho plato.
Cada taba tiene cuatro caras, dos anchas y dos estrechas numeradas del 1 al 4, cuyas
probabilidades eran:
La jugada perro consista en obtener dos caras anchas del tipo 1, en la tirada de
cuatro tabas. La jugada Venus, que era considerada como la menos probable, se
lograba cuando en las cuatro tabas aparecan las cuatro caras diferentes.
Estudese este juego comentando su diseo.
SOLUCIN
Comencemos analizando la jugada perro, la probabilidad de sacar perro con cuatro

tabas es igual a la probabilidad del suceso dos caras 1 y otras dos cualesquiera.
La probabilidad de sacar dos caras cualesquiera de los tipos 2, 3 o 4 en dos tabas es igual a
la siguiente:
P(2 caras cualquiera de los tipos 2, 3 o 4 en dos tabas) =
por tanto, la probabilidad de perro es:

Con este suceso se perda pues suponan que era el ms probable. Comprobemos que los
romanos tenan razn: si comparamos esta probabilidad con las de las secuencias:
el resto de situaciones son menos probables, ya que a1 no intervenir C1, suceso de mayor
probabilidad, los resultados de los clculos de las probabilidades en cuatro tabas sern
todava menores.
En lo que respecta a la jugada Venus que otorgaba el premio a1 considerarse la ms

difcil (menos probable) los romanos estaban equivocados. En efecto:
existiendo muchas jugadas menos probables como

NAGEL, E.: La estructura de la Ciencia. Ed. Paidos. Buenos Aires, 1974.
POPPER, K.: La lgica de la investigacin cientfica. Ed. Tecnos. Madrid. 1973.
Cuando no haya posibilidad de confusin, aludiremos nicamente al trmino suceso sin

adjetivo alguno.
Conocida, tambin, como probabilidad estadstica.
Llamado, tambin, fenmeno de masa.
O de la imposibilidad de los sistemas de juego.
El cociente del nmero de casos favorables entre los posibles en la teora clsica es, en
ltima instancia, la frecuencia relativa de los casos favorables, por lo cual podra inducir a
pensar, errneamente, que la teora frecuentista no es ms que una variante de la clsica.
Sin embargo, la diferencia fundamental que existe entre ellas es que en la teora clsica se
supone que todos los casos son equiposibles, mientras que en la frecuentista no se establece
ningn supuesto, pudindose aplicar a cualquier situacin repetitiva.
Otra axiomtica es la de Rao, equivalente a la de Kolmogorov (puede verse en QUE-

SADA).
La ley del azar es una de las piezas claves de la contrastacin de hiptesis.
Incluyendo el suceso vaco y el seguro.
Con este planteamiento seguimos el ejemplo, muy ilustrativo, utilizado por SPANOS.
Tambin conocido como frmula de Bayes o de las probabilidades de las hiptesis.
Cita de fuente (MLA 8th Edition)

Pliego Lpez, Javier Martn, and Luis Ruiz Maya Prez. "Probabilidad." Estadstica I:
Probabilidad, 2nd ed., Paraninfo, 2004, pp. 27-94. Gale Virtual Reference Library,
go.galegroup.com/ps/i.do?p=GVRL&sw=w&u=unad&v=2.1&id=GALE%7CCX40524000
06&it=r&asid=b039aa4c3b2b62b99f8129c3bb3ab609. Accessed 18 Feb. 2017.
Nmero de documento de Gale: GALE|CX4052400006
Ver otros artculos vinculados a estos trminos de ndice:
Los localizadores de pgina que refieren a este artculo no estn vinculados.
-lgebra
o 1: 46
o 1: 95
Aleatorio
o 1: 5
o 1: 27
o 1: 28
lgebra
o de Boole
1: 46
o de sucesos
1: 45
Axiomtica
o del clculo de probabilidades
1: 44
o de Kolmogorov
1: 47
Azar
o 1: 5
o 1: 28
o Ley del
1: 45
1: 50
BAYES
o 1: 19
o 1: 68
o Teorema de
1: 59
BERNOULLI
o 1: 11
o 1: 16
o 1: 18
o 1: 22
o 1: 68
o 1: 203
CARNAP
o 1: 66
Colectivo
o 1: 42
Conjunto vaco
o 1: 32
Definicin
o frecuentista de la probabilidad
1: 41
Determinista
o 1: 27
Diagrama(s) de Venn
o 1: 32
Diferencia
o simtrica
1: 35
de sucesos
1: 34
Equiprobabilidad
o 1: 39
Espacio
o de los comportamientos
1: 30
o medible
1: 46
1: 96
o muestral
1: 30
1: 95
o de probabilidad
1: 48
o probabilizable
1: 46
1: 96
Estabilidad de las frecuencias
o 1: 40
Estadstica
o bayesiana
1: 73
Experimento
o 1: 27
o aleatorio
1: 27
o determinista
1: 27
Extraccin
o con reemplazamiento
1: 61
o sin reemplazamiento
1: 61
Fenmeno
o de masa
1: 42
Frecuencias, estabilidad de las
o 1: 40
Grado
o de creencia
personal
1: 68
racional
1: 66
o de implicacin
1: 66
Hiptesis, probabilidades de las
o 1: 59
o 1: 60
Incertidumbre
o 1: 2
o 1: 5
o 1: 30
Independencia
o de sucesos
1: 60
Intercambiabilidad
o 1: 69
Interseccin de sucesos
o 1: 33
JEFFREYS
o 1: 23
o 1: 66
KEYNES
o 1: 17
o 1: 23
o 1: 66
KOLMOGOROV
o 1: 11
o 1: 23
o 1: 44
LAPLACE
o 1: 21
o 1: 68
o 1: 203
o 1: 396
o 1: 525
Ley(es)
o del azar
1: 45
1: 50
o de Morgan
1: 35
Objetividad de la probabilidad
o 1: 40
Particin
o 1: 34
Principio(s)
o de aleatoriedad
1: 42
o de coherencia
1: 69
o de consistencia
1: 69
o de existencia del lmite
1: 42
o de indiferencia
1: 67
o de razn insuficiente
1: 39
1: 67
o de racionalidad
1: 69
Probabilidad(es)
o 1: 3
o 1: 5
o 1: 30
o Axiomtica del clculo de
1: 44
o cientfica
1: 30
o clsica
1: 37
o condicional
1: 20
1: 54
o definicin frecuentista de la
1: 41
o espacio de
1: 48
o frecuentista
1: 40
o de las hiptesis
1: 30
1: 59
1: 60
o lgica
1: 17
1: 30
1: 66
o objetividad de la
1: 40
o personalista
1: 68
o a posteriori
1: 60
o a priori
1: 60
o subjetiva
1: 17
1: 68
o total, Teorema de la
1: 58
o verosimilitud
1: 60
RAMSEY
o 1: 23
o 1: 68
Razn insuficiente
o Principio de
1: 39
Reemplazamiento
o Extraccin con
1: 61
o Extraccin sin
1: 61
Regla de la multiplicacin
o 1: 57
Regularidad estadstica
o 1: 40
Suceso(s)
o cierto
1: 31
o complementario
1: 35
o compuesto
1: 31
o condicionado
1: 55
o condicionante
1: 55
o Diferencia de
1: 34
o Diferencia simtrica de los
1: 35
o disjuntos
1: 33
o elemental
1: 31
o imposible
1: 31
o incompatibles
1: 33
o independencia de
1: 60
o independientes dos a dos
1: 63
o interseccin de
1: 33
o mutuamente independientes
1: 63
o seguro
1: 31
o unin de
1: 32
o lgebra de
1: 45
Teorema(s)
o de Bayes
1: 20
1: 59
o de la probabilidad total
1: 58
Teora frecuentista
o 1: 44
Unin de sucesos
o 1: 32
Pgina anterior
Inicio de pgina
Herramientas
Herramientas de citas
Correo electrnico
Descargar
Imprimir
Destacados y notas (0)
Guardado
Descargar MP3

Probabilidad PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Probabilidad PDF

Uploaded by

Copyright:

Available Formats

Probabilidad

1.1 EXPERIMENTO ALEATORIO

1.1 EXPERIMENTO ALEATORIO

Dos ejemplos aclararn lo anterior. Un primer experimento consiste en arrojar un dado.

Pgina 28 | Inicio del artculo

En el segundo experimento se dan valores a la variable independiente x en la funcin y = x2.

De los dos tipos de experimentos, el aleatorio constituye el campo del Clculo de

En primer lugar el uso ms familiar y difundido de la palabra azar se da en contextos en

Pgina 29 | Inicio del artculo

La cuarta manera de contemplar el concepto de azar se refiere a si en un contexto dado de

Pgina 30 | Inicio del artculo

En un experimento aleatorio podemos estar interesados no en un suceso elemental (cara,

1.5 OPERACIONES CON SUCESOS

Si el nmero de elementos de un conjunto es finito diremos que el conjunto es finito; si es

Un conjunto S1 es un subconjunto de otro conjunto S (y se designar por S1 S) si cada

Cuando un conjunto S no contiene ningn elemento se denomina conjunto vaco y ser

1.5.1. UNIN DE SUCESOS

Como casos particulares tenemos . La extensin de la

Para dos sucesos, el diagrama de Venn indica su unin

Pgina 33 | Inicio del artculo

EJEMPLO El espacio muestral de un experimento es E= {1,2,3,4,5,6}, y dos sucesos A =

1.5.2. INTERSECCIN DE SUCESOS

La interseccin de n sucesos S1 , Sn es el suceso formado por los

en vez de dos sucesos tenemos n y su interseccin es el suceso vaco los n

Pgina 34 | Inicio del artculo

EJEMPLO En el ejemplo anterior, los sucesos A y B no son disjuntos pues su interseccin

Si n sucesos son disjuntos dos a dos y su unin es el espacio muestral,

, los sucesos S1 forman una particin del espacio muestral E. La definicin se

ampla a un nmero infinito numerable de sucesos disjuntos dos a dos

1.5.3. PROPIEDADES DE LA UNIN E INTERSECCIN DE SUCESOS

Pgina 35 | Inicio del artculo

EJEMPLO La diferencia de los sucesos A B es AB = {1,2} y la de B, A es BA = {5}.

La operacin diferencia no goza de la propiedad conmutativa, pues S1S2 S2S1 como

EJEMPLO En el ejemplo AB BA, es decir, {1,2} {5}.

1.5.5. SUCESO COMPLEMENTARIO

El complementario de un suceso S, denominado S*, es la diferencia entre el espacio

Pgina 36 | Inicio del artculo

Se comprueba en este caso, sin dificultad, que S S* = E, S S = . Por otra parte,

Dados dos sucesos S1 y S2 se verifica

Para tres sucesos

Si en vez de dos sucesos tenemos n la generalizacin de las leyes de Morgan es inmediata,

1.6 CONCEPTO DE PROBABILIDAD

Laplace define la probabilidad de un suceso como el cociente entre el nmero de casos

EJEMPLO La probabilidad de extraer un as de una baraja perfecta de cuarenta cartas se

De la definicin clsica de la probabilidad se desprenden una serie de propiedades:

P(S) 0. La probabilidad se ha definido como el cociente del nmero de casos

EJEMPLO Si el suceso es obtener cualquier nmero del 1 al 6, suceso cierto, el nmero

Si tenemos dos sucesos disjuntos S1 y S2 y su unin es S = S1 S2, se verifica

El nmero de casos favorables de S1 y S2 son, respectivamente, n1 y n2. Al ser los sucesos

El resultado indica que, en estas condiciones, la probabilidad es aditiva.

Si S* es el suceso complementario de S se verifica que P(S*) = 1P(S). La demostracin es

La definicin de probabilidad clsica presenta inconvenientes que hacen su aplicacin muy

Todas las circunstancias expuestas, que limitan la utilizacin de la probabilidad clsica en

1.6.2. PROBABILIDAD FRECUENTISTA

El concepto frecuentista de probabilidad lo estableci formalmente von Mises (1919),

Pgina 41 | Inicio del artculo

La frecuencia absoluta de un suceso en el desarrollo de un experimento aleatorio, repetido

Exponemos mediante un ejemplo el significado de la estabilidad de las frecuencias o

Partiendo de esta constatacin emprica, aceptada sin excepciones, la teora frecuentista

La frecuencia relativa de un suceso est comprendida entre 0 y 1

Pgina 42 | Inicio del artculo

La frecuencia relativa no es negativa pues la absoluta es siempre mayor que 0 (lmite

Si un suceso S es la unin de un nmero finito de sucesos disjuntos,