Teoría de la probabilidad

La teoría de la probabilidad es la parte de las matemáticas que estudia los fenómenos

aleatorios estocásticos
. Estos deben contraponerse a los fenómenos determinísticos, los cuales son resultados
únicos y/o previsibles de experimentos realizados bajo las mismas condiciones
determinadas, por ejemplo, si se calienta agua a 100 grados Celsius a nivel del mar se
obtendrá vapor. Los fenómenos aleatorios, por el contrario, son aquellos que se
obtienen como resultado de experimentos realizados, otra vez, bajo las mismas
condiciones determinadas pero como resultado posible poseen un conjunto de
alternativas, por ejemplo, el lanzamiento de un dado o de una moneda. La teoría de
probabilidades se ocupa de asignar un cierto número a cada posible resultado que
pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y
saber si un suceso es más probable que otro.
Muchos fenómenos naturales son aleatorios, pero existen algunos como el lanzamiento
de un dado, donde el fenómeno no se repite en las mismas condiciones, debido a que la
características del material hace que no exista una simetría del mismo, así las
repeticiones no garantizan una probabilidad definida. En los procesos reales que se
modelizan mediante distribuciones de probabilidad corresponden a modelos complejos
donde no se conocen a priori todos los parámetros que intervienen; ésta es una de las
razones por las cuales la estadística, que busca determinar estos parámetros, no se
reduce inmediatamente a la teoría de la probabilidad en sí.
Esta aproximación axiomática que generaliza el marco clásico de la probabilidad, la
cual obedece a la regla de cálculo de casos favorables sobre casos posibles, permitió la
rigorización de muchos argumentos ya utilizados, así como el estudio de problemas
fuera de los marcos clásicos. Actualmente, la teoría de la probabilidad encuentra
aplicación en las más variadas ramas del conocimiento, como puede ser la física, o
las finanzas
Definición clásica de probabilidad
La probabilidad es la característica de un evento, que hace que
existan razones para creer que éste se realizará.
La probabilidad p de que suceda un evento S de un total de n casos
posibles igualmente probables es igual a la razón entre el número de
ocurrencias h de dicho evento (casos favorables) y el número total de
casos posibles n.
La probabilidad es un número (valor) que varía entre 0 y 1.
Cuando el evento es imposible se dice que su probabilidad es 0, si el
evento es cierto y siempre tiene que ocurrir su probabilidad es 1.
La probabilidad de no ocurrencia de un evento está dada por q,
donde:

Sabemos que p es la probabilidad de que ocurra un evento y q es la

probabilidad de que no ocurra, entonces p + q = 1
Simbólicamente el espacio de resultados, que normalmente se
denota por , es el espacio que consiste en todos los resultados que
son posibles. Los resultados, que se denota por , etcétera, son
elementos del espacio .
Definición

espacio muestral
Espacio muestral (E): es el conjunto de los diferentes resultados que
pueden darse en un experimento aleatorio.
 Suceso: subconjunto del espacio muestral. Se representa con una letra
mayúscula, con sus elementos entre llaves y separados por comas.
 Operaciones con sucesos:
 Unión: la unión de dos sucesos es el suceso que ocurre cuando se da uno
de ellos. Intersección: la intersección dos sucesos es el suceso que ocurre
cuando se dan ambos a la vez.
 Tipos de sucesos:
 Suceso Seguro: se tiene la certeza de que se producirá porque contiene
todos los resultados posibles de la experiencia (coincide con el espacio
muestral).
 Suceso Imposible: se tiene la certeza de que nunca se puede presentar,
ya que no tiene elementos (es el conjunto vacío).
 Suceso Contrario de A: es el que ocurre cuando no se da A; es su
complementario respecto al espacio muestral (A").
 Suceso Elemental: es el que tiene un solo resultado, es un conjunto
unitario.
 Sucesos incompatibles: la intersección es conjunto vacío, es decir, no
pueden los dos sucesos darse al mismo tiempo.
 Sucesos Compatibles: la intersección de dos sucesos contiene algún
elemento.
ESPACIO DISCRETO Y CONTINUO
Espacio muestral discreto: si contiene un
número finito o infinito numerable de puntos
muestrales.
Ejemplo: se tiene una urna con bolillas del 1
al 20. Se extrae una. S = { 1, 2, 3 …, 20 }
(finito)
Espacio muestral contínuo: si contiene una
infinidad no numerable de puntos muestrales.
Ejemplo: su utiliza una balanza de presición
para pesar partículas metálicas. S= { X : 0 < X
< infinito )
 Definición de evento
 Un evento es un subconjunto de un espacio muestral.
 Evento o Suceso. Se llama evento o suceso a todo subconjunto de un espacio muestral.
 Por ejemplo en el espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento de un dado, los siguientes son
eventos:
1. Obtener un número primo A = {2, 3, 5}
2. Obtener un número primo y par B = {2}
3. Obtener un número mayor o igual a 5 C = {5, 6}

 Eventos mutuamente excluyentes.- Dos eventos son mutuamente excluyentes si no pueden ocurrir
en forma simultánea, esto es, si y sólo si su intersección es vacía.
Por ejemplo, en el lanzamiento de un dado los eventos B = {2} y C = {5, 6} son mutuamente
excluyentes por cuanto B C =
 Eventos Complementarios.- Si A B = y A B = E, se dice que A y B son eventos complementarios: Ac =
B y Bc = A
 Su Medición Matemática o Clásica. Si en un experimento aleatorio todos los resultados son
equiprobables (iguales probabilidades), es decir, la ocurrencia de uno es igualmente posible que la
ocurrencia de cualquiera de los demás, entonces, la probabilidad de un evento A es la razón:
 P(A) = número de casos favorables para A/número total de casos posibles
A partir de esta definición las probabilidades de los posibles resultados del experimento se pueden
determinar a priori, es decir, sin realizar el experimento.
 Se deduce de la definición lo siguiente:
0 P(A) 1 La medición probabilística es un número real entre 0 y 1, inclusive, ó 0% P(A) 100% en
porcentaje.
P() = 0 y P(E) = 1
Su Medición Experimental o Estadística.- La frecuencia relativa del resultado A de un experimento es
la razón FR = número de veces que ocurre A/número de veces que se realiza el experimento
Si el experimento se repite un número grande de veces, el valor de FR se aproximará a la medición
probabilística P del evento A.
Por ejemplo, si lanzo 100 veces una moneda, el número de veces que obtengo cara es cercano a 50, o sea
Simbología uniones e intersecciones
1. A, B, C…=conjuntos.
 2. a ,b ,c…=elementos de conjuntos
 3. U=unión de conjuntos
 4. n=intersección de conjuntos
 5. A"= complemento de un conjunto
 6. / =dado que
 7. \ diferencia
 8. <>=diferente de
 9. ( )=Conjunto nulo o vacio
 10. R= conjunto de los números reales
 11. N= conjunto de los números naturales
 12. C= conjunto de los números complejos
 13. n!= factorial de un numero entero positivo
 14. Q= conjunto de los números fraccionarios
 15. I= conjunto de los números irracionales
 16. c= subconjuntos
 { }= yaves. Conjuntos vacíos
Si A y B son dos subconjuntos de un conjunto S, los
elementos que pertenecen a A, a B o a ambos forman
otro subconjunto de S llamado unión de A y B, escrito A
U B.
Los elementos comunes a A y B forman un subconjunto
de S denominado intersección de A y B, escrito A &cap B.
Si A y B no tienen ningún elemento común se denominan
conjuntos disjuntos ya que su intersección no tiene
ningún elemento, y siendo conveniente representar esta
intersección como otro conjunto, éste se denomina
conjunto vacío o nulo y se representa con el símbolo Ã~.
Por ejemplo,
si A = {2, 4, 6}, B = {4, 6, 8, 10} y C = {10, 14, 16, 26},
entonces A U B = {2, 4, 6, 8, 10}, A U C = {2, 4, 6, 10,
14, 16, 26}, A n B = {4, 6} y A n C = Ã~.
EJERCICIOS DE APLICACIÓN

Sean A y B dos sucesos aleatorios con

p(A) = 1/2, p(B) = 1/3, p(A B)= 1/4.
Determinar:
1.
2.
3.
4.

5.
2. Ante un examen, un alumno sólo ha
estudiado 15 de los 25 temas
correspondientes a la materia del
mismo. Éste se realiza extrayendo al
azar dos temas y dejando que el alumno
escoja uno de los dos para ser
examinado del mismo. Hallar la
probabilidad de que el alumno pueda
elegir en el examen uno de los temas
estudiados.
Una clase está formada por 10 chicos y 10
chicas; la mitad de las chicas y la mitad de
los chicos han elegido francés como
asignatura optativa.
1¿Cuál es la probabilidad de que una persona
elegida al azar sea chico o estudie francés?

2¿Y la probabilidad de que sea chica y no estudie

francés?
Definición
 axiomática
Axiomas de probabilidad
 Como se ha adelantado anteriormente la definición axiomática de
probabilidad es una extensión de la teoría de la medida, en la que
se introducen la noción de independencia relativa. Este enfoque
permite reproducir los resultados de la teoría clásica de la
probabilidad además de resultados nuevos referidos a la
convergencia de variables aleatorias. Además de los procesos
estocásticos, el cálculo de Ito y las ecuaciones diferenciales
estocásticas.
 Dentro del enfoque axiomático es posible demostrar que la ley
débil de los grandes números implica que se cumplirá que :

Esto permite justificar rigurosamente la ecuación (1)

suponiendo que:

Donde se interpreta con probabilidad p y que con

probabilidad 1-p.
Variables aleatorias
Una variable aleatoria es una función medible

Que da un valor numérico a cada suceso

elemental
Probabilidad discreta
Este tipo de probabilidad, es aquel que puede
tomar sólo ciertos valores diferentes que son el
resultado de la cuenta de alguna característica de
interés. Más exactamente, un problema de
probabilidad discreta es un problema definido por
un conjunto de variables aleatorias que sólo
pueden tomar un conjunto finito o infinito
numerable de valores diferentes:

Dónde:
Designa el cardinal o "número de elementos" de un
conjunto.
, es el conjunto de
todos los posibles valores que toma la variable aleatoria.
 Probabilidad continua
 Un problema de probabilidad continua es uno en el que aparecen
variables aleatorias capaces de tomar valores en algún intervalo de
números reales (y por tanto asumir un conjunto no numerable de
valores), por lo que continuando con la notación anterior:

Función de distribución de probabilidad

 Distribución de probabilidad
 La distribución de probabilidad se puede definir para cualquier
variable aleatoria X, ya sea de tipo continuo o discreto, mediante la
siguiente relación:

Para una variable aleatoria discreta esta función no es continua sin

constante a tramos (siendo continua por la derecha pero no por la
izquierda). Para una variable aleatoria general la función de
distribución puede descomponerse en una parte continua y una parte
discreta:

Donde es una función absolutamente continua y es

una función constante a tramos.
Función de densidad de probabilidad
La función de densidad, o densidad de probabilidad
de una variable aleatoria absolutamente continua, es
una función a partir de la cual se obtiene la
probabilidad de cada valor que toma la variable
definida como:

Es decir, su integral en el caso de variables

aleatorias continuas es la distribución de
probabilidad. En el caso de variables aleatorias
discretas la distribución de probabilidad se obtiene a
través del sumatorio de la función de densidad. La
noción puede generalizarse a varias variables
aleatorias.
 EJERCICIOS DE APLICACIÓN

 Un carpintero mide un claro donde colocara una puerta que el

construirá. La probabilidad de que se equivoque al medir es
de0.04. Además, la probabilidad de que la puerta no le guste al
cliente es de 0.06. ¿Cuál es la probabilidad de que la puerta.
a) Haya sido bien medida y le guste al cliente?
b) Haya sido bien medida y no le guste al cliente?
c) Haya sido bien medida o le guste al cliente?

A. Que se equivoque al medir

Ac. Que no se equivoque al medir
B. Que no le guste al cliente
Bc. Que si le guste al cliente
P(A)= 0.04
P(B)= 0.06

a) P(Ac ∩ Bc)= P(Ac) · P(Bc)= (0.96) (0.94)= 0.9024

b) P(Ac ∩ B)= P( Ac) · P(B) = (0.96) (0.6) =0.576
c) P(Ac U Bc)= P(Ac) + P(Bc) – P(Ac ∩ Bc)= (0.96) + (0.94) –
(0.9024) = 0.9976
Regla de la adición
La regla de la adición o regla de la
suma establece que la probabilidad de
ocurrencia de cualquier evento en particular es
igual a la suma de las probabilidades
individuales, si es que los eventos son
mutuamente excluyentes, es decir, que dos no
pueden ocurrir al mismo tiempo.
 P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B
son mutuamente excluyente. P(A o B) = P(A) +
P(B) − P(A y B) si A y B son no excluyentes.
 Siendo: P(A) = probabilidad de ocurrencia del
evento A. P(B) = probabilidad de ocurrencia del
evento B. P(A y B) = probabilidad de ocurrencia
simultánea de los eventos A y B.
 Regla de la multiplicación
 La regla de la multiplicación establece que la probabilidad de
ocurrencia de dos o más eventos estadísticamente independientes
es igual al producto de sus probabilidades individuales.
 P(A y B) = P(A B) = P(A)P(B) si A y B son independientes.
 P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes.
 Un lote contiene "100" ítems de los cuales "20" son defectuosos. Los
ítems son seleccionados uno después del otro para ver si ellos son
defectuosos. Suponga que dos ítems son seleccionados sin
reemplazamiento (significa que el objeto que se selecciona al azar
se deja por fuera del lote). ¿Cúal es la probabilidad de que los dos
ítems seleccionados sean defectuosos?
 Solución:
 Sea los eventos
 A1 = {primer ítem defectuoso}, A2 {segundo ítem defectuoso}
 entonces dos ítems seleccionados serán defectuosos, cuando ocurre
el evento A1∩ A2 que es la intersección entre los eventos A1 y A2.
De la información dada se tiene que:
 P(A1) = 20/100 ; P(A2/A1) = 19/99
 así probabilidad de que los dos ítems seleccionados sean
defectuosos es
Ejemplo de Multiplicación 1:
 Si una moneda equilibrada se lanza dos veces,
la probabilidad de que ambos lanzamientos den
por resultado una “cara” es :
(1/2) x (1/2) = (1/4)

 Ejemplo 2:
Si se responden al azar cuatro preguntas con
cinco opciones cada una, ¿cuál es la
probabilidad de acertar a todas?
La probabilidad de acierto en cada una de las
preguntas es 1/5. Por lo tanto, la probabilidad
de acertar en las cuatro es:

 P(A)= 1/5 . 1/5 . 1/5 . 1/5 = 1/625

Teorema de Bayes
El teorema de Bayes, en la teoría de la probabilidad, es una
proposición planteada por el filósofo inglés Thomas Bayes ( 1702-
1761)en 1763, que expresa la probabilidad condicional de un evento
aleatorio A dado B en términos de la distribución de probabilidad
condicional del evento B dado A y la distribución de probabilidad
marginal de sólo A.
 En términos más generales y menos matemáticos, el teorema
de Bayes es de enorme relevancia puesto que vincula la probabilidad
de A dado B con la probabilidad de B dado A. Es decir que sabiendo
la probabilidad de tener un dolor de cabeza dado que se tiene gripe,
se podría saber (si se tiene algún dato más), la probabilidad de tener
gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la
alta relevancia del teorema en cuestión para la ciencia en todas sus
ramas, puesto que tiene vinculación íntima con la comprensión de la
probabilidad de aspectos causales dados los efectos observados.
 Sea un conjunto de sucesos mutuamente
excluyentes y exhaustivos, y tales que la probabilidad de cada uno
de ellos es distinta de cero (0). Sea B un suceso cualquiera del
que se conocen las probabilidades condicionales .
Entonces, la probabilidad viene dada por la expresión:
Donde:
 son las probabilidades a priori.
 es la probabilidad de en la hipótesis .
 son las probabilidades a posteriori.
 Fórmula de Bayes
 Con base en la definición de Probabilidad condicionada,
obtenemos la Fórmula de Bayes, también conocida como la
Regla de Bayes:

Esta fórmula nos permite calcular la

probabilidad condicional de cualquiera
de los eventos , dado . La fórmula "ha
originado muchas especulaciones filosóficas y
controversias
 Aplicaciones
El teorema de Bayes es válido en todas las aplicaciones de la teoría de la
probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades
que emplea. En esencia, los seguidores de la estadística tradicional sólo admiten
probabilidades basadas en experimentos repetibles y que tengan una
confirmación empírica mientras que los llamados estadísticos bayesianos
permiten probabilidades subjetivas. El teorema puede servir entonces para
indicar cómo debemos modificar nuestras probabilidades subjetivas cuando
recibimos información adicional de un experimento. La estadística bayesiana está
demostrando su utilidad en ciertas estimaciones basadas en el conocimiento
subjetivo a priori y el hecho de permitir revisar esas estimaciones en función de la
evidencia empírica es lo que está abriendo nuevas formas de hacer conocimiento.
Una aplicación de esto son los clasificadores bayesianos que son frecuentemente
usados en implementaciones de filtros de correo basura o spam, que se adaptan
con el uso.
 Como observación, se tiene y su demostración
resulta trivial.
 Como aplicaciones puntuales:
 El diagnóstico de cáncer.
 Evaluación de probabilidades durante el desarrollo de un juego de bridge por
Dan F. Waugh y Frederick V. Waugh.
 Probabilidades a priori y a posteriori.
 Un uso controvertido en La ley de sucesión de Laplace
Ejercicios de Aplicación
1) El 20% de los empleados de una empresa son ingenieros y
otro 20% son economistas. El 75% de los ingenieros
ocupan un puesto directivo y el 50% de los economistas
también, mientras que los no ingenieros y los no
economistas solamente el 20% ocupa un puesto directivo.
¿Cuál es la probabilidad de que un empleado directivo
elegido al azar sea ingeniero?
2) La probabilidad de que haya un accidente en una fábrica
que dispone de alarma es 0.1. La probabilidad de que
suene esta sí se ha producido algún incidente es de 0.97 y
la probabilidad de que suene si no ha sucedido ningún
incidente es 0.02.
 En el supuesto de que haya funcionado la alarma, ¿cuál
es la probabilidad de que no haya habido ningún
incidente?
 Sean los sucesos:
I = Producirse incidente.
A = Sonar la alarma.