Tema 3

PROBABILIDAD
 INTRODUCCIÓN

• En nuestra vida cotidiana asociamos usualmente

el concepto de Probabilidad a su calificativo
probable.
• Consideramos probables aquellos eventos en los
que tenemos un alto grado de creencia en su
ocurrencia.
• Probabilidad es un concepto asociado a la medida
del azar.

2
 INTRODUCCIÓN

Experimento Aleatorio
Un experimento que repetido en las mismas condiciones, no
siempre proporciona los mismos resultados.

Lanzar un dado o una moneda al aire.

La duración de una bombilla.
Nº piezas defectuosas fabricadas al día.

En contraposición, un experimento determinístico es aquel

donde las mismas condiciones aseguran que se obtengan los
mismos resultados.

Leyes Físicas.
Teoremas Matemáticos.
3
 INTRODUCCIÓN

Experimento Aleatorio
Un experimento que repetido en las mismas condiciones, no
siempre proporciona los mismos resultados.

El Cálculo de Probabilidades busca encontrar una

medida de la incertidumbre que se tiene de todos los
posibles resultados, ya que muy difícilmente se podrá
conocer a priori el resultado de cualquier experimento
donde el azar esté presente: a esta medida de la
incertidumbre la denominaremos probabilidad.
4
 INTRODUCCIÓN

Si consideramos un experimento aleatorio, podemos

caracterizar los posibles resultados de dicho experimento.

Espacio muestral
Conjunto formado por todos los posibles resultados que se
pueden obtener al realizar un experimento aleatorio.
Lo llamamos Ω.

Ejemplo: En el lanzamiento de un dado el espacio muestral es

Ω = {1, 2, 3, 4, 5, 6}

Cada resultado posible es un elemento del conjunto Ω.

5
 INTRODUCCIÓN

Si consideramos un experimento aleatorio, podemos

caracterizar los posibles resultados de dicho experimento.

Suceso aleatorio
Todo subconjunto del espacio muestral Ω generado por un
experimento aleatorio.

Ejemplo: En el lanzamiento de un dado el suceso A = {2, 4, 6}

corresponde con el suceso aleatorio “sacar número par” .

Un suceso con más de un elemento se denomina suceso

compuesto.

Cuando un suceso consta de un solo elemento le llamamos

suceso simple o elemental.
6
 INTRODUCCIÓN

¿Cuál es nuestro objetivo?

 Definir una medida sobre los sucesos asociados a un
experimento. Asociar cada suceso con una cantidad
numérica que tenga como objetivo medir la probabilidad
del mismo.
 No pretendemos decir qué es la probabilidad, sino
establecer unas reglas, en forma de axiomas, a las que
se ajuste dicho concepto cualquiera que sea la
concepción probabilística de partida.

Propiedades y operaciones con sucesos

Axiomática de Kolmogorov

7
 PROPIEDADES Y OPERACIONES CON SUCESOS

Suceso seguro
Suceso formado por todos los elementos del espacio muestral y
coincide con Ω.

Suceso imposible
Es el que no se verifica nunca porque sus elementos no están en
Ω. Se representa por ø .

Ejemplo:
En el lanzamiento de un dado, el suceso
A = “sacar número menor o igual a 6” = {1,2,3,4,5,6}
es un suceso seguro.

En el lanzamiento de dos dados, el suceso

B=“la suma de los dos dados sea 1” ={ø}
es un suceso imposible.

8
 PROPIEDADES Y OPERACIONES CON SUCESOS

Suceso complementario o contrario

Dado un suceso cualquiera A, llamamos suceso complementario
de A al que se verifica cuando no se verifica A. Se representa por
Ā o AC
Ejemplo: En el lanzamiento de un dado, el suceso
A = “sacar número par” = {2, 4, 6}
tiene como suceso contrario:
Ā = “no sacar número par” = {1, 3, 5}

Sucesos incompatibles
Son aquellos que no pueden ocurrir simultáneamente porque no tienen
elementos comunes

Ejemplo: En el lanzamiento de un dado, los sucesos

A = “sacar número par” = {2,4,6}
B = “obtener un número menor que 2” ={1}
son incompatibles.
9
 PROPIEDADES Y OPERACIONES CON SUCESOS

Unión de sucesos
Dados dos sucesos A y B de un mismo experimento aleatorio, llamamos
suceso unión de A y B al suceso que se verifica cuando sucede A, o
sucede B, o suceden ambos a la vez.
El suceso unión se denota por A B .

B B A
A
A B

Es un suceso “más amplio” que A ó B pues los incluye.

Intuitivamente hay más posibilidades de que ocurra.
 PROPIEDADES Y OPERACIONES CON SUCESOS
Intersección de sucesos
Dados dos sucesos A y B de un mismo experimento aleatorio,
llamamos suceso intersección de A y B al suceso que se
verifica cuando se verifiquen A y B simultáneamente.
El suceso intersección se denota por .

B A
A B
A B

AB AB =  AB = B

(Incompatibles)

Es un suceso “más restrictivo” que A ó B pues está

incluido en éstos. Intuitivamente hay menos posibilidades
de que ocurra.
 PROPIEDADES Y OPERACIONES CON SUCESOS

Resta de sucesos
Dados dos sucesos A y B de un mismo experimento aleatorio,
llamamos suceso resta de A y B al suceso que se verifica
cuando sucede A y al mismo tiempo no sucede B.
El suceso intersección se denota por A-B o A\B.

B
A A-B  AB

La “resta” no es una nueva operación de sucesos

propiamente dicha. Por definición es el suceso formado
por los elementales que están en A y no están en B.
Obviamente, A-B es un suceso más restrictivo que A.
 PROPIEDADES Y OPERACIONES CON SUCESOS

Ejemplo
Experimento Aleatorio: Lanzamiento de un dado.
Sucesos elementales: Cada una de las 6 caras.
A = Obtener entre dos y cuatro  Suceso compuesto formado por 3
sucesos elementales.
B = Obtener más de tres  Suceso compuesto formado por 3 sucesos
elementales.

Ω A  {2,3,4}
B
B  {4,5,6}
A  B  {2, 3, 4, 5, 6}
A
A  B  {4}
A - B A  B  {2,3}
 PROPIEDADES Y OPERACIONES CON SUCESOS

PROPIEDADES
1) Conmutativa: No importa el orden en el que consideremos
los sucesos para operar.
AB  BA ; AB  BA

2) Asociativa: No importa como se asocian los sucesos para

hacer las operaciones.
(A  B)  C  A  (B  C) ; (A  B)  C  A  (B  C)

3) Distributiva: Relaciona unión e intersección.

 PROPIEDADES Y OPERACIONES CON SUCESOS

PROPIEDADES
4) Propiedades básicas: Intuitivas por definición.

5) Leyes de Morgan: Proporcionan un punto de vista

diferente. Muy útiles en determinadas ocasiones.
B
A
AB  AB

A B
AB  AB
 PROPIEDADES Y OPERACIONES CON SUCESOS

Ejemplo
Experimento Aleatorio: Lanzar una moneda 4 veces.
Ci = Obtener C en el lanzamiento i-ésimo, i = 1,2,3 y 4
Xi = Obtener X en el lanzamiento i-ésimo, i = 1,2,3 y 4
¿Cómo se describen los siguientes sucesos?
S1 = Obtener cuatro caras S2 = No obtener caras

S3 = Obtener al menos una cara

S4= Obtener tres caras

 PROPIEDADES Y OPERACIONES CON SUCESOS

Ejemplo
Experimento Aleatorio: Lanzar una moneda 4 veces.
Ci = Obtener C en el lanzamiento i-ésimo, i = 1,2,3 y 4
Xi = Obtener X en el lanzamiento i-ésimo, i = 1,2,3 y 4
¿Cómo se describen los siguientes sucesos?
S1 = Obtener cuatro caras S2 = No obtener caras
(C1  C2  C3  C4 )
S3 = Obtener al menos una cara

S4= Obtener tres caras

 AXIOMÁTICA DE PROBABILIDAD

Axiomática de Kolmogorov
Una probabilidad es una aplicación P que hace corresponder
a cada suceso aleatorio un número real, de modo que al
suceso A le corresponde el número P(A), y que cumple los
siguientes axiomas:

P(A)  0
P()  1

Siempre que los

sucesos sean
incompatibles 2 a 2
 AXIOMÁTICA DE PROBABILIDAD

Propiedades
1) La probabilidad de cualquier suceso es un número
comprendido entre 0 y 1.
0  P(A)  1
2) La probabilidad del suceso seguro es 1 y la del suceso
imposible es 0. P() = 1 y P()  0
3) Si A y B son sucesos incompatibles entonces:
P(A  B)  P(A)  P(B)
4) La probabilidad del suceso complementario es:
P(A) = 1 - P(A)
5) Si un suceso incluye a otro, su probabilidad será igual o mayor.
A  B  P(A)  P(B)
 AXIOMÁTICA DE PROBABILIDAD

5) Cualquiera que sea el suceso B, la probabilidad del suceso A

puede descomponerse en:

P(A) = P(A  B)  P(A  B)

Por tanto:

P(A - B) = P(A  B) = P(A) - P(A  B)

6) La probabilidad de la unión de sucesos es:

P(A  B) = P(A) + P(B) - P(A  B)
Para tres sucesos quedaría:
P(A  B  C) = P(A) + P(B) + P(C) - P(A  B) - P(A  C) - P(B  C) + P(A  B  C)
 AXIOMÁTICA DE PROBABILIDAD

Ejemplos

Sean A y B dos sucesos de un experiment o , tales que P(A)  0,30;

P(B)  0,30; P(A  B)  0,2. Calcular P(A  B).
P(A  B)  P(A  B)  1  P(A  B)
P(A  B)  P(A)  P(B) - P(A  B)
P(A  B)  0,30  0,30 - 0,2
P(A  B)  0,4  P(A  B)  1  P(A  B)
P(A  B)  0,6 Sol : P(A  B)  P(A  B)  0,6

LEY DE MORGAN
 AXIOMÁTICA DE PROBABILIDAD

Ejemplos
En una ciudad el 40% de sus habitantes leen el periódico A, el
80% leen el periódico B y el 30% leen A y B. ¿Cuál es la
probabilidad que al elegir una persona al azar dentro de esta
ciudad...
 lea algún periódico? B
A
 no lea ningún periódico? 10% 30% 50%

P(A)  0,4
10%

P(B)  0,8
P(A  B)  0,3

P(A  B)  P(A)  P(B) - P(A  B)  P(A  B)  0,4  0,8 - 0,3  0,9

P(A  B)  P(A  B)  1  P(A  B)  1 - 0,9  0,1
¿Ya sabemos calcular probabilidades?

Todavía no
 La axiomática de Kolmogorov no indica como
asociar probabilidades a un suceso. Sólo indica la
propiedades que debe verificar una función que
pretenda medir probabilidades.

 Las propiedades derivadas a partir de los axiomas

nos serán de gran ayuda para el cálculo de
probabilidades.
 DISTINTAS CONCEPCIONES DE PROBABILIDAD

Sólo aplicable en
La probabilidad se definiría como experiencias reproducibles un
el valor en torno al cual tiende a nº elevado de veces.
Concepción
estabilizarse la frecuencia relativa
Frecuentista de cada posible resultado del Las condiciones bajo las que
experimento. se realiza la experimentación
pueden variar con el tiempo.

Cada individuo tiene un

Concepción Se entiende la probabilidad como grado de creencia personal
Subjetiva grado de creencia. acerca de la ocurrencia de un
suceso dado.

Concepción La probabilidad es el cociente Es válida si todos los casos

Clásica o entre el nº casos favorables y el son igualmente verosímiles
Laplaciana total de casos posibles (igualmente probables).
 CÁLCULO DE PROBABILIDADES

Trabajaremos con un tipo de experimentos finitos

muy particulares  Experimentos con n sucesos
elementales todos ellos equiprobables.

REGLA DE LAPLACE
Dado un experimento finito con n posibles sucesos
elementales, y dado un suceso A asociado a dicho
experimento aleatorio:

PA  
nº de casos favorables nº de elementos del suceso A

nº de casos posibles nº de elementos de 
Esta definición de probabilidad (concepción clásica)
cumple la axiomática de Kolmogorov.
 CÁLCULO DE PROBABILIDADES

Ejemplo

En una población de estudiantes se ha pasado una encuesta para conocer

los que son usuarios de software libre (L) y los que utilizan ordenador
portátil (P) en clases. Del total de 500 estudiantes, 325 utilizan software
libre, 65 utilizan portátil en clases y, finalmente, 15 utilizan software libre y
portátil. Si elegimos un estudiante al azar:

1.¿Cuál es la probabilidad de que utilice software libre y portátil?

2.¿Cuál es la probabilidad de que no utilice software libre y si utilice
portátil?.
3.¿Cuál es la probabilidad de que utilice software libre y no utilizan
portátil?
4.¿Cuál es la probabilidad de que no utilice ni software libre ni portátil?
 CÁLCULO DE PROBABILIDADES

Ejemplo

L= usuarios de software libre. P(L)  325  0.65

Po= usuarios de ordenadores portátiles.
500
Ω= todos los usuarios P(Po)  65  0.13
500

P(L  Po)  15  0.03

500
L Po

P(L  Po)  50  0.10

500
310 15 50
P(L  Po)  310  0.62
500

P(L  Po)  125  0.25

500
125 
 PROBABILIDAD CONDICIONADA

Llamamos probabilidad del suceso A condicionada por

otro B, a la probabilidad de que se presente el suceso A
sabiendo que se ha presentado el suceso B. Se escribe:

( B)
P ( A/B) o P A o P(A|B)

La probabilidad de un suceso condicionado por otro es el

cociente entre la probabilidad de que ocurran juntos y la
probabilidad del suceso que condiciona.
P(A  B)
P(B/A) = , si P(A)  0 A A∩B
P(A)
P(A  B)
P(A/B) = , si P(B)  0 B
P(B) 
 PROBABILIDAD CONDICIONADA

 Utilizamos la probabilidad condicionada siempre que

vamos a calcular la probabilidad de un suceso al realizar un
experimento aleatorio, y tenemos alguna información
adicional que modifica el espacio muestral (resultados
posibles) de dicho experimento.

 También se puede comprobar que se verifican las siguientes

propiedades:
1. P(ø|B) = 0
2. P(Ā|B) = 1- P(A|B)
3. A1 y A2 disjuntos  P((A1 U A2)|B) = P(A1|B) + P(A2|B)
4. A1 y A2 no disjuntos P((A1UA2)|B) = P(A1|B) + P(A2|B) - P((A1∩A2)|B)
 EJEMPLO

Se analizan los discos de plástico de policarbonato de un proveedor

para la resistencia al rayado y a los golpes. Los resultados de 200
discos se resumen a continuación:
Resistencia
RA= R. Rayado Alta GA=R. Golpes Alta Golpes
RB= R. Rayado Baja GB=R. Golpes Baja
Alta Baja
Resistencia Alta 70 10
Rayado Baja 40 80

• Probabilidad de Resistencia Golpes Alta P(GA)  110

200
• Probabilidad de Resistencia Rayado Baja
P(GB)  120
200
 
• Probabilidad de Resistencia Golpes Alta
sabiendo que la de Rayado es Alta P GA  70
RA 80
PGB   10
• Probabilidad de Resistencia Golpes Baja
sabiendo que la de Rayado es Alta
RA 80
 EJEMPLO

Se analizan los discos de plástico de policarbonato de un proveedor

para la resistencia al rayado y a los golpes. Los resultados de 200
discos se resumen a continuación:
Resistencia
RA= R. Rayado Alta GA=R. Golpes Alta Golpes
RB= R. Rayado Baja GB=R. Golpes Baja
Alta Baja
Calculamos algunas de las Alta 70 10
probabilidades anteriores haciendo uso Resistencia
de la fórmula Rayado Baja 40 80

Probabilidad de Resistencia Golpes Alta

sabiendo que la de Rayado es Alta:


P GA
RA
  70 
70 200 P(GA  RA)
80 80 200

P( RA)
 PROPIEDAD COMPUESTA O LEY MULTIPLICATIVA

De la definición de probabilidad condicionada se deduce

que: P(A  B)  P(B)  P(A | B)
Recordando que la intersección satisface la propiedad
conmutativa y, por tanto, AB = BA. Es muy fácil ver que
de forma simétrica se verifica:
P(A  B)  P(A)  P(B | A)
Generalización a tres sucesos

P(A1  A 2  A 3 )  P(A1 )  P(A 2 | A1 )  P(A 3 | A1  A 2 )

Estas expresiones son muy útiles en experimentos donde

existan varias etapas aleatorias. La intersección obliga a que
ocurran dos sucesos simultáneamente, esta expresión permite
estudiarlos de forma condicionada.
 EJEMPLO
Tenemos una urna con 100 bolas, de las cuales 30 son blancas(B) y
70 son negras(N). El experimento consiste en extraer dos bolas sin
reemplazamiento.
• ¿Cuál es la probabilidad de que ambas bolas sean blancas?
• ¿Cuál es la probabilidad de que la primera sea blanca y la
segunda negra?

Etapa2:Condicionada
Etapa1 B2
B1
Urna 100 Bolas: N2
30B y 70N. B2
N1
N2
 EJEMPLO
Tenemos una urna con 100 bolas, de las cuales 30 son blancas(B) y
70 son negras(N). El experimento consiste en extraer dos bolas sin
reemplazamiento.
• ¿Cuál es la probabilidad de que ambas bolas sean blancas?
• ¿Cuál es la probabilidad de que la primera sea blanca y la
segunda negra?

Etapa2:Condicionada
Etapa1 B2
B1
Urna 100 Bolas: N2
30B y 70N. B2
N1
N2

30 29
1) P(B1  B2 )  P(B1 )P(B2 | B1 )  
100 99
 EJEMPLO
Tenemos una urna con 100 bolas, de las cuales 30 son blancas(B) y
70 son negras(N). El experimento consiste en extraer dos bolas sin
reemplazamiento.
• ¿Cuál es la probabilidad de que ambas bolas sean blancas?
• ¿Cuál es la probabilidad de que la primera sea blanca y la
segunda negra?

Etapa2:Condicionada
Etapa1 B2
B1
Urna 100 Bolas: N2
30B y 70N. B2
N1
N2

30 70
2) P(B1  N 2 )  P(B1 )P(N 2 | B1 )  
100 99
 SUCESOS INDEPENDIENTES

Los sucesos A y B son independientes cuando :

( A)
P B =P ( B) ó P A( B) =P ( A)
Estas definiciones son equivalentes a:

PA  B = PA   PB

¡ATENCIÓN!
Sucesos independientes no hay que confundirlos con
incompatibles. Los sucesos A y B son incompatibles cuando
su intersección es el conjunto vacío (ø), cuando no pueden
ocurrir simultáneamente.
 EJEMPLO

Se analizan los discos de plástico de policarbonato de un proveedor

para la resistencia al rayado y a los golpes. Los resultados de 200
discos se resumen a continuación:
Resistencia
RA= R. Rayado Alta GA=R. Golpes Alta Golpes
RB= R. Rayado Baja GB=R. Golpes Baja
Alta Baja
Resistencia Alta 70 10
Rayado Baja 40 80

P(GA)  110 ; No son independientes

200

P GA
RA

 70 ;
80
P GA RA
  7  11  P(GA)
8 20

P (GA  RA)  70 0
200
Tampoco son incompatibles
 TEOREMA DE PROBABILIDAD TOTAL

Se dan situaciones en las que se ha realizado un experimento

aleatorio que ha generado una serie de sucesos incompatibles que
cubre todos los elementos del espacio muestral Ω: A1,A2,…,An. Para
calcular la probabilidad de cualquier suceso B, podemos utilizar la
partición realizada:
A1 B
Observando el diagrama: A1  B
B=(A1  B) U (A2  B) U … U (An  B)
A2 A2  B
P(B) = P(A1  B) + P(A2  B) + … + P(An  B)
A3 A3  B
No se conoce la probabilidad de los
sucesos intersección, pero se puede .. ..
. .
calcular en función de P(Ai) y P(B|Ai) :
P(Ai  B) =P(Ai)P(B|Ai) An An  B
Ω
 TEOREMA DE PROBABILIDAD TOTAL

Si A1, A2, ... , An son sucesos de probabilidad no nula,

incompatibles entre sí y cuya unión es el espacio
muestral Ω, entonces, para cualquier suceso B:

P(B) = P(A1)P(B|A1) + P(A2)P(B|A2) +… + P(An)P(B|An)

 TEOREMA DE PROBABILIDAD TOTAL

Consideramos el experimento previo de extraer dos bolas, sin

reemplazamiento, de una urna de 100 bolas, de las cuales 70 son
negras y 30 blancas.
¿Qué probabilidad hay de que la 2ª bola sea blanca?
Etapa2:Condicionada
29
Etapa1 99 B2
30
100 B1 70
P(B2) = P(B1)P(B2|B1) + P(N1)P(B2|N1)=
99 N2
30
70 99 B2 = 30/100 ∙ 29/99 + 70/100 ∙ 30/99 =
100 N1
69 = 3/10 = 0.3
99 N2
 TEOREMA DE BAYES

Siguiendo con el mismo ejemplo: ¿Cuál es la probabilidad de

que la 1ª bola sea blanca sabiendo que la 2ª fue blanca?

No sabemos calcular esta probabilidad directamente porque la

información no aparece de forma natural  B1 (primera extracción)
es causa y B2 (segunda extracción) consecuencia.

Primer Paso: Utilizando la simetría de la expresión de la

probabilidad condicionada es fácil expresar la probabilidad de B1|B2
respecto de B2|B1.

P(B1 )× P(B2 |B1 )

Þ P(B1|B2 ) =
P(B2 )
 TEOREMA DE BAYES

Si A1, A2, ... , An son sucesos de probabilidad no

nula, incompatibles entre sí y cuya unión es el
espacio muestral Ω, entonces, para cualquier suceso
B:
P(Ai)·P(B | Ai)
P(Ai |B ) =
P(A1)·P(B | A1) + P(A2)·P(B | A2) +… + P(An)·P(B | An)
 TEOREMA DE BAYES

Ahora ya podemos responder a la pregunta:

¿Cuál es la probabilidad de que la 1ª bola sea blanca
sabiendo que la 2ª fue blanca?

Etapa2:Condicionada Teorema de Bayes

29
Etapa1
99 B2
30
100 B1 P(B1 )  P(B2 | B1 )
70
99 N2 P(B1 | B2 )  
30 P(B2 )
70 99 B2
N1 30 29

100
69
99
N2  100 99  0,29
30 29 70 30
  
100 99 100 99
 EJERCICIO PROPUESTO

Un distribuidor recibe piezas de tres fabricantes F1, F2 y F3, de

modo que el 30% de las piezas proceden de F1, el 50% de F2 y
el resto de F3. Se devuelven por incorrecciones el 2% de las
piezas procedentes de F1, el 6% de las procedentes de F2 y el
8% de las procedentes de F3. De las próximas 2000 piezas
recibidas:

• ¿Cuántas piezas es de esperar que sean devueltas?

• Sabiendo que una pieza está defectuosa, ¿cuál es la
probabilidad de que proceda de F3?