04.

PROBABILIDADES
SUCESOS Y ESPACIO MUESTRAL
Sucesos. Al definir los sucesos hablamos de las diferentes relaciones que pueden
guardar dos sucesos entre s, as como de las posibles relaciones que se pueden
establecer entre los mismos. Vamos a ver ahora cmo se refleja esto en el clculo de
probabilidades.
Suceso Elemental, hace referencia a cada una de las posibles soluciones que se
pueden presentar.
Suceso Compuesto, es un subconjunto de sucesos elementales.
- Un suceso puede estar contenido en otro, entonces, la probabilidad del primer
suceso ser menor que la del suceso que lo contiene.
- Dos sucesos pueden ser iguales, en este caso, las probabilidades de ambos
sucesos son las mismas.
- Interseccin de sucesos, es aquel suceso compuesto por los elementos comunes
de los dos o ms sucesos que se interceptan. La probabilidad ser igual a la
probabilidad de los elementos comunes.
- Unin de dos o ms sucesos, la probabilidad de la unin de dos sucesos es igual
a la suma de las probabilidades individuales de los dos sucesos que se unen,
menos la probabilidad del suceso interseccin
- Sucesos incompatibles, la probabilidad de la unin de dos sucesos incompatibles
ser igual a la suma de las probabilidades de cada uno de los sucesos (ya que su
interseccin es el conjunto vaco y por lo tanto no hay que restarle nada).
- Sucesos complementarios, la probabilidad de un suceso complementario a un
suceso (A) es igual a 1 - P(A)
- Unin de sucesos complementarios, la probabilidad de la unin de dos sucesos
complementarios es igual a 1.
Un suceso puede estar contenido en otro, las posibles soluciones del primer suceso
tambin lo son del segundo, pero este segundo suceso tiene adems otras soluciones
suyas propias.
1
Dos sucesos pueden ser iguales, esto ocurre cuando siempre que se cumple uno de
ellos se cumple obligatoriamente el otro y viceversa.
Unin de dos o ms sucesos, la unin ser otro suceso formado por todos los
elementos de los sucesos que se unen.
Interseccin de sucesos, es aquel suceso compuesto por los elementos comunes de
dos o ms sucesos que se interceptan.
Sucesos incompatibles, son aquellos que no se pueden dar al mismo tiempo ya que
no tienen elementos comunes (su interseccin es el conjunto vaco).
Sucesos complementarios. Son aquellos que si no se da uno, obligatoriamente se
tiene que dar el otro. Existen dos tipos de fenmenos: Deterministas, que son aquellos
cuyos resultados se pueden predecir de antemano, y estocsticos o Aleatorios, que
son los que dependen del azar (no se pueden predecir). Se llama prueba al proceso
mediante el cual se obtiene un resultado. Y se llama experimento aleatorio a todo
fenmeno aleatorio.
Se llama suceso aleatorio a todo subconjunto del espacio muestral. Se llama suceso
elemental a un suceso unitario. Se llama espacio de sucesos al conjunto formado por
todos los sucesos, y se representa por

. Se llama suceso imposible al que no se

verificar nunca, y se representa por

. Se llama suceso seguro al que se verificar

siempre, y se representa por E.
Se dice que un subconjunto A se ha realizado o se ha verificado cuando el
resultado de la prueba coincide con algn componente del subconjunto A. Se dice que
un suceso A implica a otro B cuando siempre que se verifica A, se verifica B: A

B. Diremos que dos sucesos son iguales cuando A

B y B

A.
lgebra de Boole


A B es el suceso que se verifica si y

( ) B A B A ,
slo si se verifica uno de los dos.


A B es el suceso que se verifica cuando

( ) B A B A ,
se verifican los dos a la vez.

C
C
A
, complementario de A, es el suceso que

C
A A se verifica cuando no se verifica
A.
2
Propiedades. Como las definiciones de unin, interseccin y complementacin de
sucesos son idnticas a las de los conjuntos, estas operaciones para sucesos cumplen
las mismas propiedades que para los conjuntos.
- Conmutativa: A B = B A A B = B A
- Asociativa: A (B C) = (A B) C A (B C) = (A B) C
- Idempotente: A A = A A A = A
- Simplificacin: A (A B) = A B A (A B) = A B
- Distributiva: A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
- Existencia de elemento neutro: A = A A E = A
- Absorcin: A E = E A =
- Complementacin: E
C
=
C
= E
- Involucin: (A
C
)
C
= A
- Leyes de Morgan: (A B)
C
= A
C
B
C
(A B)
C
= A
C
B
C
Un conjunto dotado con dos leyes de composicin (operaciones) que cumple la
conmutatividad, distributividad, existencia de elemento neutro y existencia de
complementario, se llama lgebra de Boole.
As pues, ( ; , ) es un lgebra de Boole.
Dos sucesos se dicen incompatibles si A B = .
Un sistema completo de sucesos son n sucesos A
1
, A
2
, ......., A n que verifican las
dos siguientes condiciones A
1
A
2
...... A n = E A i
A j = , i, j
= 1, 2, ...., n, para i j.
Suceso aleatorio. El espacio muestral del experimento que consiste en lanzar un dado
cuyas caras estn numeradas del 1 al 6, E = (1, 2, 3, 4, 5, 6)).
Consideremos ahora algunos subconjuntos de E,
Salir par A = (2, 4, 6)
Salir impar B = (1, 3, 5)
Salir mltiplo de 3 C = (3, 6)
A todos estos subconjuntos de E se les llama sucesos
Ejemplo, Determinar el espacio muestral y el espacio de sucesos del experimento
aleatorio que consiste en lanzar una moneda y anotar el resultado de la cara superior.
Espacio muestral: E = (C, S)
Espacio de sucesos S = (, (C ), (S), (C,S))
3
Ejemplo, Consideremos el experimento aleatorio que consiste en lanzar un dado de
quinielas y anotar el smbolo que aparece en la cara superior. Hallar el espacio
muestral y el espacio de sucesos.
Espacio muestral: E = (1, S, 2)
Espacio de sucesos S = (, (1), (S ), (2), (1,S), (1,2), (2,S), (1,S,2))
Ejemplo, En el experimento que consiste en extraer una carta de una baraja espaola
consideremos el suceso A = "Salir figura". Cundo diremos que se ha realizado el
suceso A?
Decimos que se ha realizado el Suceso A, si al extraer una carta obtenemos
cualquiera de las cuatro sotas, o de los cuatro caballos o de los cuatro reyes. Si la
carta extrada no es ninguna de stas, decimos que el suceso A no se ha realizado.
Sucesos elementales. Se llama sucesos elementales a los sucesos formados por un
solo punto muestral; es decir, por un solo resultado del experimento aleatorio
Sucesos compuestos. Se llama sucesos compuestos, a los sucesos formados por dos o
ms puntos mustrales; es decir, por mas de un resultado del experimento
Suceso cierto. Se llama suceso cierto, o suceso seguro, al que siempre se realiza. Es
evidente que el suceso cierto, estar formado por todos los resultados posibles del
experimento; es decir, coincide con el espacio muestral y por eso lo representaremos
tambin por la letra E.
Suceso imposible. Se llama suceso imposible, y se designa por un , a un suceso que
no se realiza nunca. Recurdese que cuando se formaba el espacio de sucesos S, de un
experimento aleatorio, aparecera siempre el suceso , ese es precisamente el suceso
imposible.
Sucesos Complementarios. Consideremos el espacio muestral asociado al
lanzamiento del dado, E = (1, 2, 3, 4, 5, 6), y los siguientes sucesos A ="salir nmero
impar" = (1, 3, 5), = "salir nmero par" = (2, 4, 6)
Los sucesos A y son complementarios, ya que si se realiza A no se realiza y si se
realiza no se realiza A.
Dado un suceso cualquiera A del espacio de sucesos S, se llama suceso contrario del
suceso A a un suceso que se realiza cuando no se realiza A, y recprocamente.
Operaciones con Sucesos
4
Unin de sucesos. Consideremos, en el experimento aleatorio el lanzamiento del
dado, cuyo espacio muestral es E = (1, 2, 3, 4, 5, 6), de los siguientes sucesos
A ="salir nmero par" = (2, 4, 6)
B ="salir nmero primo" = (2, 3, 5)
C ="salir nmero par o numero primo". Este suceso es C = (2, 3, 4, 5, 6). Y se llama
suceso unin de A y B. (observe que la unin se relaciona con el operador lgico O

). Dados dos sucesos Ay B de un mismo experimento aleatorio, llamamos suceso

unin de A y B al suceso que se realiza cuando se realiza A o B y se representa por
AUB
Interseccin de sucesos. Sucesos incompatibles. Consideremos los sucesos A y B
A ="salir nmero par" = (2, 4, 6)
B ="salir nmero primo" = (2, 3, 5)
D ="salir nmero par y primo". Este suceso es:
D = (2)
Y se llama suceso de interseccin de A y B. AB. Dados dos sucesos A y B de un
mismo experimento aleatorio, llamaremos suceso de interseccin de A y B al suceso
que se realiza cuando se realizan simultneamente los sucesos A y B. El suceso AB
esta formado por los puntos muestrales comunes a los sucesos A y B. Observe que la
interseccin tiene mucha relacin con el operador lgico Y -.
Sucesos Incompatibles. En los ejemplos anteriores hemos visto que en algunas
ocasiones la interseccin de dos sucesos es el suceso imposible. Cuando esto ocurre,
es decir, cuando es imposible que dos sucesos se realicen simultneamente. Es decir,
datos dos sucesos Ay B de un mismo experimento aleatorio, se tiene que, Si AB =
, entonces A y B son incompatibles.
Medida de Probabilidad. Si S es un espacio muestral, y A es evento, A S
definimos una medida de probabilidad P(A) como un nmero que asignamos al
evento A. Este nmero indica la probabilidad de que el evento A ocurra. Sea S un
espacio muestral, A un evento en S y P una medida de probabilidad. Lo siguientes
axiomas establecen las propiedades fundamentales de una medida de probabilidad:
Axioma 1. Para cualquier evento A S, P(A) 0.
Axioma 2. P(S) = 1.
Axioma 3. Para cualquier secuencia infinita de conjuntos disjuntos, A
1
, A
2
, ,
donde A
i
S, i = 1, 2,...., tenemos

,
_

1 i
i i
1 i
) A ( P A P

5
Ahora usaremos los axiomas de probabilidad para obtener resultados y reglas que nos
ayudarn a entender y usar la medida de probabilidad. Algunos de los resultados nos
pueden parecer obvios, sin embargo, el que se puedan demostrar a partir de los
axiomas nos da una indicacin de su consistencia y de lo poderosos que resultan ser.
Teorema. P() = 0.
Prueba. Considera la secuencia infinita A
1
, A
2
, , donde cada A
i
= . Tenemos que
= , = y

1 i
Teorema. Para cualquier secuencia finita de conjuntos disyuntos, A1, A2,, An
tenemos

,
_

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

Teorema. Para cualquier evento A: P(A

c
)=1-P(A).
Teorema. Para cualquier evento A: 0 P(A) 1.
Prueba. Sabemos que P(A) 0. Si P(A) > 1, entonces del Teorema 3, tenemos que
P(A c ) < 0, lo que contradice el Axioma 1. Por lo tanto, debemos tener que P(A) 1.
Teorema. Si AB entonces P(A)P(B).
Teorema. Para dos eventos cualquiera A, B tenemos P(AB)=P(A)+P(B)-P(AB)
Prueba. AB=(AB
c
)(AB)(A
c
B), por lo tanto P(AB) = P(AB
c
) + P(AB)
+ P(A
c
B). Tambin vemos que P(A) = P(AB
c
) + P(AB) y que P(B) = P(BA
c
)
+ P(AB)
6
Axiomtica del Espacio de probabilidades. Sigma Algebra. Si

representa la
coleccin de todos los suceso y el conjunto fundamental de probabilidad, se tiene
que
- Para todo suceso A de los que constituyen

, entonces el complementario de A
es tambin elemento de

:
c
A A
- Si A
1
,...,A
n
son una sucesin numerable de sucesos en

, tambin es

n
1 n
A
-

Cuando se cumplen todas las proposiciones anteriores estamos frente a un Sigma
Anillo o una Sigma Algebra.
Teorema: Si A
1
,...,A
n
es cualquier sucesin finita de sucesos en

, entonces,

k
n
k
A

1
Teorema: El suceso seguro siempre pertenece a

Teorema: Si A
1
,...,A
n
es una sucesin numerable cualquiera de sucesos de

,
tambin,
k
k
A

1
De acuerdo con lo anterior, Si A
1
,...,A
n
es una sucesin finita de sucesos cualesquiera,
entonces todas sus intersecciones todas pertenecen a

Probabilidad: P es una funcin que se asigna a cada suceso A en

un nmero
P(A), al cual cumple:

,
_

1 n
n
1 n
n
) A ( P A P
1 ) ( P
0 ) A ( P
este ltimo caso los conjuntos deben ser disjuntos.
Teorema:
P( ) 0
Teorema: Si A
1
,...,A
n
son n sucesos incompatibles cualesquiera, entonces, se tiene,
) A ( P ) A ( P ) A A ( P
n 1 n 1
+ + +
Teorema: Para dos sucesos cualesquiera A y B se cumple
) B A ( P ) B ( P ) A ( P ) B A ( P +
, esto es,
) B ( P ) A ( P ) B A ( P +
7
Este teorema se puede generalizar para n sucesos
Teorema: Cuando se tiene que B A , resulta que
) B ( P ) A ( P
Teorema: Para un suceso cualquiera A, se cumple
1 ) A ( P
. Usar que
P( ) 1
Teorema: Para cualquier suceso X, P(X
c
)=1-P(X), y P(X)=1-P(X
c
).
La probabilidad mide la mayor o menor posibilidad de que se d un determinado
resultado (suceso) cuando se realiza un experimento aleatorio. La probabilidad toma
valores entre 0 y 1 (o expresados en tanto por ciento, entre 0% y 100%). El valor
Cero corresponde al suceso imposible. El valor Uno corresponde al suceso seguro. El
resto de sucesos tendr probabilidades entre cero y uno: que ser tanto mayor cuanto
ms probable sea que dicho suceso tenga lugar.
Medida de Probabilidad. Uno de los mtodos ms utilizados es aplicando la Regla
de Laplace, que define la probabilidad de un suceso como el cociente entre casos
favorables y casos posibles.
Definicin. La probabilidad de un suceso A se calcula como el nmero de casos
favorables al suceso A, partido por el nmero de casos posibles del experimento
aleatorio:
posibles casos
favorables casos
) A ( p
P(A) = Casos favorables / Casos posibles
Para poder aplicar la Regla de Laplace el experimento aleatorio tiene que cumplir dos
requisitos:
- El nmero de resultados posibles (sucesos) tiene que ser finito. Si hubiera
infinitos resultados, al aplicar la regla casos favorables / casos posibles el cociente
siempre sera cero.
- Todos los sucesos tienen que tener la misma probabilidad. Si al lanzar un dado,
algunas caras tuvieran mayor probabilidad de salir que otras, no podramos
aplicar esta regla.
Las Frecuencias. Cuando se realiza un experimento aleatorio un nmero muy
elevado de veces, las probabilidades de los diversos posibles sucesos empiezan a
converger hacia valores determinados, que son sus respectivas probabilidades. En
8
este modelo ya no ser necesario que el nmero de soluciones sea finito, ni que todos
los sucesos tengan la misma probabilidad.
La idea intuitiva de probabilidad se basa en la llamada ley de los grandes nmeros,
enunciada por Bernoulli: 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.
Es decir, si A es un suceso, podramos hablar del
n
n
Lm ) A ( fr Lm
A
n n

Este nmero al que la frecuencia relativa se acerca es lo que llamaremos la
probabilidad del suceso, se representar como P(A).
La probabilidad es una ley que asigna a cada suceso A un nmero real
p :

y que verifica:
A

P(A)
- P(A) 0 , A P(E) = 1
- si A y B son sucesos incompatibles, P(A B) = P(A) + P(B)
Como consecuencia de estos tres axiomas, se verifican adems las siguientes
propiedades:
- P(A
C
) = 1 P(A)
- P( ) = 0
- si A

B, P(A) P(B)
- P(A) 1, A
- si A
1
, A
2
, ...... , A n son incompatibles dos a dos, entonces, P(A
1
A
2
.....
A
n
) = P(A
1
) + P(A
2
) + ..... + P(A
n
)
- si A, B son dos sucesos cualesquiera, entonces, P(A B) = P(A) + P(B)
P(A B)

La probabilidad de un suceso A es el cociente entre el nmero de casos favorables
al suceso y el nmero de casos posibles. Ejemplos,
Se considera un experimento aleatorio que consiste en lanzar un dado se pide la
probabilidad de obtener
a) Nmero impar b) Nmero primo
c) Mltiplo de 3 d) Mltiplo de 5
Espacio muestral del experimento E = ( 1,2,3,4,5,6)
Luego el nmero de casos posibles es 6

9
Probabilidades
a) A= " obtener impar" = (1, 3, 5) P(A) = 3/6
b) B= " obtener nmero primo" = (2, 3, 5) P(B) = 3/6
c) C= " obtener mltiplo de 3" = (3, 6) P(B) = 2/6
d) D ="obtener mltiplo de 5 " = (5) P(D)= 1/6
Se realiza un experimento aleatorio que consiste en la extraccin de una carta de una
baraja espaola. Se pide hallar las siguientes probabilidades
a) "Obtener un oro" b) "Obtener un as"
El espacio muestral del experimento est formado por los 40 resultados posibles
correspondientes a cada una de las cartas de la baraja. A continuacin formamos los
sucesos de los cuales nos piden estimar la probabilidad.
a) O = "Obtener un oro" = (1, 2, 3, 4, 5, 6, 7, S, C, R) p (O) = 10/40 = 1/4
b) A = "Obtener un as" = (1
E
, 1
C
, 1
B
,1
0
) p (A) = 4/40 = 1/10
En este caso los subndices son E =Espada, C = Copas, B = Bastos, O = Oro
Consideremos el experimento aleatorio que consiste en lanzar dos datos y anotar la
suma de los puntos de las caras superiores. Hallar la probabilidad de los siguientes
sucesos
a) Obtener suma de igual a 8
b) Obtener suma menor o igual a 4
Espacio muestral del experimento E= ((1,1),(1,2), (1,3),..,(2,2), (2,3),...,(6,1),...,(6,6))
Por tanto, el nmero de casos posibles de casos es 36
a) S
8
= ((2,6), (3,5), (4,4), (5,3), (6,2)) p (S
8
) = 5/36
b) S
4
= ((1,1), (1,2), (1,3), (2,1),(2,2),(3,1)) p ( S
4
) =6/36 = 1/6
En otras palabras, con miras a dejar mayor claridad,
Definicin axiomtica de probabilidad. Sea : espacio muestral, P() conjunto de
las partes de o conjunto de sucesos, o lgebra de sucesos. Se define probabilidad, o
funcin de probabilidad, a cualquier funcin p: P() (es decir, una regla bien
definida por la que se asigna a cada suceso un, y un solo un, nmero real) que cumpla
los axiomas siguientes:
i) P(A) 0 A P()
ii) P(A
1
A
2
A
3
...) = P(A
1
) + P(A
2
) + P(A
3
) + ...
si Ai Aj = i j (sucesos mutuamente excluyentes)
iii) P() = 1
10
A la estructura (, P(), p) se le denomina espacio de probabilidad.
Ejemplo, Para el experimento aleatorio de tirar un dado, el espacio muestral es =
{1, 2, 3, 4, 5, 6}. En este espacio el conjunto de sucesos es P() = {, {1}, {2}, ...
{1,2}, {1,3}, ...{1,2,3,4,5,6}} Para establecer una probabilidad hay que asignar un
nmero a todos esos sucesos.
Sin embargo si se ha asignado a los sucesos elementales P({1})= P({2})= ...=
P({6})= 1/6, por la propiedad ii), p.e. la probabilidad del suceso {1, 3} es P({1,3})=
P({1})+ P({3})=2/6.
Propiedades de la probabilidad. Demostraciones
1) P(A
c
) = 1 - P(A)
A
c
representa el suceso complementario de A, es decir el formado por todos los
resultados que no estn en A.
2) A
1
A
2
P(A
1
) P(A
2
)
3) P() = 0
4) P(A) 1
5) P(A B) = P(A) + P(B) - P(A B) (Regla general de la adiccin)
Ejemplo, Un 15% de los pacientes atendidos en un hospital son hipertensos, un 10%
son obesos y un 3% son hipertensos y obesos. Qu probabilidad hay de que elegido
un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A B = {hipertenso y obeso}
A B = {obeso o hipertenso}
P(A) = 0,10; P(B) = 0,15; P(A B) = 0,03
P(A B) = 0,10 + 0,15 - 0,03 = 0,22
Axiomas de Probabilidades.
Si A y B son incompatibles, P(AUB) = P(A) + P(B)
Probabilidad del suceso contrario, P() = 1 - P(A
Probabilidad del suceso imposible, P() = 0
Probabilidad de todo el espacio muestral P(E)=1
Dependencia funcional e independencia. La relacin entre las variables X e Y,
parte del objetivo de este captulo y en general de un nmero importante de los
estudios de las Ciencias Sociales, puede ser ms o menos acentuada, pudiendo llegar
sta desde la dependencia total o dependencia funcional hasta la independencia.
Dependencia funcional. La dependencia funcional, que nos refleja cualquier frmula
matemtica o fsica, es a la que estamos normalmente ms habituados.
11
Independencia. Hemos visto que la dependencia funcional implica una estructura
muy particular de la tabla bidimensional, en la que en todas las filas (o en todas las
columnas) existe un nico elemento no nulo. Existe un concepto que de algn modo
es el opuesto a la dependencia funcional, que es el de independencia. Se puede
expresar de muchas maneras el concepto de independencia, y va a implicar de nuevo
una estructura muy particular de la tabla bidimensional, en el que todas las filas y
todas las columnas van a ser proporcionales entre s.
Para enunciar lo que es la independencia de dos variables vamos a basarnos en el
siguiente razonamiento: Si la variable Y es independiente de X, lo lgico es que la
distribucin de frecuencias relativas condicionadas
i
x / Y sea la misma que la de
1 2
x / Y ,..., X / Y . Esto se puede escribir: Para todo j=1,,p, se tiene que
j *
k
j
1
j
f f f
Pues bien, diremos que la variable Y es independiente de X si la relacin es
verificada. Hay otras formas equivalentes de enunciar la independencia: Cada una de
las siguientes relaciones expresa por si sola la condicin de independencia. Cada una
de las siguientes relaciones expresa por s sola la condicin de independencia entre
las variables X e Y
* *
j * * i
ij j * * i ij
* *
j *
* 2
j 2
* 1
j 1
* *
j *
* i
ij
n
n * n
n f * f f
n
n
n
n
n
n
n
n
n
n


Obsrvese que la relacin implica que la independencia es siempre recproca, es
decir, si X es independiente de Y, entonces Y es independiente de X.
Medias y varianzas marginales y condicionadas. Asociados a las distribuciones
marginales y condicionadas definidas en las secciones anteriores, podemos definir
algunos estadsticos de tendencia central o dispersin, generalizando los que vimos en
los captulos dedicados al anlisis de una variable. Las medias marginales de la
variable X e Y se definen del siguiente modo:
12
j
p
1 j
i *
p
1 j
j j *
* *
i
k
1 i
* i
k
1 i
i * i
* *
y f y n
n
1
y x f x n
n
1
x



Las varianzas marginales respectivas son
2
j
p
1 j
j *
2
j
p
1 j
j *
* *
2
y
2
i
k
1 i
* i
2
i
k
1 i
* i
* *
2
x
) y y ( f ) y y ( n
n
1
s ) x x ( f ) x x ( n
n
1
s


Para cada una de las p variables condicionadas
i
Y X /
y j
x Y /
definimos sus
respectivas media condicionada y varianza condicionada mediante,
2
j
2
j
p
1 j
ij
* i
2
i j
p
1 j
i
j
2
i i
p
1 j
ij
* i
2
y
2
j
2
i
k
1 i
ij
j *
2
j i
k
1 i
j
i
2
j i
k
1 i
ij
j *
2
x
p
1 j
j
j
i j
p
1 j
ij
* i
i
k
1 i
i
j
i i
k
1 i
ij
j *
j
y x y n
n
1
) y y ( f ) y y ( n
n
1
s
x x n
n
1
) x x ( f ) x x ( n
n
1
s
y f y n
n
1
y x f x n
n
1
x
j
j

'

'

Es interesante observar que podemos considerar que las n
**
observaciones de la
variable X han sido agrupadas en subgrupos, cada uno de ellos caracterizados por la
propiedad de que Y=y
j
para algn j=1,,p. Las medias y varianzas marginales de las
variables X y Y se pueden escribir de modo equivalente como:
13
2
j
k
1 i
* i
k
1 i
2
y * i
2
y
k
1 i
i
k
1 i
* i
* *
i * i
2
j
p
1 j
j *
p
1 j
2
x j *
2
x
p
1 j
j
p
1 j
j *
* *
j j *
) y y ( f s f s y n
n
1
y f y
) x x ( f s f s x n
n
1
x f x
j
j
+
+




PROBABILIDAD CONDICIONAL
En muchas ocasiones, la verificacin o no de un suceso se estudia en funcin de otro
suceso de cuya verificacin depende o del cual est condicionado. Se dice
probabilidad condicionada del suceso B respecto del suceso A, y se representa
0 ) A ( P
) A ( P
) B A ( P
) B / A ( P

Ejemplo, se tira un dado y sabemos que la probabilidad de que salga un 2 es 1/6. Si

incorporamos nueva informacin (por ejemplo, alguien nos dice que el resultado ha
sido un nmero par) entonces la probabilidad de que el resultado sea el 2 ya no es 1/6.
P (B/A) es la probabilidad de que salga el nmero 2 (suceso B) condicionada a que haya
salido un nmero par (suceso A).
P(A B). es la probabilidad de que salga el dos y nmero par. P(A) es la probabilidad a
priori de que salga un nmero par. Por tanto, P(A B).) = 1/6 y P (A) = , entonces, P
(B/A) = (1/6) / (1/2) = 1/3. Luego, la probabilidad de que salga el nmero 2, si ya
sabemos que ha salido un nmero par, es de 1/3 (mayor que su probabilidad a priori
de 1/6).
Ejemplo, En un estudio sanitario se ha llegado a la conclusin de que la probabilidad de que
una persona sufra problemas coronarios (suceso B) es el 0,10. Adems, la probabilidad de
que una persona sufra problemas de obesidad (suceso A) es el 0,25 y la probabilidad de que
una persona sufra a la vez problemas de obesidad y coronarios (suceso interseccin de A y B)
es del 0,05. Calcular la probabilidad de que una persona sufra problemas coronarios si est
obesa (probabilidad condicionada P(B/A)).
P(A B) = 0,05, o sea, P (A) = 0,25, entonces, P (B/A) = 0,05 / 0,25 = 0,20
Ejemplo, Una mujer es portadora de la enfermedad de Duchenne Cul es la
probabilidad de que su prximo hijo tenga la enfermedad?
Segn las leyes de Mendel, todos los posibles genotipos de un hijo de una madre
portadora (xX) y un padre normal (XY) son xX, xY, XX, XY y tienen la misma
14
probabilidad. El espacio muestral es = {xX, xY, XX, XY} el suceso A={hijo
enfermo} corresponde al genotipo xY, por tanto, segn la definicin clsica de
probabilidad P(A) = 1/4 = 0,25
La mujer tiene el hijo y es varn qu probabilidad hay de que tenga la enfermedad?
Se define el suceso B = {ser varn} = {xY, XY} la probabilidad pedida es P(A/B) y
aplicando la definicin anterior P(B) = 0,5; A B = {xY}; P(A B) = 0,25; P(A/B)
= 0,25/0,5 = 0,5
Si sabemos que es varn, el espacio muestral ha cambiado, ahora es B. Por lo tanto se
puede calcular P(A/B) aplicando la definicin clsica de probabilidad al nuevo
espacio muestral P(A/B) = 1/2 = 0,5
Ejemplo, Se sabe que el 50% de la poblacin fuma y que el 10% fuma y es
hipertensa. Cul es la probabilidad de que un fumador sea hipertenso?
A = {ser hipertenso} B = {ser fumador} A B = {ser hipertenso y fumador} P(A/B)
= 0,10/0,50 = 0,20
Obsrvese que los coeficientes falso-positivo y falso-negativo de las pruebas
diagnsticas son probabilidades condicionadas.
La frmula anterior se puede poner P(A B) = P(B) P(A/B) = P(A) P(B/A) llamada
regla de la multiplicacin, que se puede generalizar a ms sucesos P(A
1
A
2
A
3
)
= P((A
1
A
2
) A
3
) = P(A
1
A
2
) P(A
3
/A
1
A
2
) = P(A
1
) P(A
2
/A
1
) P(A
3
/A
1
A
2
)
Sucesos independientes. Dos sucesos son independientes si y slo si P(A B) =
P(A) P(B). Si dos sucesos son independientes
) A ( P
) B ( P
) B ( P ) A ( P
) B ( P
) B A ( P
) B / A ( P

y del mismo modo P(B/A) = P(B). Esta propiedad coincide ms con la idea intuitiva
de independencia y algunos textos la dan como definicin. Hay que notar, sin
embargo, que ambas definiciones no son estrictamente equivalentes.
Ejemplo, Para un hijo de una mujer portadora de Duchenne, el sexo y la enfermedad
son independientes?
Segn vimos en el Ejemplo el espacio muestral es = {xX, xY, XX, XY}
Definimos los sucesos A = {varn} = {xY, XY}; B = {enfermo} = {xY}
A B = {xY} por lo tanto P(A) = 0,5; P(B) = 0,25; P(A B) = 0,25 P(A) P(B)
NO son independientes.
15
Dos sucesos A, B se dicen independientes si P(B) = P(B/A). Es decir, se
cumplir que P(A)*P(B) = P(A B). Si A y B son independientes, entonces A y B
c
son independientes, A
c
y B son independientes, y A
c
y B
c
son independientes.
Probabilidad Compuesta. La probabilidad compuesta (o regla de multiplicacin de
probabilidades) se deriva de la probabilidad condicionada. La probabilidad de que se
den simultneamente dos sucesos (suceso interseccin de A y B) es igual a la
probabilidad a priori del suceso A multiplicada por la probabilidad del suceso B
condicionada al cumplimiento del suceso A.
) A ( P ) A / B ( P ) B A ( P
En general P(A
1
A
2
A
3
...) = P(A
1
) P(A
2
/A
1
) P(A
3
/A
1
A
2
) ... llamado Principio
de las probabilidades compuestas y especialmente til para aquellas situaciones en
que las probabilidades condicionadas son ms fciles de obtener que las
probabilidades de las intersecciones.
Ejemplo, Se sabe por estudios previos que el 0,1% de la poblacin tiene problemas
vasculares. Un estudio sobre individuos con problemas vasculares revela que el 20%
de ellos son placas de ateroma. Si el 10% de los individuos con placas de ateroma
est expuesto a muerte sbita por desprendimiento de trombos qu probabilidad
tiene un individuo cualquiera de estar expuesto a muerte sbita por desprendimiento
de trombos de una placa de ateroma?
A
1
= {problemas vasculares}; A
2
= {placas de ateroma}; A
3
= {expuesto a muerte
sbita por ....} P(A
1
) = 0,001; P(A
2
/A
1
) = 0,20; P(A
3
/A
1
A
2
) = 0,1 P(A1 A2
A3) = 0,001 x 0,20 x 0,1 = 0,000002
Ejemplo, Una urna contiene 10 bolas, de las cuales 3 son rojas, 5 verdes y 2 azules.
Se extraen al azar 3 bolas. Calcular la probabilidad de que la primera sea azul, y las
otras dos verdes.
Definimos A
1
= {la 1 bola es azul}; A
2
= {la 2 bola es verde}; A
3
= {la 3 bola es
verde} P(A
1
) = 2/10 aplicando la definicin clsica de probabilidad, puesto que hay
10 bolas y 2 son verdes. P(A
2
/A
1
) = 5/9; si la primera bola extrada es azul, en la urna
quedan 9 bolas, 5 de ellas verdes. P(A
3
/A
1
A
2
) = 4/8; si la primera bola extrada es
azul y la segunda verde en la urna quedan 8 bolas, 4 de ellas verdes. P(A1 A2
A3) = 2/10 x 5/9 x 4/8 = 1/18
PROBABILIDAD TOTAL
Si A
1
, A
2
, ......., A n son un sistema completo de sucesos tal que P(A i ) 0,
n ,.... 1 i
, entonces la probabilidad de un suceso B cualquiera es:
P(B) = P(A
1
)*P(B/A
1
)+P(A
2
)*P(B/A
2
)++P(A
n
)*P(B/A
n
)
16
Ejemplo, Estudiamos el suceso A (porcentaje de varones mayores de 40 aos
casados) y el suceso B (varones mayores de 40 aos con ms de 2 hijos) y
obtenemos la siguiente informacin: Un 35% de los varones mayores de 40 aos
estn casados. De los varones mayores de 40 aos y casados, un 30% tienen ms
de 2 hijos (suceso B condicionado al suceso A).
Calcular la probabilidad de que un varn mayor de 40 aos est casado y tenga ms
de 2 hijos (suceso interseccin de A y B). Por lo tanto, P (A) = 0,35, P (B/A) = 0,30
P(A B) = 0,35 * 0,30 = 0,105. Es decir, un 10,5% de los varones mayores
de 40 aos estn casados y tienen ms de 2 hijos.
Ejemplo, Estudiamos el suceso A (alumnos que hablan ingls) y el suceso B
(alumnos que hablan alemn) y obtenemos la siguiente informacin: Un 50% de los
alumnos hablan ingls.
De los alumnos que hablan ingls, un 20% hablan tambin alemn (suceso B
condicionado al suceso A). Calcular la probabilidad de que un alumno hable ingls y
alemn (suceso interseccin de A y B). Por lo tanto, P (A) = 0,50, y P (B/A) = 0,20
P(A B) = 0,50 * 0,20 = 0,10, es decir, un 10% de los alumnos hablan ingls
y alemn.
El Teorema de la probabilidad total nos permite calcular la probabilidad de un
suceso a partir de probabilidades condicionadas,

n
1 i
i i
) A / B ( P ) A ( P ) B ( P
Es decir, la probabilidad de que ocurra el suceso B (en nuestro ejemplo, que ocurra
un accidente) es igual a la suma de multiplicar cada una de las probabilidades
condicionadas de este suceso con los diferentes sucesos A (probabilidad de un
accidente cuando llueve y cuando hace buen tiempo) por la probabilidad de cada
suceso A. Para que este teorema se pueda aplicar hace falta cumplir que Los
sucesos A tienen que formar un sistema completo, es decir, que contemplen todas
las posibilidades (la suma de sus probabilidades debe ser el 100%).
Ejemplo, En una urna hay papeletas de tres colores, con las siguientes probabilidades
de ser elegidas: a) Amarilla: probabilidad del 50%, b) Verde: probabilidad del 30%, y
c) Roja: probabilidad del 20%. Segn el color de la papeleta elegida, podrs
participar en diferentes sorteos.
As, si la papeleta elegida es: a) Amarilla: participas en un sorteo con una
probabilidad de ganar del 40%; b) Verde: participas en otro sorteo con una
probabilidad de ganar del 60%, o c) Roja: participas en un tercer sorteo con una
probabilidad de ganar del 80%.
Con esta informacin, qu probabilidad tienes de ganar el sorteo en el que
participes?
17
Las tres papeletas forman un sistema completo: sus probabilidades suman 100%,
luego,
P (B) = (0,50 * 0,40) + (0,30 * 0,60) + (0,20 * 0,80) = 0,54
Por tanto, la probabilidad de ganar el sorteo es del 54%.
Probabilidad Total. Sea A
1
,..,A
n
estn incluidas en E, un sistema exhaustivo y
excluyente de sucesos. Entonces
) A ( P ) A / B ( P ) B ( P E B
i
n
1 i
i

,
tal como se puede observar en la figura: Si A
1
, A
2
, A
3
, A
4
forma un sistema exhaustivo
y excluyente se sucesos, podemos calcular la probabilidad de B a partir de las
cantidades ) A B ( P
i
, o lo que es lo mismo, ) A ( P ) A / B ( P
i i

) A ( P ) A / B ( P ) A ( P
i
P
i
B P ) E B ( P ) B ( P
i
n
1 i
i
n
1 i
i
n
1 i
n
1 i
) A B ( A

,
_

,
_

,
_

,
_

Ejemplo, Van a cambiar a tu jefe y se barajan diversos candidatos: a) Abe, con una
probabilidad del 60%, b) Ver, con una probabilidad del 30%, y c) Diego, con una
probabilidad del 10%.
En funcin de quien sea tu prximo jefe, la probabilidad de que te suban el sueldo
es la siguiente: a) Si sale Abe: la probabilidad de que te suban el sueldo es del 5%,
b) Si sale Ver: la probabilidad de que te suban el sueldo es del 20%, o c) Si sale
Diego: la probabilidad de que te suban el sueldo es del 60%.
En definitiva, cual es la probabilidad de que te suban el sueldo?
Los tres candidatos forman un sistema completo
P (B) = (0,60 * 0,05) + (0,30 * 0,20) + (0,10 * 0,60) = 0,15
Por tanto, la probabilidad de que te suban el sueldo es del 15%.
18
Leyes de Morgan. Las leyes de Morgan permiten relacionar la complementariedad
entre los conjuntos y las operaciones de Interseccin y Unin,
( ) ( )
( ) ( ) B A B A o B A B A
B A B A o B A B A
C C C
C C C


A estas leyes se les puede aplicar las normas que hemos mencionado de
probabilidades y se obtendrn resultados muy interesantes
TEOREMA DE BAYES
Teorema de Bayes. El Teorema de Bayes viene a seguir el proceso inverso al que
hemos visto en el Teorema de la probabilidad total. Si A
1
, A
2
, ......., A
n
son un
sistema completo de sucesos tal que P(A i ) 0,
n ,.... 1 i
, entonces
para un suceso B cualquiera se verifica:

n
1 i
i i
i i
i
) A / B ( P ) A ( P
) A / B ( P ) A ( P
) B / A ( P
,
y esto para cualquier i = 1, ...., n.
Teorema de la probabilidad total: a partir de las probabilidades del suceso A
(probabilidad de que llueva o de que haga buen tiempo) deducimos la probabilidad
del suceso B (que ocurra un accidente). Teorema de Bayes: a partir de que ha
ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del
suceso A (estaba lloviendo o haca buen tiempo?).
Ejemplo, El parte meteorolgico ha anunciado tres posibilidades para el fin de
semana: a) Que llueva: probabilidad del 50%, b) Que nieve: probabilidad del 30%, y
c) Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un
accidente es la siguiente, a) Si llueve: probabilidad de accidente del 10%, b) Si nieva:
probabilidad de accidente del 20%, o c) Si hay niebla: probabilidad de accidente del
5%.
Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no
sabemos que tiempo hizo (nev, llovi o hubo niebla). El teorema de Bayes nos
permite calcular estas probabilidades: Las probabilidades que manejamos antes
de conocer que ha ocurrido un accidente se denominan probabilidades a priori
(lluvia con el 60%, nieve con el 30% y niebla con el 10%).
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las
probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que
se denominan probabilidades a posteriori.
19
a) Probabilidad de que estuviera lloviendo:
714 . 0
) 05 . 0 20 . 0 ( ) 10 . 0 30 . 0 ( ) 20 . 0 50 . 0 (
20 . 0 50 . 0
) B / A ( P
i

+ +

La probabilidad de que efectivamente estuviera lloviendo el da del accidente

(probabilidad a posteriori) es del 71,4%.
b) Probabilidad de que estuviera nevando:
214 . 0
) 05 . 0 20 . 0 ( ) 10 . 0 30 . 0 ( ) 20 . 0 50 . 0 (
10 . 0 30 . 0
) B / A ( P
i

+ +

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:
071 . 0
) 05 . 0 20 . 0 ( ) 10 . 0 30 . 0 ( ) 20 . 0 50 . 0 (
05 . 0 20 . 0
) B / A ( P
i

+ +

La probabilidad de que hubiera niebla es del 7,1%.

Sea A
1
,..,A
n
estn incluidos en E, un sistema exhaustivo y excluyente de sucesos. Sea
B incluido en E, un suceso del que conocemos todas las cantidades P(B/A
i
), con i=1,
,n, a las que denominamos verosimilitudes, entonces se verifica,

n
1 i
i i
j j
j
) A ( P ) A / B ( P
) A ( P ) A / B ( p
) B / A ( P
Demostrando este teorema tenemos que es una consecuencia de la definicin de
probabilidad condicionada en trminos de la interseccin, y del teorema de la
probabilidad total,

n
1 i
i i
j j j
j
) A ( P ) A / B ( P
) A ( P ) A / B ( p
) B ( P
) B A ( P
) B / A ( P
INDEPENDENCIA DE SUCESOS
De acuerdo con lo visto anteriormente, tenemos que dos sucesos son
independientes entre s, si la ocurrencia de uno de ellos no afecta para nada a la
ocurrencia del otro. Ejemplo, el suceso estatura de los alumnos de una clase y el
color del pelo son independientes: el que un alumno sea ms o menos alto no va a
influir en el color de su cabello, ni viceversa. Para que dos sucesos sean
independientes tienen que verificar al menos una de las siguientes condiciones
20
- P(B/A) = P(B). Esto es, que la probabilidad de que se de el suceso B,
condicionada a que previamente se haya dado el suceso A, es exactamente
igual a la probabilidad de B. Ejemplo, la probabilidad de que al tirar una moneda
salga cara (suceso B), condicionada a que haga buen tiempo (suceso A), es
igual a la propia probabilidad del suceso B.
- P(A/B) = P(A). Esto es, que la probabilidad de que se de el suceso A,
condicionada a que previamente se haya dado el suceso B, es exactamente
igual a la probabilidad de A. Ejemplo: la probabilidad de que haga buen tiempo
(suceso A), condicionada a que al tirar una moneda salga cara (suceso B), es
igual a la propia probabilidad del suceso A.
- P(A B) = P(A) * P(B). Esto es, que la probabilidad de que se de el suceso
conjunto A y B es exactamente igual a la probabilidad del suceso A multiplicada
por la probabilidad del suceso B. Ejemplo, la probabilidad de que haga buen
tiempo (suceso A) y salga cara al tirar una moneda (suceso B), es igual a la
probabilidad del suceso A multiplicada por la probabilidad del suceso B
Si el suceso A es independiente del suceso B, entonces el suceso B tambin es
independiente del suceso A.
Ejemplo, Sean los dos sucesos: P(A) = la probabilidad de que haga buen tiempo es
del 0,4, y P(B) = la probabilidad de tener un accidente es del 0,1, y P(A B) = la
probabilidad de que haga buen tiempo y tener un accidente es del 0,08
Veamos si se cumple alguna de las condiciones sealadas:
P (B/A) = P(A B) / P (A) = 0,08 / 0,4 = 0,2 (que no es igual a P (B))
P (A/B) = P(A B) / P (B) = 0,08 / 0,6 = 0,133 (que no es igual a P (A))
P(A B) = 0,08 (que no es igual a P (A) multiplicado por P (B))
Por lo tanto, no se cumple ninguna de las tres condiciones sealadas por lo que estos
dos sucesos no son independientes, sino que existe algn grado de dependencia
entre ellos.
Ley de los Grandes Nmeros. Suponga que X
1
, X
2
,...,X
n
es una secuencia arbitraria
de variables aleatorias con valores esperados E(X
1
), E(X
2
),...,E(X
n
). Suponga adems
que la variable aleatoria

n
1 i
i
x tiene varianza para cada valor de n entero.
Si
0 X
n
1
V
n
1 i
i

,
_

cuando n y es un nmero positivo, entonces,

0 x
n
1
P
n
1 i
i

,
_

cuando n o equivalentemente a
cuando n n converge
21
Una secuencia de variables aleatorias Z
n
converge en probabilidad o converge
estocsticamente a una constante "a" si para cada nmero positivo
cuando n Simblicamente:
El teorema enunciado anteriormente puede escribirse como
( ) ( )
o
n
X E X P
n
1 i
i i

,
_

cuando n El teorema anterior se le conoce como la

"Ley dbil de los grandes nmeros".
Si es la media muestral de una muestra de tamao n de una poblacin inducida por
una variable aleatoria X con media y varianza
2
, y si >0, entonces
Conclusin: Si la muestra es grande existe una alta probabilidad de que la media
muestral est cerca de la media poblacional . Escogiendo un tamao de muestra
suficientemente grande podemos hacer que la probabilidad de que la media muestral
tienda a la media poblacional sea tan alta (tan cerca de uno) como queramos.
22