complemento cálculo integral - probabilidad

Espacios de Probabilidad

Espacio de Muestras y Eventos

Considere un experimento cuyos resultados no pueden ser predicho con seguridad, es decir, hay cierta incertidum-
bre en cuanto a cuál puede ser el resultado. Aunque el resultado del experimento no sea seguro, tenemos la certeza
de cuáles son los posibles resultado del experimento en concreto. Este conjunto de todos los posibles resultados de
un experimento se conoce como espacio muestral o espacio de muestras del experimento y lo denotaremos por Ω,
salvo que se aclare lo contrario.

Ejemplo.
1. Si el experimento que estamos realizando es el de determinar el sexo de un recién nacido, tenemos que el
espacio muestral de este experimento es

Ω = {Niño, Niña}

.
2. Si el resultado del experimento es el orden de llegada a la meta de 7 corredores con etiquetas marcadas del
1 al 7, entonces el espacio de muestras está dado por

Ω = {Todas las 7! permutaciones de la lista (1, 2, 3, 4, 5, 6, 7)}

3. Si el experimento consta de arrojar dos veces una moneda, entonces el espacio muestral está dado por

Ω = {(C, C) , (C, S) , (S, C) , (S, S)}

donde C representa un lanzamiento en el que se obtuvo cara y S un lanzamiento en el que se obtiene sello.
4. Si nuestro experimento consiste en medir el tiempo en horas de la vida útil de un ordenador, entonces el
espacio de muestra consiste de números reales no negativos, es decir

Ω = {x ∈ R | 0 ≤ x < ∞}

Como podemos ver, hay una amplia variedad de eventos posibles, tanto discretos como continuos.

Ahora, cualquier subconjunto E de un espacio muestral Ω es conocido como un evento. En otras palabras, un
evento es un conjunto de resultados posibles de un experimento. Si un resultado del experimento pertenece a E,
decimos que E ha ocurrido.

Ejemplo.
1. Si tenemos el caso del experimento de determinar el sexo de un recién nacido, tenemos que un posible evento
es {Niño} y otro puede ser {Niña}. En este caso, notemos que los eventos son excluyentes.
2. Si el experimento es el orden de llegada a la meta de 7 corredores con etiquetas marcadas del 1 al 7, un
posible evento puede ser el conjunto

E = {Todos los posibles resultados en Ω que empiecen en 3} .

3. Si el experimento consta de arrojar dos veces una moneda, entonces un posible evento puede ser que el
resultado cara aparezca al menos una vez en los lanzamientos, de donde tenemos que el evento está descrito
1
 2

por el conjunto
E = {(C, C) , (C, S) , (S, C)} .
4. Si nuestro experimento consiste en medir el tiempo en horas de la vida útil de un ordenador, un evento
posible puede ser que el computador no pase más de 1 año, es decir, el evento es representado por el conjunto

E = {x ∈ R | 0 ≤ x ≤ 8760}

ya que en un año hay 8760 horas.

Sobre los eventos posibles podemos hacer uso de las operaciones entre conjuntos descritas en la parte de conteo,
es decir, si tenemos dos eventos E y F de un experimento, podemos estudiar el evento E ∪ F que representa el
evento que consiste de los resultados de E o los resultados en F , E ∩ F que representa el evento que consiste de los
resultados de E y los resultados en F simultáneamente, y así con todas las operaciones entre conjuntos.

Espacio de Probabilidad

Definición. Un Espacio de Probabilidad se define como una terna (Ω, B, P) donde:

1. Ω es el espacio muestral, el conjunto de los posibles resultados de un experimento.

2. B es el espacio de todos los eventos aleatorios, es decir, un conjunto de subconjuntos del espacio muestral.
En este espacio encontramos los elementos del espacio muestral, pero no solamente los elementos del espacio
muestral. Por ejemplo, si Ω = {a, b, c}, un posible espacio de sucesos aleatorios es B = {∅, Ω}, otro caso
posible es
B = {∅, {a} , {b} , {c} , {a, b} , {a, c} , {b, c} , Ω}
Este conjunto cumple con las siguientes propiedades:

a) ∅ ∈ B, Ω ∈ B.
b) Si A pertenece a B entonces AC , el complemento de A, pertenece a B.
c) Si A1 , A2 , A3 , . . . una lista de cualquier tamaño (finita o infinita, sin importar repeticiones) pertenece
S
a B entonces Ai pertenece a B.
i≥1

3. P es la medida o función de probabilidad, donde P es una función que va de B al intervalo [0, 1] y además
cumplen los siguientes axiomas:

a) P (Ω) = 1.
b) Para cualquier A ∈ B, 0 ≤ P (A) ≤ 1.
c) Si A1 , A2 , A3 , . . . una lista de cualquier tamaño (finita o infinita, sin importar repeticiones) de eventos
en B tales que Ai ∩ Aj = ∅ , siempre que i 6= j, entonces
 
[ X
P  Ai  = P (Ai )
i≥1 i≥1

Observación. De las anteriores propiedades se puede deducir los siguientes hechos

1. Si A y B pertenecen a B tales que A ∩ B = ∅ entonces P (A ∪ B) = P (A) + P (B).

 3

2. P (∅) = 1 − P (Ω) = 0.


3. P AC = 1 − P(A).

4. Si A y B pertenecen a B y A ⊆ B entonces P(A) ≤ P(B) y P(B \ A) = P(B) − P(A).

5. Si A y B pertenecen a B entonces P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

Definición. Sea (Ω, B, P) un espacio de probabilidad, decimos que E es un evento simple si no se puede descom-
poner en eventos más pequeños.
En el caso concreto de que mi espacio muestral sea de la forma Ω = {1, 2, 3, . . . , N }, tenemos que los eventos
simples están dados por {j}, para 1 ≤ j ≤ N .

Ejemplo.

1. Consideremos el siguiente experimento: Tenemos el lanzamiento de un dado cargado, es decir, no todas

sus caras tienen igual probabilidad de salir. Entonces tenemos que el espacio muestral del experimento es
Ω = {1, 2, 3, 4, 5, 6} y el espacio de eventos B es la colección de todos los subconjuntos de Ω. La siguiente
tabla describe la función de probabilidad en los eleméntos más básicos del espacio de eventos:

j 1 2 3 4 5 6
1 5 7 3 8 8
P ({j})
32 32 32 32 32 32

Queremos hallar la probabilidad de los siguientes sucesos:

A = El número que salga en el dado no sea divisible por 3.

Notamos que A = {1, 2, 4, 5}, luego

P (A) = P ({1, 2, 4, 5})

= P ({1} ∪ {2} ∪ {4} ∪ {5})
= P ({1}) + P ({2}) + P ({4}) + P ({5})
1 5 3 8 17
= + + + =
32 32 32 32 32
Consideremos otro suceso:

B = El cuadrado del número resultante sea menor que 20.

Notamos que B = {1, 2, 3, 4}, luego

P (B) = P ({1, 2, 3, 4})

= P ({1} ∪ {2} ∪ {3} ∪ {4})
= P ({1}) + P ({2}) + P ({3}) + P ({4})
1 5 7 3 16
= + + + =
32 32 32 32 32
Notamos que usamos fuertemente las propiedades de un espacio de probabilidad para poder resolver estos
ejercicios, descomponiendo los eventos en eventos más simples y calculando la probabilidad.
 4

2. Consideremos un espacio de probabilidad Ω tal que existen eventos simples E1 , E2 , E3 , E4 y E5 tales que
Ei ∩ Ej = ∅, si i 6= j, E1 ∪ E2 ∪ E3 ∪ E4 ∪ E5 = Ω y P (E1 ) = P (E2 ) = 0.15, P (E3 ) = 0.4 y P (E4 ) = 2P (E5 ).
Encuentre los valores de P (E4 ) y P (E5 ).
Si consideramos P (E5 ) = p, entonces tenemos la tabla que representa las probabilidades de los eventos
simples dada de la siguente forma

j 1 2 3 4 5
P (Ej ) 0.15 0.15 0.4 2p p

Como E1 ∪ E2 ∪ E3 ∪ E4 ∪ E5 = Ω y las intersecciones Ei ∩ Ej = ∅, para i 6= j, se tiene por el axioma c)

de probabilidad que

1 = P(Ω)
= P(E1 ∪ E2 ∪ E3 ∪ E4 ∪ E5 )
= P(E1 ) + P(E2 ) + P(E3 ) + P(E4 ) + P(E5 )
= 0.15 + 0.15 + 0.4 + 2p + p

de donde obtenemos que 3p = 0.3 y p = 0.1, de donde obtenemos que la tabla se completa de la forma

j 1 2 3 4 5
P (Ej ) 0.15 0.15 0.4 0.2 0.1

encontrando los valores de las probabilidades de los eventos E4 y E5 .

Espacios Muestrales que Poseen Resultados Igualmente Probables. En muchos experimentos es natural
asumir que todos los posibles resultados en el espacio muestral son igualmente probables. Esto es, considere un
experimento cuyo espacio muestral Ω es un conjunto finito, digamos, Ω = {1, 2, 3, . . . , N }, entonces es natural
asumir que
P ({1}) = P ({2}) = . . . = P ({N })
lo que implica, por los axiomas a) y c) de probabilidad, que

P (Ω) = P ({1}) + P ({2}) + . . . + P ({N })

= N · P ({1})

y así
P (Ω) 1
P ({1}) = =
N N
1
luego todos los eventos simples tienen probabilidad .
N
De la ecuación anterior se sigue que para todo E ⊆ Ω se tiene que
El número de resultados en E |E|
P (E) = = .
El número de resultados en Ω |Ω|
En otras palabras, si asumimos que todos los resultados son igualmente probables de ocurrir, entonces la probabilidad
de cualquier evento E ⊆ Ω es igual a la proporción de los resultados del espacio muestral que están contenidos en
E.
En esta sección será en la que saldrá a relucir la importancia de conteo, puesto que muchos de los eventos que
tendremos que analizar estarán dados por saber cuántos son nuestros casos favorables y cuántos son nuestros casos
totales.
 5

Ejemplo.
1. Si dos dados son lanzados, ¿Cuál es la probabilidad de que la suma de sus resultados sea 7?
Notemos que nuestro espacio muestral tiene |Ω| = 6 × 6 = 36 resultados posibles. Ahora, en este caso
concreto, es fácil enlistar los elementos del espacio muestral que suman 7. Entonces, sea E ⊆ Ω el evento
dado por

E = ”la suma de sus resultados sea 7”

= {(1, 6) , (2, 5) , (3, 4) , (4, 3) , (5, 2) , (6, 1)}

o podemos ayudarnos de una tabla para poder hallar los resultados

+ 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

Sea cual sea el método que usemos, de los 36 resultados posibles, tenemos que en 6 casos los resultados
suman 7. Entonces
6 1
P (E) == .
36 6
2. Si tres bolas se extraen de manera aleatoria de una urna que tiene 6 bolas blancas y 5 bolas negras sin
reposición, ¿Cuál es la probabilidad de extraer exactamente 1 bola blanca y 2 bolas negras, sin importar el
orden en que las extraiga?
Tenemos que nuestro espacio muestral consta de todas las posibles formas de sacar 3 bolas de una urna
de 11 bolas en total de donde tenemos que
 
11
|Ω| = = 165
3
De donde notamos que enlistar todos los casos posibles es un absurdo.
Ahora, como evento, estamos buscando la forma de extraer exactamente una bola blanca y dos bolas
negras, independiente del orden de extracción, de donde podemos decir que el resultado se mantiene igual,
de donde tenemos que de 6 bolas blancas deseamos escoger 1 y de 5 bolas negras deseo escoger 2, entonces
tengo que    
6 5
|E| = · ,
1 2
entonces la probabilidad del evento que deseamos, está dada por
 
6

5
1 2 6 · 10 4
P (E) =   = = .
11 165 11
3
3. En el juego de Bridge, una baraja estandar sin comodines de 52 cartas se reparte a 4 jugadores.
a) ¿Cuál es la probabilidad de que uno de los jugadores reciba todas las picas?
Sean Ei los eventos

Ei = ”El i − esimo jugador recibe las 13 picas”, i = 1, 2, 3, 4,

 6

De donde tenemos que

1
P (Ei ) = 52

, i = 1, 2, 3, 4.
13
Como los eventos Ei son mutuamente excluyentes, es decir, Ei ∩ Ej = ∅, la probabilidad de que uno de
los jugadores reciba las 13 picas está dado por
4
! 4
[ X 4
P Ei = P (Ei ) = 52

.
i=1 i=1 13

b) ¿Cuál es la probabilidad de que cada jugador reciba exactamente un as?

Para determinar el número de formas en las que cada jugador recibe un as, separamos los 4 ases de
donde tenemos que quedan 48 cartas en la baraja. Ahora, la forma en que repartimos las 48 cartas
entre 4 jugadores en partes iguales es de 12, 12,4812, 12 posibles divisiones. Ahora, como hay 4! maneras

diferentes de repartir los ases entre los cuatro jugadores, tenemos, por principio de multiplicacion, que
existen 4! 12, 12,4812, 12 formas de cada persona tenga exactamente 1 as. Entonces la probabilidad del

evento está dada por

48


4! 12, 12, 12, 12
52

.
13, 13, 13, 13
4. Se lanza una moneda 4 veces y se anota el resultado obtenido por la moneda.
a) ¿Cuál es la probabilidad de obtener exactamente una cara en los 4 lanzamientos?
Tenemos que el espacio muestral tiene tamaño 24 , puesto que en esta situación específica se pueden tener
resultados repetidos. Ahora de las cuatro resultados posibles queremos que exactamente 1 sea cara, de
donde necesitamos escoger una de las 4 posiciones y en esta ubicamos cara y el resto de los resultados
deben ser obligatoriamente sello. Entonces tenemos que la probabilidad de este evento está dada por
4


1 4 1
4
= 4 = .
2 2 4
b) ¿Cuál es la probabilidad de obtener por lo menos una cara?
Podemos pensar el problema de dos formas:
Una forma sería pensar en los eventos Ei , con i = 1, 2, 3, 4, descrito por

Ei = ”Sacar exactamente i caras".

Notemos que estos eventos son excluyentes y que

4


i
P (Ei ) =
24
de donde tenemos que
4
! 4
[ X 1 15
P Ei = P (Ei ) = (4 + 6 + 4 + 1) = .
i=1 i=1
24 16

Otra forma de pensarlo es a partir del complemento del evento general, sea

E = ”El número de caras obtenidas sea mayor o igual a 1”.

Entonces tenemos que

E c = ”El número de caras obtenidas sea menor estrictamente a 1”.

= ”El número de caras obtenidas sea igual a 0”.
 7

entonces usando la formula de la probabilidad del complemento, tenemos que

4


c 0 1 15
P(E) = 1 − P(E ) = 1 − 4 = 1 − = .
2 16 16
5. Consideremos el siguiente problema: Una baraja francesa es un conjunto de naipes o cartas, formado por 52
unidades repartidas en cuatro palos: corazones, diamantes, tréboles y picas. Cada palo está compuesto por
trece cartas: As, Dos, Tres, Cuatro, Cinco, Seis, Siete, Ocho, Nueve, Diez, representadas por los números
correspondientes, y las tres figuras, que se llaman Jack (J), Queen (Q) y King (K). Una mano de póker se
arma tomando 5 cartas al azar de las 52 posibles. Una mano en partícular, llamada Full o Full House se
arma con un trío de cartas y un par de cartas. ¿Cuál es la probabilidad de obtener un Full House al armar
una mano al azar?
Consideremos las siguientes situaciones:
Si tengo un valor de una carta para el trío, no puedo usar ese valor para armar el par, puesto que sólo
tengo 4 cartas con el mismo valor.  
4
Por cada valor que escoja para armar el trío existen = 4 formas de armar el trío, ya que el orden
3  
4
no me afecta. Igualmente, tomado el valor para armar el par, existen = 6 formas de armar pares.
2
Teniendo esto en cuentra, tratemos de ejemplificar la situación con un dibujo:
Supongamos que la primera opción que tomamos para hacer el trío es el As, entonces todos los posibles
trios que podemos armar son
A♣ A♦ A♥
|{z} |{z} |{z}
A♣ A♦ A♠
|{z} |{z} |{z}
A♣ A♥ A♠
|{z} |{z} |{z}
A♦ A♥ A♠
|{z} |{z} |{z}
Ahora, para cualquier otra carta que no sea ás, por ejemplo los 2, tenemos las siguientes listas de pares

2♣ 2♦
|{z} |{z}
2♣ 2♥
|{z} |{z}
2♣ 2♠
|{z} |{z}
2♦ 2♥
|{z} |{z}
2♦ 2♠
|{z} |{z}
2♥ 2♠
|{z} |{z}
entonces en este caso específico, tendríamos 4 × 6 = 24 manos posibles.
Entonces, en general, se tiene que
4 4



13 × 3 × 
12 × 2
P (Obtener full house en una mano) =
52
5
13 × 4 × 12 × 6
=  
52
5
3744
= ≈ 0.001441
2598960
 8

Probabilidad Condicionada

Definición. Sea (Ω, B, P) un espacio de probabilidad. Si A, B están contenidos en Ω con P (A) > 0, entonces se
define la probabilidad del evento B dado el evento A de la siguiente manera:
P (A ∩ B)
P (B | A) :=
P (A)

Ejemplo.

1. Se lanzan dos dados corrientes una vez. La probabilidad de que al menos uno de los resultados sea 6, dado
1
que los resultados obtenidos son diferentes, es igual a , como lo muestra el siguiente razonamiento: Sea B
3
el evento “Los resultados son diferentes” y A el evento “Por lo menos uno de los resultados es 6”. Es claro que

A = {(a, 6) | a ∈ {1, 2, ..., 6}} ∪ {(6, b) | b ∈ {1, 2, ..., 6}}

B = {(a, b) | a, b ∈ {1, 2, ..., 6} , a 6= b}

entonces:
P (A ∩ B)
P (A | B) =
P (B)
10
= 36
30
36
= 1/3.

Vale la pena resaltar que si tenemos un espacio de probabilidad (Ω, B, P) un espacio de probabilidad con A en Ω
y P (A) > 0, la medida P (_ | A) es otra medida de probabilidad sobre Ω que se enfoca en A, es decir, P (A | A) = 1.
Además, podemos notar la utilidad de la probabilidad condicionada para relacionar dos hechos A y B:

P (A ∩ B) = P (A | B) P (B)
= P (B | A) P (A)

S
Teorema. (T eorema de la probabilidad total) Sea B1 , B2 , ..., Bn una partición disyunta de Ω, es decir, Bi = Ω
i≥1
y Bi ∩ Bj = ∅ y P (Bi ) > 0, para todo i. Entonces para cualquier A ∈ Ω se satisface:

A = A∩Ω
 
[
= A∩ Bi 
i≥1
[
= (A ∩ Bi )
i≥1
 9

P (A) = P (A ∩ Ω)
  
[
= P A ∩  Bi 
i≥1
 
[
= P (A ∩ Bi )
i≥1
X
= P (A ∩ Bi ) ya que (A ∩ Bi ) ∩ (A ∩ Bj ) = ∅, para i 6= j
i≥1
X
= P (A | Bi ) P (Bi ) .
i≥1

Ejemplo. El señor Rodríguez sabe que hay un 40 % de posibilidad de que la empresa en la cual labora abra una
sucursal en Montevideo (Uruguay). Si lo hace, la probabilidad de que él sea nombrado gerente de dicha sucursal es
de un 80 %. Si no lo hace, la probabilidad de que el señor Rodríguez sea nombrado gerente en otra sucursal es de
tan solo el 10 %. Se desea calcular la probabilidad de que el señor Rodríguez sea nombrado gerente de una sucursal
de su empresa.

Sean:

A := ”La empresa abre otra sucursal en Montevideo”.

B := ”El señor Rodríguez es nombrado gerente”.

entonces, si realizamos un diagrama de árbol para ejemplificar la situación, obtenemos lo siguiente:

Ahora, por el teorema de probabilidad total, tenemos que

P (B | A) P (A) + P B | AC P AC



P (B) =
= 0, 8 × 0, 4 + 0, 10 × 0, 6
= 0, 38.
 10

Teorema. (Teorema de Bayes) Sea B1 , B2 , ..., Bn una partición disyunta de Ω tal que y P (Bi ) > 0, para todo i.
Entonces para cualquier A ∈ Ω se satisface:y
P (Bi )
P (Bi | A) = P (A | Bi )
P (A)
P (A | Bi ) P (Bi )
= P
P (A | Bi ) P (Bi )
i≥1

Notamos que el teorema de Bayes se da por usar una propiedad de la probabilidad condicionada y teorema de
la probabilidad total.

Ejemplo. Para el ejemplo del señor Rodriguez, si se sabe que el señor Rodriguez fue nombrado gerente, de una
sucursal de su empresa, ¿Cuál es la probabilidad de que la empresa haya abierto una sucursal en Montevideo?

P (G | A) P (A)
P (A | G) =
P (G)
0, 8 × 0, 4
= = 0, 84211.
0, 38
Eventos Independientes

Definición. Dos eventos A y B de un espacio de probabilidad (Ω, B, P) se dicen independientes si y solo si

P (A ∩ B) = P (A) P (B)

Ejemplo. Supongase que se lanza un dado corriente dos veces consecutivas. Sean

A := ”La suma de los resultados obtenidos es un número par”.

B := ”El resultado del segundo lanzamiento es par”.

En ese caso:
1
P (A) = P (B) =
2
1
y además P (A ∩ B) = , entonces los eventos A y B son independientes.
4

Definición. Una familia {Ai | i ∈ I} de eventos se dice independiente si

 
\ Y
P  Aj  = P (Aj )
j∈J j∈J

para todo subconjunto finito J de I.