UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE CIENCIAS ECONMICAS Y SOCIALES

ESCUELA DE ESTADSTICA Y CIENCIAS ACTUARIALES
DEPARTAMENTO DE ESTADSTICA Y PROBABILIDAD
CTEDRA DE ESTADSTICA

Noviembre, 2004
 Introduccin a la Teora de Probabilidad

INTRODUCCIN
En el fondo, la teora de probabilidad es slo
sentido comn expresado en nmeros.
Pierre Simn de Laplace

La teora de probabilidad se atribuye a los matemticos franceses del siglo XVII Blaise Pascal y
Pierre de Fermat, aunque algunos algebristas del siglo XVI, como los italianos Pacioli, Tartaglia
y particularmente Gerolamo Cardano (1501-1576), realizaron los primeros aportes matemticos
que favorecieron su desarrollo.

En 1654, Antoine Chevalier de Mr, quin tena un particular inters por los juegos de azar,
plante a Pascal y Fermat un dilema sobre un juego de dados. El problema consista en decidir si
vala la pena apostar a que salieran al menos un par de seis al lanzar dos dados veinticuatro
veces. Esquematizado el tema propuesto, ambos dieron la primera definicin de probabilidad.
Chevalier plante otros problemas de este tipo a los dos famosos matemticos; de las discusiones
entre Fermat y Pascal surgieron los principios fundamentales de la teora de probabilidad.

En 1657, Christiaan Huygens (1629-1695) quin fuera profesor de Gottfried Wilhelm Leibniz
(1646-1716), examin la correspondencia entre Fermat y Pascal, y su estudio sobre el tema lo
llev a publicar el primer libro sobre teora de probabilidad, titulado De Rationciniis in Ludo
Aleae (Razonamiento sobre el juego de los dados).

Durante el siglo XVIII, la teora de probabilidad tuvo un notable desarrollo. En ese perodo
resaltan las contribuciones de Jakob (Jacques) Bernoulli (1654-1705) quien propuso el teorema
de Bernoulli y la distribucin binomial; Abraham de Moivre (1667-1705) quien estudi el primer
caso particular del teorema central del lmite; as como el reverendo Thomas Bayes (1702- 1761)
y Joseph Lagrange (1736-1813) quienes desarrollaron frmulas y tcnicas para el clculo de la
probabilidad.

En ese siglo, muchos contribuyeron al avance de la teora de la probabilidad y sus aplicaciones.

Cabe mencionar al naturalista Georges Louis Leclerc, conde de Buffon (1707-1788), quien
plante el famoso experimento que lleva su nombre, la aguja de Buffon, que consiste en
representar el lanzamiento de una aguja sobre un cuadrado; y Jean Antoine Condorcet (1743-

1 SP/ MTS
 Introduccin a la Teora de Probabilidad

1794) filsofo, matemtico y lder poltico durante la Revolucin Francesa, mejor conocido
como el Marqus de Condorcet, y quien se interes en aplicar la teora de probabilidad a la
economa y a la poltica. En 1785, calcul la probabilidad de que un jurado que decidiera por
mayora, tomara una decisin correcta si cada miembro del jurado tena la misma probabilidad
de tomar la decisin correcta.

A principios del siglo XIX, en 1812, Pierre de Laplace (1749-1827) introdujo nuevas ideas y
tcnicas matemticas en su libro Theorie Analytique des Probabilits. Hasta entonces la teora
de probabilidad solamente estudiaba la aleatoriedad en los juegos. Laplace aplic probabilidades
a muchas reas como gentica, psicologa y economa, y desarroll adems una teora de errores.

Posteriormente, Carl Friedrich Gauss (1777-1885), matemtico alemn, estudi la teora de los
errores, dedujo el modelo de la distribucin de probabilidad Normal y la llamada curva de
Gauss, empleada ampliamente en estadstica.

A mediados del siglo XIX, Gregor Johann Mendel (1822-1884), fraile agustino austraco, inici
el estudio de la herencia y la gentica, con sus interesantes experimentos sobre el cruce de
plantas de diferentes caractersticas. Su obra, La matemtica de la Herencia, fue una de las
primeras aplicaciones importantes de la teora de probabilidad a las ciencias naturales.

En 1894, Karl Pearson (1857-1936), matemtico y filsofo de las ciencias, britnico, analiz un
gran nmero de resultados de una determinada ruleta irregular (con distribucin no uniforme) y
plante los Mtodos de Casinos. Pearson sugiri utilizar los casinos como un laboratorio de
2
teora de probabilidades y realizar experimentos en ellos. Dedujo el modelo (conocido como
Ji Chi cuadrado) y muchas otras medidas de amplio uso tales como el coeficiente de
correlacin lineal que lleva su nombre. Para los experimentos que sugera Pearson se requeran
nmeros aleatorios. Esto llev a L.H.C Tippet (1902-1986), a encontrar mtodos para generar
nmeros aleatorios y en 1927, public una tabla con alrededor de 40.000 nmeros aleatorios (
seudo-aleatorios).

Aos ms tarde, John Von Neuman (1903-1957), matemtico estadounidense nacido en Hungra,
plantea el uso de los mtodos de Pearson pero utilizando nmeros aleatorios en combinacin con
funciones de distribucin para simular procesos, naciendo as los famosos mtodos de

2 SP/ MTS
 Introduccin a la Teora de Probabilidad

MonteCarlo utilizados en la actualidad. Asimismo, desarroll la teora de juegos la cual en la

actualidad tiene una amplia aplicacin en el campo econmico.

En 1927, el fsico alemn Werner Karl Heisenberg (1901-1976), Premio Nbel de Fsica en
1932, formul el principio de incertidumbre, una contribucin fundamental al desarrollo de la
teora cuntica. Este principio afirma que es imposible medir simultneamente de forma precisa
la posicin y el momento lineal de una partcula.

En 1933, el matemtico ruso Andrei Nikolaevich Kolmogorov (1903-1987), desarroll un

enfoque axiomtico de la teora de probabilidad y lo public en un libro que, en 1950, fue
traducido al ingls bajo el ttulo Foundations of Probability Theory.

Por ms de cinco siglos, eminentes estudiosos de distintas disciplinas han contribuido al

desarrollo y las aplicaciones de la teora de probabilidad. Por ello, es justo reconocer la valiosa
contribucin de Simon Denis Poisson (1781-1840), Pavnutti Lvovich Tchebyshev (1821-1894),
Vilfredo Federigo Samaso Pareto (1848-1923), William Sealy Gosset (Student) (1876-1937),
George W. Snedecor (1882-1974) y Sir Ronald Aylmer Fisher (1890-1962), entre muchos otros.

El desarrollo de la teora de la probabilidad ha aumentado el alcance de las aplicaciones de la

estadstica, ya que permite que muchos conjuntos de datos se pueden aproximar, con gran
exactitud. La estadstica es una forma de aprendizaje de la realidad, que pretende transformar los
resultados de observaciones para la generacin de conocimiento. En tal sentido es una ciencia de
la informacin. La probabilidad es til para comprobar, entre otras cosas, la fiabilidad de las
inferencias estadsticas y para predecir el tipo y la cantidad de datos necesarios en un
determinado estudio estadstico.

3 SP/ MTS
 Introduccin a la Teora de Probabilidad

I. CONCEPTOS BSICOS
El estudio de fenmenos de diversa naturaleza permite clasificar stos en dos grandes grupos:

Fenmenos determinsticos: aquellos en los cuales una misma accin produce siempre los
mismos efectos.

Fenmenos probabilsticos aleatorios: aquellos en los cuales no siempre puede

predecirse con certeza el resultado de una misma accin.

As, la cada de un cuerpo es un fenmeno determinstico ya que podemos anticipar que sta
ocurrir sobre la superficie de La Tierra, debido a la atraccin de la gravedad. En cambio, el lugar
en el cual caer es un fenmeno probabilstico, ya que la trayectoria del cuerpo est afectada por
otros fenmenos tales como la direccin del viento, la temperatura ambiental, la humedad del
aire, la presin atmosfrica, entre otros. En consecuencia, los fenmenos probabilsticos
aleatorios generan incertidumbre.

Principio de incertidumbre

Heisenberg postul el Principio de Incertidumbre, que afirma la existencia de un lmite

natural a la precisin con la que pueden conocerse simultneamente determinados pares de
magnitudes fsicas asociadas a una partcula (por ejemplo, la cantidad de movimiento y la
posicin). El principio, tambin conocido como principio de indeterminacin, afirma
igualmente que si se determina con mayor precisin una de las cantidades se perder
precisin en la medida de la otra, y que el producto de ambas incertidumbres nunca puede ser
menor que la constante de Planck (llamada as en honor del fsico alemn Max Planck). La
incertidumbre es muy pequea, y resulta despreciable en mecnica clsica. En cambio, en la
mecnica cuntica las predicciones precisas de la mecnica clsica se ven sustituidas por
clculos de probabilidades.

La mayora de las ideas fundamentales de la ciencia son

esencialmente sencillas y por regla general pueden ser
expresadas en un lenguaje comprensible para todos.
Albert Einstein

4 SP/ MTS
 Introduccin a la Teora de Probabilidad

1. Experimento Aleatorio

Un experimento aleatorio es un fenmeno emprico que se caracteriza por la propiedad de

que repetido bajo las mismas condiciones no siempre arroja los mismos resultados.

1.1. Caractersticas de un experimento aleatorio

a) Es repetible: se puede realizar u observar en forma indefinida en condiciones
prcticamente muy similares.
b) Se conocen a priori los resultados posibles: se puede conocer o delimitar el conjunto de
todos los resultados posibles, an cuando no se puede predecir el resultado particular de
una realizacin del experimento.
c) Presenta regularidad asinttica: si el experimento se repite pocas veces los resultados
parecen mostrar un comportamiento catico, mientras que al repetirlo un gran nmero
de veces se puede detectar cierta regularidad en el comportamiento de los resultados.

1.2. Ejemplos
Lanzar una ms monedas, lanzar uno ms dados, jugar baraja, etc. Los juegos de
azar son experimentos aleatorios.
Observar el gnero de nios recin nacidos.
Medir la vida til de un bombillo.
Conocer la opinin de un conjunto de personas respecto a un problema determinado.
Conocer la cantidad de posibles hijos hemoflicos de mujeres portadoras de la
enfermedad.
Aplicar un examen a un estudiante.

2. Espacio Muestral (S)

El espacio muestral es el conjunto formado por todos los resultados posibles de un

experimento aleatorio.

2.1. Ejemplos

EXPERIMENTO ALEATORIO ESPACIO MUESTRAL

Lanzar una moneda S = Cara, Sello
Lanzar un dado S = 1, 2, 3, 4, 5, 6
Gnero de nios recin nacidos S = Femenino, Masculino

5 SP/ MTS
 Introduccin a la Teora de Probabilidad

EXPERIMENTO ALEATORIO ESPACIO MUESTRAL

Vida til de un bombillo S = t / 0 t T , T: vida til maxima
Opinin respecto a un problema S = Opcin1 , Opcin2,. Opcin K

Nmero de hijos hemoflicos de S = 0, 1, 2, . K ,

madres portadoras. K: Nmero mximo de hijos

S = 00, 01, 02, 20 , si el resultado se

Aplicar un examen a un
mide de acuerdo a la nota obtenida en una
estudiante
escala de valoracin de 00 a 20 puntos

2.2. Clasificacin del Espacio Muestral

a) Discreto, cuando el espacio muestral es un conjunto finito infinito numerable
b) Contnuo, cuando el espacio muestral es un conjunto infinito no numerable

3. Sucesos o Eventos

Un suceso o evento es cualquier subconjunto de resultados posibles de un experimento

aleatorio.

Si en una realizacin del experimento aleatorio se satisfacen las condiciones que definen un
suceso, se dice que ha ocurrido dicho suceso.

3.1. Ejemplos

Sea el experimento aleatorio lanzar un dado. Se pueden definir los siguientes sucesos:

A: que salga un nmero par A = 2, 4, 6

B: que salga un nmero menor que 3 B = 1, 2

Sea el experimento aleatorio aplicar un examen a un estudiante. Se pueden definir los

siguientes sucesos:

A: que apruebe A = 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20

B: que obtenga como mnimo una nota sobresaliente B = 16, 17, 18, 19, 20

6 SP/ MTS
 Introduccin a la Teora de Probabilidad

3.2. Tipo de Sucesos

a) Sucesos Simples o Elementales, son sucesos indivisibles; es decir, que no pueden ser
descompuestos en otros ms simples. Son conjuntos unitarios tambin denominados
puntos muestrales. Ejemplo: en el experimento aleatorio lanzar un dado, cualquiera de
los lados del dado son sucesos simples.
b) Sucesos Compuestos, son sucesos formados por dos ms sucesos elementales. Son
cualquier subconjunto no unitario del espacio muestral. Ejemplo: en el experimento
aleatorio lanzar un dado, el suceso que salga un nmero par es compuesto.
c) Sucesos Mutuamente Excluyentes (MEX): son sucesos disjuntos; esto es su interseccin
es el conjunto vaco. Ejemplo: en el experimento aleatorio aplicar un examen a un
estudiante, los sucesos obtener una nota sobresaliente y aplazar la prueba son
mutuamente excluyentes.

En el espacio muestral asociado a un experimento aleatorio se definen adems, los

siguientes sucesos:

e) Suceso Seguro (S), es aquel que siempre ocurre; esto es, coincide con el espacio
muestral asociado a un experimento aleatorio.
f) Suceso Imposible ( ), es aquel que no ocurre nunca; esto es, el conjunto vaco.

3.3. Algebra de Sucesos

Sea S, el espacio muestral asociado a un experimento aleatorio. Sean A, B y C sucesos
cualesquiera de S. Las siguientes propiedades se cumplen para A, B y C:

a) Propiedades de la inclusin

1)
2)
3)
4) C C

b) Propiedades de la unin e interseccin

PROPIEDAD PARA LA UNIN PARA LA INTERSECCIN

Elemento
1) 1) S
Neutro
Idempotencia 2) 2)

7 SP/ MTS
 Introduccin a la Teora de Probabilidad

PROPIEDAD PARA LA UNIN PARA LA INTERSECCIN

Conmutativa 3) 3)
Asociativa 4) C C 4) C C
5) C C
Distributiva 5) C C

c) Propiedades de la complementariedad

1) A
2) A S
3) A
4) B
5) C C
6) Si entonces
7) C C
8) A B A B 1 Ley de De Morgan)
9) A B A B 2 Ley de De Morgan)

Tales propiedades corresponden al Algebra de Conjuntos desarrollada por Georg Cantor

(1845-1918), que es un caso particular del sistema algebraico conocido como Algebra de
Boole, formulado por George Boole (1815-1864).

8 SP/ MTS
 Introduccin a la Teora de Probabilidad

II. CONCEPTO DE PROBABILIDAD

Los experimentos aleatorios producen resultados inciertos y la probabilidad es una medida de la
incertidumbre. Sin embargo, la incertidumbre es de naturaleza muy diferente segn lo sea el
experimento. No existe un acuerdo total entre los estudiosos de la probabilidad al respecto, por lo
que se pueden identificar tres grandes corrientes o escuelas del pensamiento probabilstico. A
continuacin, se exponen los principios generales de cada una de stas, sin tomar partido en favor
de alguna en particular.

1. Teora Clsica a priori

Est basada en el concepto de equiprobabilidad del espacio muestral y motivado por el
denominado Principio de la Razn Insuficiente, enunciado por Laplace, el cual postula lo
siguiente:

Principio de la Razn Insuficiente:

Si no existe un fundamento para preferir una entre varias posibilidades, todas deben ser
consideradas equiprobables.

1.1. Propiedades de la Probabilidad Clsica

a) No negatividad: P(A) 0

b) Certeza: P(S) 1

c) Aditividad: P(A B) P(A) P(B) si A y B son dos sucesos mutuamente

excluyentes del espacio muestral S.

1.2. Clculo de la probabilidad

El clculo de la probabilidad bajo la concepcin clsica, se realiza mediante la siguiente
regla.

Regla de Laplace:
La probabilidad de un suceso A es igual al cociente del nmero de casos favorables al
suceso sobre el nmero total de casos posibles.
N de casos favorables al suceso A
PA
N de casos posibles

9 SP/ MTS
 Introduccin a la Teora de Probabilidad

Ntese que el trmino caso es usado en esta regla como sinnimo de suceso, evento punto
muestral.

La regla se deriva al aplicar las propiedades 1 y 3. En efecto, sea S e1, e2 ,....e N un espacio

muestral y sea la probabilidad de un suceso elemental ei, i = 1, 2, . N. Entonces:

N 1
P(S) P (e i ) N 1
i 1 N

Si se considera al suceso A como un suceso compuesto por k sucesos elementales se tiene que:

A = e1, e2, ..ek , donde los ek son sucesos elementales de S,

K k
P(e1) = P(e2) = ..... P(ek) = P( A) P (e i ) k
i 1 N

donde: k es el N de casos favorables al suceso A (cardinal de A) y N el N total de sucesos del

espacio muestral (cardinal de S).

1.3. Limitaciones
a) Slo se aplica a experimentos aleatorios con espacio muestral equiprobable, tal como
ocurre en los juegos de azar. La regla de Laplace no permite, por ejemplo, conocer la
probabilidad de que ocurra un accidente en un tramo de una carretera.

b) No es aplicable a experimentos aleatorios con espacio muestral continuo, ya que la

probabilidad se efecta mediante asignacin cannica. Se dice que una asignacin es
cannica, si los sucesos de la misma longitud tienen la misma probabilidad. Por tanto, la
probabilidad asignada a un suceso A debe ser proporcional a su longitud, rea, etc., y la
constante de proporcionalidad que coincide con la probabilidad, debe ser igual al
recproco de la longitud, rea, etc., total del espacio muestral

1.4. Ejemplos

En el lanzamiento de una moneda perfecta la probabilidad de cara debe ser igual que la
de sello y, por tanto, ambas iguales a 1/2.

La probabilidad de cada uno de los seis sucesos elementales asociados al lanzamiento

de un dado regular (no cargado) debe ser 1/6.

10 SP/ MTS
 Introduccin a la Teora de Probabilidad

En la Escuela Clsica, la probabilidad de los sucesos elementales se asigna antes de realizar el

experimento aleatorio, es decir a priori. Laplace recogi esta idea y formul la regla clsica del
cociente entre casos favorables y casos posibles, supuestos stos igualmente verosmiles. En
definitiva igualmente verosmil es lo mismo que igualmente probable, es decir, se justifica la
premisa con el resultado. Adems, naturalmente surgen interrogantes respecto a lo que ocurre
cuando se considera un experimento donde no se da esa simetra, o cuando el nmero de
resultados posibles es infinito.

2. Teora Frecuentista a posteriori

A principios del siglo XX, el austraco Richard Von Mises (1883-1953) y otros matemticos
contemporneos, revisaron los fundamentos de la teora clsica e incorporaron otros elementos
que sentaron las bases de la teora frecuentista. La doctrina de la escuela frecuentista establece
que un experimento aleatorio debe ser repetible un nmero indefinido de veces, al menos
tericamente. Cada repeticin del experimento aleatorio se denomina replicacin y dar lugar a
un resultado que ser uno de los puntos muestrales (sucesos). As, un suceso A ocurre cuando en
una replicacin el resultado obtenido es uno de los puntos de A. La teora frecuentista se basa,
adems, en la Ley de los grandes nmeros y el Principio de regularidad estadstica.

2.1. Ley de los grandes nmeros

Esta ley propuesta por Bernoulli, plantea que la frecuencia relativa de un suceso tiende a
estabilizarse en torno a un nmero, a medida que el nmero de pruebas del experimento
crece indefinidamente. As, bajo la concepcin frecuentista, si se replica un experimento
indefinidamente, la probabilidad de un suceso A es un nmero ideal al que se aproxima su
frecuencia relativa cuando la frecuencia total tiende a infinito.

NA
P( A) lm
N N

siendo, NA la frecuencia absoluta del suceso A.

Para ilustrar lo que plantea esta ley, se muestra a continuacin los resultados obtenidos al
lanzar una moneda 200 veces y registrar el nmero de caras que se obtuvo.

11 SP/ MTS
 Introduccin a la Teora de Probabilidad

N de
10 20 30 40 50 60 70 80 90 100
lanzamientos
N de Caras (fi) 6 11 16 20 27 31 37 43 48 53
hi 0,600 0,555 0,533 0,500 0,540 0,517 0,528 0,538 0,533 0,530

N de
110 120 130 140 150 160 170 180 190 200
lanzamientos
N de Caras (fi) 57 62 68 72 77 83 86 92 95 101
hi 0,518 0,517 0,523 0,514 0,513 0,519 0,506 0,511 0,500 0,505

Frecuencia relativa del nmero de caras

que aparecen al lanzar una moneda
Frecuencia relativa

0,600

0,500

0,400
0 40 80 120 160 200
N de Lanzamientos

2.2. Principio de la regularidad estadstica

Este principio propuesto por Von Mises, indica que si de un grupo grande de elementos se
extrae aleatoriamente otro grupo ms pequeo, ste tiene tendencia a presentar las mismas
caractersticas del grupo original.

2.3. Limitaciones
Cuando no es posible repetir el experimento aleatorio infinitas veces, la probabilidad de
un suceso debe ser aproximada por su frecuencia relativa para un valor de n
suficientemente grande, lo que plantea la disyuntiva respecto a cun grande ha de ser n.

No aplica para experimentos que solo se pueden repetir una vez, tales como observar si
llueve no en un lugar, fecha y hora determinados.

12 SP/ MTS
 Introduccin a la Teora de Probabilidad

3. Teora Subjetiva
La escuela subjetiva tuvo varios precursores, entre los cuales destacan las contribuciones de los
estadsticos Bruno de Finetti (1906-1985), austraco, y Leonard Savage (1917-1971),
norteamericano, considerado el principal abanderado de esta teora y quien en 1954 public su
obra The Foundations of Statistics.

Est teora se basa en la idea de que la probabilidad que una persona da a un suceso debe
depender de su juicio y experiencia personal, pudiendo dar dos personas distintas probabilidades
diferentes a un mismo suceso. Estas ideas pueden formalizarse, y si las opiniones de una persona
satisfacen ciertas relaciones de consistencia, puede llegarse a definir una probabilidad para los
sucesos.

As, si A es un suceso del espacio muestral asociado a un experimento aleatorio repetible y su

frecuencia relativa en un nmero muy grande de replicaciones es (y este hecho es conocido), la

probabilidad que la mayora de la personas asignar al suceso A es precisamente

El principal problema a que da lugar esta definicin es, como antes dijimos, que dos personas
diferentes pueden dar probabilidades diferentes a un mismo suceso, lo cual es de gran utilidad en
el estudio de fenmenos que no son repetibles.

4. Definicin Axiomtica de Kolmogorov

Sea S un espacio muestral asociado a un experimento aleatorio y E(S) el conjunto de partes del
espacio muestral. Se define probabilidad como una funcin, tal que, P: E(S) [0,1], que
satisface los siguientes axiomas:

Axioma 1:
P(A) 0, A E(S)
Axioma 2:
P(S) = 1
Axioma 3:
P( Ai ) = P(A1 A2 A3 .....) = P(Ai) = P(A1) + P(A2) + P(A3) +.......
si Ai Aj = , i j; Ai y Aj son mutuamente excluyentes.

13 SP/ MTS
 Introduccin a la Teora de Probabilidad

5. Teoremas fundamentales
Sea S un espacio muestral a asociado a un experimento aleatorio y sean A, B y C sucesos de S.

Teorema 1
P(A) 1 P(A)
Prueba:
Sabemos que A A = S, adems que A A = , entonces de acuerdo con los axiomas 2 y 3,
se tiene que:
P(A A ) = P(A) + P( A ) = P(S) = 1 P( A ) = 1 P(A)

Teorema 2
P(A) 1, A S
Prueba:
Si A S P(A) P(S) = 1 P(A) 1.
Por lo tanto, 0 P(A) 1 ya que, segn el axioma 1, P(A) 0.

Teorema 3
P( ) = 0
Prueba:
Aplicando la propiedad del elemento neutro para la unin de sucesos, se tiene que S =S
y por la propiedad de complementariedad, S = , entonces:
P(S) = P(S ) = P(S) + P( ), por el axioma 3 P( ) = P(S) - P(S) = 0

Teorema 4
P(A B) = P(A) + P(B) P(A B)
Prueba:
Por la propiedad del elemento neutro para la interseccin, se tiene que
(A B) = S (A B) = (A ( A ) (A B)
Aplicando la propiedad distributiva de la unin de sucesos, se tiene que:
(A ( A ) (A B) = A ( A B) = (A B)
Adems, A (A B) = B = A y (A B) son sucesos mutuamente
excluyentes. Entonces por el axioma 3:
P(A B) = P(A (A B)) = P(A) + P( A B) (I)
Por otra parte, por la propiedad 6 de la complementariedad,
B = ( A A) B = ( A B) (A B)

14 SP/ MTS
 Introduccin a la Teora de Probabilidad

Como ( A B) y (A B) son mutuamente excluyentes, por el axioma 3 se tiene que,

P(B) = P( A B) + P(A B) P( A B) = P(B) - (A B)
Sustituyendo P( A B) en la expresin (I), se tiene
P(A B) = P(A) + P(B) - (A B)
Teorema 5
n n
P ( Ai ) P(Ai ) si Ai y Aj son mutuamente excluyentes, i j
i 1 i 1

Prueba:
De acuerdo al teorema 4, se tiene que
n n n 1
P ( Ai ) P( A i ) P( A i Ai 1 )
i 1 i 1 i 1
n 1
como Ai y Ai+1 son mutuamente excluyentes, entonces P( A i Ai 1 ) = 0, por lo tanto
i 1

n n
P ( Ai ) P( A i )
i 1 i 1

Teorema 6
P(A) P(B), si A B
Prueba:
Se sabe que (A B) = A (A B); adems si A B, (A B) = B. Por lo tanto,
B = A (A B)
En virtud del teorema 4 y adems, como A y ( A B) son mutuamente excluyentes, se tiene
que P(B) = P(A) + P( A B)
Por el axioma 1, se sabe que P(B) 0, P(A) 0 y P( A B) 0, por tanto P(B) P(A)

6. Probabilidad Condicional

6.1. Definicin
Sea S un espacio muestral asociado a un experimento aleatorio. Sean A y B dos sucesos
cualesquiera de S, tales que P(B) 0. Se define la probabilidad condicional de A dado B,
P(A/B), como:

P(A B)
P(A / B)
P(B)

15 SP/ MTS
 Introduccin a la Teora de Probabilidad

6.2. Ejemplo
Se sabe que en una empresa el 50% de la poblacin fuma y que el 10% fuma y es hipertensa.
Cul es la probabilidad de que un fumador sea hipertenso?.

Identificacin de los sucesos

A = Ser hipertenso
B = Ser fumador
A B = Ser hipertenso y fumador

Datos
P(B) = 0,5 P(A B) = 0,1
Solucin
P(A B) 0,1
P(A / B) 0,2
P(B) 0,5

6.3. Regla del Producto

Partiendo de la definicin de probabilidad condicional, podemos obtener la probabilidad de la
interseccin mediante la siguiente regla:

P(A B) = P(A/B). P(B) = P(B/A).P(A)

En el caso de la interseccin de tres sucesos, se tiene:

P(A B C) = P(C/A B).P(A B) = P(B/A).P(A).P(C/A B)

6.4. Teorema
P(A/B) + P( A /B) = 1
Prueba:
P( A B) P( A B) P( A B) P( A B) P( B)
P(A/B) + P( A /B) = 1
P( B) P( B) P( B) P( B)

P( A /B) = 1 - P(A/B)

16 SP/ MTS
 Introduccin a la Teora de Probabilidad

7. Independencia de sucesos
Uno de los conceptos ms importantes de la teora de la probabilidad es el de independencia. Dos
sucesos A y B son independientes, cuando la ocurrencia de uno no afecta en absoluto la
probabilidad de ocurrencia del otro.

Sea S un espacio muestral asociado a un experimento aleatorio. Sean A y B sucesos de

S. Se dice que A y B son independientes si la probabilidad condicional de A dado B es
igual a la probabilidad de A:
P(A/B) = P(A) P(A B) = P(A).P(B)

8. Teorema de la Probabilidad Total

Sea S un espacio muestral asociado a un experimento aleatorio. Sea A un suceso y B1, B2, .Bk
una serie de sucesos mutuamente excluyentes de S, tales que la ocurrencia de A est
necesariamente asociada a la ocurrencia de uno de ellos, esto es:

A= (A B1) (A B2) (A B3) .. (A BK)

B1
B4 B5 B8

A
B2 B3 B6
B7 1 1

Entonces, la probabilidad de A es:

K
P( A) P( A Bi )
i 1

ya que los sucesos A Bi son mutuamente excluyentes. Aplicando el concepto de probabilidad

condicional, se tiene que:
k
P( A) P(A / Bi ).P(Bi )
i 1

Esta expresin es constituye el llamado principio de expansin.

17 SP/ MTS
 Introduccin a la Teora de Probabilidad

9. Teorema de Bayes
Sea S un espacio muestral asociado a un experimento aleatorio. Sea A un suceso y B1, B2, .Bk
una serie de sucesos mutuamente excluyentes de S, tales que la ocurrencia de A est
necesariamente asociada a la ocurrencia de uno de ellos. Las probabilidades de los Bi y las
probabilidades condicionales de A dado cada uno de los Bi son conocidas. Si A ocurri, entonces
la probabilidad condicional de Bj dado A es:

P(B j A) P( A / B j ) P( B j )
P(B j / A) k
P( A ) P(A / Bi )P(Bi )
i 1

El teorema de Bayes es uno de los ms importantes de la teora de probabilidad, ya que ste

constituye la base de la Inferencia Bayesiana, que es un enfoque alternativo para el anlisis
estadstico de datos que, en buena medida, se contrapone a los mtodos que proceden de la teora
frecuentista. Un elemento bsico con que predominantemente opera este mtodo es la concepcin
subjetiva del concepto de probabilidad.

En los ltimos aos se ha incorporado la inferencia bayesiana a muchos campos del

conocimiento. Particularmente, en la investigacin mdica se ha difundido significativamente su
empleo, ya que se afirma que permite emitir juicios coincidentes con el modo de razonar
cotidiano de los mdicos, tanto antes como despus de haber observado los datos clnicos de un
paciente.

Los procedimientos bayesianos constituyen una tecnologa emergente de procesamiento y

anlisis de informacin para la que es factible esperar una presencia cada vez ms intensa en el
campo de la aplicacin de la estadstica a la investigacin clnica y epidemiolgica.

18 SP/ MTS