Semana 4: Captulo 1

Aunque resulte tedioso, debemos repasar en estos prximos captulos conceptos de Probabilidad y
de variables especiales. Esta es la semana donde te puedes sentir abrumado. No te desesperes.
Consulta a tus tutores. Aunque el tema parece pesado en definitiva necesitamos POCOS
conceptos centrales para seguir

Probabilidad
Introduccin
Cuando sin conocimientos previos pensamos en la idea de una probabilidad, surgen como
sinnimos palabras como posibilidad, chance u oportunidad. En principio continuaremos con la
idea de chance hasta que tengamos las herramientas para definir matemticamente a las
probabilidades. Antes de definir una probabilidad debemos pensar en dos conceptos:
Experimento aleatorio
Definiremos como experimento aleatorio a toda aquella experiencia que trae aparejado un
resultado que no se sabe a ciencia cierta cul ser. Es decir no hay certeza del resultado. Aqu
resulta sencillo pensar como ejemplos en los juegos de azar. Si una persona tiene en sus manos
una moneda y decide tirarla no hay certeza del resultado.
Ejemplo 1: Se tira una moneda y se observa el resultado.
Ejemplo 2: Se tiran dos dados y se cuenta la suma de sus caras.
Ejemplo 3: Se analiza una poblacin de nios de un colegio y se realiza un anlisis para observar
la presencia o ausencia de un determinado virus.
Espacio muestral
Definiremos al espacio muestral como el conjunto de todos los resultados posibles arrojados por un
experimento aleatorio. Para continuar con el ejemplo de la tirada de una moneda los dos
resultados posibles son cara y cruz. Distintos autores definen al espacio muestral con la letra S o
bien Omega ().
Entonces para el caso anterior:
Ejemplo 1: = {C, X}
Ejemplo 2: = {2, 3, 4, 5,..., 11, 12}
Ejemplo 3: = {presencia de virus, ausencia de virus}
Evento: Cada uno de los resultados posibles de una experiencia aleatoria se denominar evento.
En realidad se define como evento a cualquier subconjunto del espacio muestral (pero a los fines
prcticos en este apunte utilizaremos como sinnimos lo que en algunos libros denominan eventos
y sucesos).
Ahora, una vez definidos experimento aleatorio, espacio muestral y evento, definiremos
Probabilidad.
Sea E un experimento aleatorio, que genera un espacio muestral , compuesto por eventos, una
probabilidad es un nmero real que se le asigna a cada uno de los eventos, tal que cumplen con
los siguientes axiomas:

DIPLOMATURA
Bioestadstica bsica aplicada, mediada con entorno R.

Semana 4: Captulo 1
Axiomas.
1) P (A) 0
La probabilidad de cualquier evento (por ejemplo A) es mayor o igual a cero (dicho de otro
modo, no existen las probabilidades negativas).
2) P () = 1
La probabilidad del espacio muestral es igual a uno (no existen probabilidades mayores a
uno).
3) Si
, entonces P (A U B) = P (A) + P (B)
Si no existe la interseccin entre los conjuntos A y B (la interseccin es un espacio vaco)
entonces la probabilidad de la unin entre A y B ser igual a la suma de sus
probabilidades.

Figura 1: Diagrama de Venn, donde se observa que no existe interseccin entre A y B.

A partir de estos axiomas postulados por Kolmogorov en 1937, se desprenden varias propiedades,
las ms importantes a los fines de este curso son:

Propiedades
1)
La probabilidad del espacio vaco es igual a cero. Lo que no existe, tiene probabilidad cero.
2) Si
, entonces P (A U B) = P (A) + P (B) P(A B)
Si la interseccin entre los conjuntos A y B existe (no es un espacio vaco), entonces la
probabilidad de la unin entre A y B ser igual a la suma de sus probabilidades menos la
probabilidad de la interseccin.

DIPLOMATURA
Bioestadstica bsica aplicada, mediada con entorno R.

Semana 4: Captulo 1

Figura 2: Diagrama de Venn donde se observa la interseccin (a cuadros) entre A y B.

, o bien:
,
Podramos decir que el complemento del evento A es el conjunto de todos los eventos que
no son A, dicho de otro modo la probabilidad que no ocurra A. De ese modo la probabilidad
de que no ocurra A es la diferencia entre la probabilidad del espacio muestral menos la del
evento A.

3)

Figura 3: Diagrama de Venn donde se destaca (rayado) el complemento de A.

4) Independencia. Se dice que dos eventos A y B son independiente si la probabilidad de la

interseccin entre ellos es igual al producto de sus probabilidades, es decir, si
P (A B)= P (A) * P (B), entonces A y B son independiente
5) Condicionalidad. Se define la condicionalidad de un evento a otro del siguiente modo:

, lo cual se lee: La probabilidad de A condicionado a B es igual a la

probabilidad de la interseccin entre A y B dividido la probabilidad de B.

DIPLOMATURA
Bioestadstica bsica aplicada, mediada con entorno R.

Semana 4: Captulo 1

Figura 4: Diagrama de Venn donde se destaca que la probabilidad de que ocurra A dado que ya
ocurri B es el cociente entre el nAB y nB
6) Dos eventos A y B son mutuamente excluyentes si la ocurrencia de A excluye a B y
viceversa, por lo tanto
y

Asignacin de probabilidades
1) Asignacin Clsica:
Para aplicar esta asignacin es necesario que todos los eventos del espacio muestral
tengan igual probabilidad de ocurrencia, entonces la probabilidad de ocurrencia del evento
A, producto de una experiencia aleatoria ser:

Ejemplo 4: Para la experiencia aleatoria tirada de una moneda perfecta, cada una de los dos
resultados posibles posee una probabilidad de .
Ejemplo 5: Para la experiencia aleatoria tirada de un dado perfecto, cada uno de los resultados
posibles posee una probabilidad de 1/6.
Como se puede observar la asignacin clsica est restringida a escasos experimentos aleatorios
(en general a juegos de azar). Para los otros casos (la gran mayora) para conocer las
probabilidades se necesita aplicar otra asignacin.
2) Asignacin frecuencista:
Para aplicar esta asignacin es necesario repetir n veces la Experiencia aleatoria,
contabilizar el nmero de veces que se repiti y el nmero de veces que ocurri el evento
A, entonces la Probabilidad de A estar dada por:

DIPLOMATURA
Bioestadstica bsica aplicada, mediada con entorno R.

Semana 4: Captulo 1

Ejemplo 6: En el ejemplo 3, se realiza un muestreo, se contabilizan los nios con presencia de

virus. Se realiza el cociente entre el nmero de nios con virus sobre el nmero de nios
muestreados, eso arroja la probabilidad de encontrar nios con virus.
Ejemplo 7: En cualquier Tabla de distribucin de frecuencia que se realice se presenta la
distribucin de frecuencias de una variable determinada. A partir los valores de la frecuencia
relativa decimos que existe una probabilidad determinada de que ocurra en la poblacin dicho valor
de la variable.
Ejemplo 8. Para retomar el ejemplo 5: Se toma el dado perfecto, donde cada cara posee una
probabilidad de 1/6 y se liman todos los bordes de la cara que posee el nmero 1. Qu
probabilidad ahora tendr cada cara? Para saberlo se debe tirar el dado n veces y anotar el
nmero de veces que sale cada cara (n1, n2, n6). De este modo con el cociente entre cada ni /n
obtendremos la probabilidad de cada cara. Cuando n tiende a infinito!
3) Asignacin Bayesiana.
Se basa en el teorema de Bayes (o de las probabilidades condicionadas). Los
investigadores pueden intervenir subjetivamente en la asignacin de las probabilidades.
Dada la complejidad de esta asignacin slo la nombraremos, aunque en algunas reas
como mejoramiento animal y gentica es muy utilizada.
En este captulo hemos visto el tema de probabilidad desde su definicin axiomtica. Luego de
definir experiencia aleatoria, espacio muestral y eventos, definimos los axiomas de probabilidad y
luego entendemos que una probabilidad es un nmero con ciertas condiciones. Para finalizar
aprendimos a asignar probabilidades de tres modos diferentes.

DIPLOMATURA
Bioestadstica bsica aplicada, mediada con entorno R.