Probabilidad y Estadı́stica

Unidad 1
Luis Rodrı́guez y Javier Rojas

16 de octubre de 2002

1 Espacio Muestral
Desde el punto de vista axiomático, las matemáticas se ocupan de relaciones entre cosas in-
definidas. Para hablar con presición de cualquier rama matemática, entre ellas la que nos ocupa,
la probabilidad, es necesario especificar nuestros elementos no definidos. Partiremos de la idea de
conjunto de todos los resultados posibles de un experimento, al cual llamaremos espacio muestral
Ω.

Ejemplo: Si lanzamos una moneda dos veces, el espacio muestral está dado por:

Ω = {(c, c), (c, s), (s, c), (s, s)}.

Para que el espacio muestral esté bien definido, cada punto muestral (resultado posible del ex-
perimento) queda descrito por un sólo punto del espacio. Los puntos muestrales se denotan por w.

Definimos por evento a un agregado de puntos muestrales. Denotaremos los eventos por las
letras mayúsculas A, B, C, . . . . Un evento A ocurre cuando alguno de los puntos muestrales ocurre.

En el ejemplo anterior A = {el primer lanzamiento es cara} es un evento y queda expresado

por los puntos muestrales
A = {(c, c), (c, s)}.

2 Relaciones entre eventos

Definimos el evento A unión B (A ∪ B) como aquel que ocurre si A ocurre, B ocurre o si ocurren
ambos simultaneamente. El evento A intersección B (A ∩ B) es aquel que ocurre si A y B ocurren
simultaneamente.

Definimos el evento complementario (Ac ) como aquel que ocurre si A no ocurre. El evento
imposible lo denotamos ∅.

Definimos para nuestro ejemplo los eventos A, B y C como

A = {el primer lanzamiento es cara}

B = {el segundo lanzamiento es sello}
C = {el primer lanzamiento es sello}

1
entonces,

A ∪ B = {(c, c)} ∪ {(s, s), (c, s)}

= {(c, s), (c, c), (s, s)}
A ∩ B = {(c, s), (c, c)} ∩ {(s, s), (c, s)}
= {(c, s)}
A ∪ C = {(c, s), (c, c)} ∪ {(s, s), (s, c)}
= {(c, s), (c, c), (s, s), (s, c)} = Ω
A∩C =∅
Ac = C

3 Familias de eventos
Una familia de eventos F de Ω es cualquier agregado de eventos de Ω.

Las familias de eventos F que consideramos deben satisfacer las condiciones:

1. Ω ∈ F, es decir, algo siempre ocurre.

2. Si A ∈ F entonces Ac ∈ F.

3. Si A1 , . . . , An , . . ., es una sucesión en F alguno de los Ak ocurre, esto es

" ∞
#
[
(∀k = 1, . . .) Ak ∈ F ⇒ Ak ∈ F
k=1

Una familia que satisface las condiciones 1, 2 y 3 es una σ-álgebra sobre Ω.

LA familia de las partes de Ω (P(Ω) = {A : A ⊆ Ω}) es una σ-álgebra sobre Ω. Cuando Ω es

discreto consideramos P(Ω) la σ-álgebra canónica.

4 Asignación de probabilidades
Dado un espacio muestral Ω y una σ-álegbra de eventos F decimos que una función P : Ω → [0, 1]
que satisface:

1. P(Ω) = 1.

2. Si An ∈ F y los eventos son mutuamente excluyentes , esto es, (∀n, n0 ∈ N)[An ∩ An0 = ∅],
entonces ̰ !
[ ∞
X
P An = P(An )
n=1 n=1

Un espacio de probabilidad es una terna (Ω, F, P).

El problema de como asignar una probabilidad a cada evento P(A), es decir, como definir
una tal P sobre una σ-álgebra de eventos debe ser resuelto con las condiciones concretas de cada

2
experimento aleatorio considerado.

En el caso cuando Ω es discreto y finito una manera de asignar probabilidades sobre F = P(Ω)
es definir:
#A 1
P(A) =
#Ω
Demueste que la función definida anteriormente es una probabilidad.

Demuestre qe si Ω = {w1 . . . wn } y P({wi }) = p entonces p = 1/n.

En la práctica la composición del espacio muestral se conoce muy pocas veces, por lo que los
valores exactos de las probabilidades de los eventos son desconocidas.

En estos casos recurrimos a la noción de frecuencia relativa. El procedimiento es el siguiente: si

A ∈ F, repetimos la experiencia N veces y observamos la veces que A ocurre. Si en N repeticiones
A ocurre KN veces, llamaremos frecuencia relativa a
KN
fN =
N
al definir P(A) = fN tenemos dos dificultades principales:

1. Tendrı́amos que precisar las condiciones de repetición del experimento y que significa ob-
servar A en ese caso.

2. Nada asegura que KN sea siempre el mismo cada vez que se realizan las N observaciones,
por lo tanto P(A) no es único.

Sin embargo, más adelante estudiaremos un resultado que permite ver la relación de la fre-
cuencia relativa y la probabilidad.

5 Conteo
Si Ω es un conjunto finito el espacio de probabilidad canónico es (Ω, F, P), en donde F = P(Ω)
#A
y P(A) = .
#Ω
Para asignar probabilidades sobre conjuntos finitos debemos manejar herramientas de conteo
del número de elementos de conjuntos finitos.

Proposición 1 Si A y B son conjuntos finitos entonces #A × B = #A · #B.

Este resultado se puede generalizar. Por inducción se ve que si A1 · · · An son conjuntos finitos
entonces
Yn
#(A1 × A2 × · · · × An ) = #Ai .
i=1

1
#A=número de puntos de A.

3
 Ejemplos:

1. Cartas: consideremos las cuatro pintas como un grupo y los 10 números como otro. Se
obtienen por lo tanto 4 × 10 = 40 combinaciones de cartas.

2. Clasificaciones diferentes: Sea Ω un grupo de personas clasificadas por: estado civil, sexo y
profesión. Si tenemos 10 profesiones, entonces #Ω = 2 × 2 × 10 = 40.

5.1 Muestras de población

Una población de tamaño n es un conjunto P = {a1 , . . . , an } y una muestra M de tamaño m es
cualquier extracción de elementos de P tal que #M = m.

Distinguimos entre muestras ordenadas y muestras no ordendas.

Una muestra ordenada es aquella donde el orden de extracción importa.

Una no muestra ordenada es aquella donde el orden no importa.

Muestras ordenadas con reemplazo: es aquella donde realizamos extracciones de la población

total (permitimos muestras con elementos repetidos).

Muestras ordenadas sin reemplazo: es aquella donde realizamos extracciones en la población

de forma que los elementos extraidos no se regresan a la población.

Proposición 2 El número de maneras de elegir muestras con reemplazo de tamaño m de una

población de tamaño n es nm .

Proposición 3 El número de maneras de elegir muestras sin reemplazo de tamaño m de una

población de tamaño n es
(n)m = n(n − 1) · · · (n − (m − 1)).

Cuando m > n,(n)m = 0 y si n = m entonces (n)m = n! (¡Verifı́quelo!).

Si m es fijo, demostrar que

(n)m
lim = 1,
n→∞ nm

esto dice que las muestras ordenadas con o sin reemplazo son asintóticamente equivalentes.

En el muestreo ordenado sin reemplazo, la probabilidad de que un elemento fijo quede incluido
en la muestra es
(n − 1)m m
1− = (1)
(n)m n
y si es con reemplazo µ ¶
(n − 1)m 1 m
1− =1− 1− (2)
nm n
Demuestre las ecuaciones (1) y (2)

4
 Muestras no ordenadas sin reemplazo: En una población P = {a1 , . . . , an } se pueden elegir
µ ¶
n n!
Cn,m = =
m (n − m)!m!
muestras no ordenadas sin reemplazo de tamaño m, en efecto observamos que por cada muestra
no ordenada sin reemplazo existen m! muestras ordenadas sin reemplazo,

Cn,m m! = (n)m
¡n¢
entonces Cn,m = m .

Ejemplo: De 10 personas del departamento de matemáticas se elige una comisión integrada

por 3 personas existen
µ ¶
10 10! 10 · 9 · 8 · 7!
= = = 10 · 3 · 4 = 120
3 7!3! 7!3!
comisiones posibles.

Consideramos una población donde se distinguen elementos de dos tipos α y β respectivamente.

Si tenemos p elementos de tipo α y q elementos de tipo β entonces existen
(p + q)!
p!q!
configuraciones distintas de la población.

Más generalmente, si tenemos una población de n elementos fraccionada en k subpoblaciones

de las cuales la primera contenga p1 elementos, la segunda p2 elementos, etc. , entonces existen
(p1 + · · · + pk )!
p1 !p2 ! · · ·!pk !
configuraciones distintas de la población.

Muestras no ordenadas con reemplazo: Sea P = {a1 , . . . , an } una población y queremos contar
el número de muestras diferentes con reemplazo de tamaño m. Para conseguir nuestro proposito
contaremos el número de configuraciones diferentes de colocar m bolas en n celdas si las bolas
son indistinguibles.

Ejercicio: justifique que el problema de contar muestras no ordenadas com reepmplazo y el

problema del número de ocupaciones son equivalentes.

Ejercicio: cuente el número de ocupaciones.

6 Probabilidad Condicional
Para ilustrar los proximos conceptos consideremos el siguiente ejemplo:

Se tiene un lote de 100 artı́culos el cuál contiene 20 defectuosos y 80 no defectuosos. Se eligen

2 artı́culos al azar:

5
 a) Con reemplazo.

b) Sin reemplazo.

Definimos los eventos siguientes:

A = { el primer artı́culo es defectuoso}

y
B = { el segundo artı́culo es defectuoso}
si estamos en la situación a) ¡20¢
1 1
P(A) = ¡100¢= ,
1
5

P(B) = 15 .

Si elegimos sin reemplazo, los resultados no son inmediatos, sin embargo en la actual suposición
todavı́a es válido que:
1
P(A) = .
5
¿Cuál es el valor de P(B)?

Para responder esta interrogante es evidente que debemos considerar que la configuración del
lote cambio cuando escogemos el segundo artı́culo.

Lo que si es claro es que si tenemos el conocimiento de la ocurrencia de A entonces conocemos

la probabilidad de B condicionado a la ocurrencia de A (P(A|B)). En este caso, P(A|B) = 19/99.
Cuando calculamos P(A|B), esencialmente estamos calculando P(B) respecto del espacio muestral
reducido en A, en vez del espacio muestral Ω.

Sea (Ω, F, P) un espacio de probabilidad y B ∈ F un evento con probabilidad estrictamente

positiva, P(B) > 0. Se define la función

P(·|B) : F → R

mediante la fórmula T
P(A B)
P(A|B) =
P(B)
para todo A ∈ F.

Ejercicio: Demuestre que la función P(·|B) es una probabilidad.

Propiedades
T
1. Si A B = ∅ entonces P(A|B) = 0.

2. Si B ⊂ A entonces P(A|B) = 1.

3. P(Ac |B) = 1 − P(A|B), para todo A ∈ F.

6
 4. Si A, C ∈ F entonces
P(A \ C|B) = P(A|B) − P(A ∩ C|B).

Demostremos 3:

P(B) = P(A ∩ B) + P(Ac ∩ B)

de donde
P(A ∩ B) P(Ac ∩ B)
1= +
P(B) P(B)
y ası́ obtenemos el resultado.

6.1 Principio de expansión

Sea (Ω, F, P) un espacio de probabilidades, A es un evento del espacio muestral y Bi con 1 ≤ i ≤ n,
una sucesión finita de eventos disjuntos dos a dos. Si los Bi son una descomposición de Ω,
Ω = ∪ni=1 Bi entonces,
[n [n
A=A∩Ω=A∩ Bi = (A ∩ Bi )
i=1 i=1
y
n
X
P(A) = P(A ∩ Bi )
i=1
de donde se obtiene el principio de expansión
n
X
P(A) = P(A|Bi )P(Bi ).
i=1

En el ejemplo del principio de sección calculemos la probabilidad de B, a partir del principio

de expansión:
P(B) = P(B|A)P(A) + P(B|Ac )P(Ac )

= (19/99)(1/5) + (20/100)(4/5)

6.2 Teorema de Bayes

Sea (Ω, F, P) un espacio de probabilidades, supongamos que conocemos las probabilidades P(A|Bi ),
para 1 ≤ i ≤ n, entonces podemos calcular P(Bi |A), en efecto

P(Bi ∩ A) P(A|Bi )P(Bi )

P(Bi |A) = =
P(A) P(A)
y por el principio de expansión
P(A|Bi )P(Bi )
P(Bi |A) = Pn ,
k=1 P(A|Bk )P(Bk )

este resultado se conoce como teorema de Bayes.

7
6.3 Eventos independientes
Al introducir el concepto de probabilidad condicional, hemos visto que en ciertos casos, cuando
la ocurrencia del evento B no aporta información respecto a la ocurrencia o no del suceso A, se
tiene que
P(A|B) = P(A),
en este caso decimos que A es independiente de B. Ahora bien,

P(A ∩ B)
P(A|B) =
P(B)

si P(A|B) = P(A) podemos expresar esto como:

P(A ∩ B) = P(A)P(B).

Observemos que esta expresión vale, aun cuando P(A) = 0 o P(B) = 0. Usemosla como
definición de independencia.