Introducción a la Probabilidad y Estadı́stica -

Probabilidad y Estadı́stica
Grisel Britos
2023

PROBABILIDAD
Nociones de probabilidad
En esta área de estudio podemos distinguir dos tipos de sucesos: Determinı́stico o Aleatorio.

En un suceso determinı́stico se puede predecir el resultado con exactitud. Por ej.: dado un
valor t0 y una función f (t) = at + b, la respuesta invariable de f al valor t0 será f (t0 ) = at0 + b

En cambio, en un suceso aleatorio, no se puede predecir su resultado con exactitud.

A sucesos aleatorios, asociados a un experimento, se asignará lo que llamaremos PROBABI-

LIDAD.

Ejemplo de suceso aleatorio: Supongamos que el experimento consiste en arrojar una mone-
da. Dicho experimento es aleatorio ya que no se puede predecir su resultado con exactitud
pero sı́ se pueden listar los resultados posibles, en este caso, que salga cara (C) o que salga
cruz (X).

La Teorı́a frecuentista dice que en una larga serie de tiradas de la moneda, la frecuencia relativa
de que resulte C, para este ejemplo, tiende a estabilizarse alrededor de un número fijo llamado
probabilidad del suceso (en el caso que la moneda sea honesta este serı́a 1/2).

La definición que daremos de Probabilidad será tal que sea consistente con la Teorı́a frecuen-
tista.

Repaso de algunas propiedades sobre conjuntos:

a) A ∪ A = Ω

b) Ω = ∅ y ∅ = Ω

c) (A ∪ B) = A ∩ B

d) A ∩ B = A ∪ B

e) (A ∪ B) ∩ C = (A ∩ C) ∪ (B ∩ C)

f) (A ∩ B) ∪ C = (A ∪ C) ∩ (B ∪ C)
 Modelo probabilı́stico
Los sucesos aleatorios están frecuentemente presentes en situaciones de la vida real. Para des-
cribir y estudiar fenómenos reales, la matemática utiliza modelos.

Veamos algunos conceptos que nos permitirán construir una definición de modelo para dichos
sucesos aleatorios.

Definiciones:

• Experimento aleatorio: es todo proceso que genera resultados aleatorios.

• Espacio muestral (Ω): es el conjunto de todos los resultados posibles del experimento.

• Evento: es cualquier subconjunto de Ω. Si el evento tiene sólo un elemento se lo llama

evento simple y si tiene por lo menos dos elementos se lo llama compuesto.

• Familia de eventos de Ω (A): es un conjunto de elementos de Ω no vacı́o y que cumple

las siguientes condiciones:

- Si A ∈ A entonces A ∈ A
S∞
- Si {Ai }∞
i=1 son eventos en A entonces i=1 Ai ∈ A.

Un caso particular es tomar A = P(Ω) (se lee partes de Ω) que está formado por todos
los subconjuntos del espacio muestral, incluı́do el vacı́o.

• Probabilidad: es una función P : A −→ R que debe cumplir:

1) 0 ≤ P (A) ≤ 1 para cada A ∈ A

2) P (Ω) = 1
3) P ( ∞
S P∞ ∞
i=1 Ai ) = i=1 P (Ai ) para {Ai }i=1 eventos disjuntos en A

Notar que esta condición también vale para uniones finitas de eventos disjuntos.

• Modelo probabilı́stico: está conformado por el espacio muestral (Ω), una familia de
eventos de Ω (A) y una medida de probabilidad (P ). Se denota con (Ω, A, P ).

Observación: Dado un Ω asociado a un experimento tal que #Ω = N < ∞ y donde cada

resultado es igualmente probable entonces:
1
P (E) = N
para todo evento simple E ∈ A
#(A)
P (A) = N
para todo evento A ∈ A

Ejemplo 1:
El experimento consiste en arrojar tres veces una moneda honesta y registrar los resultados de
cada tirada.
a) Determinar un modelo probabilı́stico para este experimento.
 b) Calcular la probabilidad del evento:
i) A:“la primera tirada es cara (c)”
ii) B:“exactamente dos son caras”
iii) C:“al menos una es cara”
iv) A ∪ B
c) ¿A y B son eventos disjuntos?
d) ¿A y B son eventos complementarios?
Ejemplo 2:
El experimento consiste en lanzar un dado honesto hasta obtener un 6.
i) Defina un modelo probabilı́stico adecuado para este experimento.
ii) Calcular la probabilidad de que se necesite lanzar un dado por entre dos a cuatro veces hasta
obtener un 6.

Propiedades de la función Probabilidad

Dado un modelo probabilı́stico (Ω, A, P ) asociado a un experimento. Para cualquier A y B
eventos en A se cumplen:
I) Si A ⊂ B entonces P (B) = P (A) + P (B \ A) y P (B) ≥ P (A)
II) P (A) = 1 − P (A)
III) P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
IV) Si A y B son disjuntos, entonces P (A ∩ B) = 0
La propiedad (III) puede ser generalizada a n eventos. Sean {Ai }ni=1 eventos en A entonces:
n
[ n
X
P( Ai ) = (−1)i+1 Bi
i=1 i=1
donde X
Bi = P (Aj1 ∩ Aj2 ∩ ... ∩ Aji )
1≤j1 <j2 <...<ji ≤n

Ejemplo 3:
Una empresa controla mensualmente el funcionamiento de sus múltiples servidores. Sea A el evento
de que un servidor, elegido al azar, haya presentado una falla durante el mes de abril y sea B
el evento análogo para el mes de octubre (A y B se refieren al mismo servidor). Suponga que
P (A) = 0,8 ; P (B) = 0,7 y P (A ∪ B) = 0,9. Calcular:
a) P (A) ; P (A ∩ B) y P (A ∩ B).
b) La probabilidad que de falle en exactamente uno de estos meses. (Describa el evento en
término de los eventos A y B).
 Probabilidad condicional e independencia
Definición: Dado un modelo probabilı́stico (Ω, A, P ) y A y B eventos tal que P (B) > 0,
entonces se define la probabilidad condicional de A dado B como

P (A ∩ B)
P (A|B) =
P (B)

Propiedades de la probabilidad condicional

Dado un modelo probabilı́stico (Ω, A, P ) y B evento tal que P (B) > 0 entonces

a) 0 ≤ P (A|B) ≤ 1 ∀A ∈ A

b) P (Ω|B) = 1

c) ∀A, C ∈ A eventos disjuntos, entonces

P (A ∪ C|B) = P (A|B) + P (C|B)

Nota: Esta última propiedad también es válida para una unión infinita de eventos disjuntos,
o sea:

∞
[ ∞
X
P( Ai |B) = P (Ai |B)
i=1 i=1

para {Ai }∞
i=1 eventos disjuntos en A.
Por lo tanto como PB (A) := P (A|B) ∀A ∈ A cumple con las propiedades a), b) y c) resulta
ser una función de probabilidad.

d) P (A|B) = 1 − P (A|B) ∀A ∈ A .

Independencia
Definición: Sean A y B eventos en A. Diremos que son independientes si y sólo si

P (A ∩ B) = P (A).P (B)

Proposición: Si A y B son eventos independientes en A, entonces:

a) A y B son independientes

b) A y B son independientes

c) A y B son independientes
 Definición: Diremos que A1 , A2 , ..., An son eventos mutuamente independientes si para todo
subconjunto de subı́ndices {ir }kr=1 ⊆ {1, 2, ..., n} se cumple
k
\ k
Y
P( Air ) = P (Air )
r=1 r=1

Ejemplo 4:
Sea un sistema compuesto con cuatro componentes idénticas conectadas en paralelo, tal que el
sistema funciona (F) si las componentes 1 y 2 funcionan o las componentes 3 y 4 funcionan.
Suponga que las componentes funcionan independientemente una de otra y que la probabilidad de
funcionar cada una de ellas es 0.9 entonces ¿cuál es la probabilidad que el sistema funcione?

Regla de la multiplicación
Tn−1
Sean A1 , A2 , ..., An eventos en A tal que P ( i=1 Ai ) > 0 entonces:
n
\
P( Ai ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 )...P (An |A1 ∩ ... ∩ An−1 )
i=1

Ejemplo 5:
Una urna contiene 5 bolas blancas y 7 negras. Se seleccionan aleatoriamente dos bolas de la urna
sin reposición, primero una y después la otra.
a) Sea A el evento la primera bola es blanca y B la segunda bola es negra. ¿Son A y B eventos
independientes? Justifique su respuesta.
b) Calcular la probabilidad que
i) ambas bolas sean blancas
ii) ambas bolas sean de igual color.

Ley de Probabilidad Total

Sn
Sean A1 , A2 , ..., An eventos mutuamente excluyentes tal que Ω = i=1 Ai . Entonces:
n
X
P (B) = P (B|Ai )P (Ai ); ∀B ∈ A
i=1

Teorema de Bayes
Sn
Sean A1 , A2 , ..., An eventos mutuamente excluyentes tal que Ω = i=1 Ai y P (Ai ) > 0 ∀i =
1, 2, ..., n. Entonces:
P (B|Aj )P (Aj )
P (Aj |B) = Pn ∀j = 1, 2, ..., n y ∀B ∈ A con P (B) > 0.
i=1 P (B|Ai )P (Ai )
 Ejemplo 6:
Al llegar al último año de una determinada carrera universitaria, los alumnos deben elegir cursar
una materia optativa entre tres opciones disponibles: A1, A2, A3. El 40 % de los estudiantes elige
la materia A1, el 35 % elige A2 y el resto A3. Se sabe que, de los alumnos que cursan A1, el 30 %
promociona, de los que cursan A2 el 60 % promociona y de los que cursan A3 el 50 % promociona.

a) ¿Cuál es la probabilidad de que un alumno elija cursar A2 y promocione?

b) ¿Cuál es la probabilidad de que el alumno elegido al azar promocione?

c) Si se sabe que el alumno promocionó, ¿cuál es la probabilidad que haya cursado A3 ?