UNIDAD III

TEORIA ELEMENTAL DE PROBABILIDADES

3.1.- Introduccin:
En una tabla de distribucin de frecuencias, la frecuencia relativa de una
clase refleja la proporcin de las observaciones contenidas en sta, la cual puede ser
interpretada como la probabilidad de que un elemento cualquiera elegido al azar, del
conjunto de datos, pertenezca a dicha clase o que dicha clase ocurra.
No es posible predecir con certeza el nmero de habitantes enfermos en una
ciudad, el nmero de personas que es necesario examinar hasta encontrar una con cierto
virus, la duracin de una epidemia, etc., pero es posible expresar la medida de
probabilidad de que estos sucesos ocurran ya sea por un desarrollo emprico o bien por
una formulacin terica.
La probabilidad proporciona una medida de discriminacin de la ocurrencia
de eventos. No tiene la misma interpretacin la ocurrencia de un suceso A con
probabilidad 0.4 que otro con probabilidad 0.9. De esta manera, el inters primordial de
este captulo estar centrado en la produccin y caracterizacin de estas medidas de
discriminacin.
La probabilidad tiene un papel fundamental en el desarrollo de la estadstica.
Una adecuada comprensin de las leyes bsicas de la teora de probabilidades, permite
utilizar la metodologa estadstica de manera ventajosa.

3.2.- Breve recuerdo acerca de conjuntos

El desarrollo formal de la teora de probabilidades, requiere la incorporacin

de una clase de conjuntos con ciertas propiedades. Esto hace necesario recordar algunas
propiedades de conjuntos.
Un conjunto puede describirse por comprensin o por extensin. Por
ejemplo, el conjunto de los nmeros naturales pares menores que 10 queda descrito de la
siguiente manera:
Por extensin: {2, 4, 6, 8.}
Por comprensin: { x / x = 2 j , x < 10 , j }

El conjunto Universal o Universo es aquel que contiene todos los

elementos de inters en un estudio. De particular inters ser el conjunto de todos los
posibles resultados de una experiencia, que ser considerado como el universo y que se
denotar por ; el conjunto vaco ser el conjunto que no contiene elementos y se
denotar por .
La Interseccin y la Unin de dos conjuntos A y B estn definidas por:
A B={x /x A x B}
A B={x / x A x B x ( A B) }
 El complemento de un conjunto A, denotado por AC, est definido por
C
A = {x /x A }

Un conjunto A est incluido en un conjunto B, lo que se denota por

A B, si y slo si todo elemento de A est en B. Es decir:
A B ( si x A x B)
Dos conjuntos son iguales si se incluyen mutuamente. Esto es,
A = B si y solo si [A B B A]

El producto cruz o producto cartesiano de los conjuntos A y B esta

definido por A B {( a, b) / a A b B}
En general el producto cruz o cartesiano de n conjuntos A1 , A2 ,...., An se
define por
A1 A2 .... An {( a1 , a 2 ,....., a n ) / a i Ai , i 1,2,....., n}

Propiedades:

1. A A
2. A A
3. A B B A
4. A (B C ) ( A B) C
5. A
6. A A
7. A B B A
8. A (B C ) ( A B) C
9. A (B C) ( A B) (A C)
10. A (B C ) ( A B) (A C)
11. A AC
C
12. A A
C
13. AC A
C
14. ( A B) AC B C (*)
15. ( A B) C A C B C (*)
16. A B ( A B C ) ( A B) (B AC ) A (B AC )
17. B ( A B) ( B AC )
18. A ; A , para todo A .
19. A B A B
20. A B A
21. A B B
22. A A B
23. B A B
Notas:

1) El nmero de elementos de un conjunto A se denotar por #A y se leer como

cardinalidad de A.
2) (*) Leyes de De Morgan.

3.3.- Definiciones Previas

Un experimento aleatorio es un proceso, real o hipottico, que puede dar

lugar a varios resultados, sin que sea posible predecir de antemano cul de ellos se
observar.
Un experimento aleatorio se caracterizar al meno por cinco aspectos:

1) Los resultados posibles del experimento se conocen previamente.

2) Ninguno de los posibles resultados del experimento puede predecirse.
3) Al realizar el experimento, uno y slo uno de los posibles resultados ser observado.
4) El realizar el experimento en las mismas condiciones puede dar lugar a resultados
diferentes en cada ocasin.
5) No obstante, la repeticin del experimento en iguales condiciones, un gran nmero
de veces, permite descubrir un patrn de regularidad que da origen a un modelo
matemtico con el cual se analiza el experimento.

Un Espacio de Muestras asociado a un experimento es el conjunto de

todos los resultados posibles del experimento.

Ejemplo 3.1
En una ciudad se observa el estado de salud de una persona, enfermo (d) o
no enfermo (d'), de las personas habitantes de la ciudad. En este caso, el experimento
consiste en seleccionar una persona y observar su estado de salud.
Si se observa un grupo de 10 habitantes de la ciudad, entre los cuales hay 4
enfermos y 6 sanos, entonces el espacio de muestras asociado ser
{d , d , d , d , d ' , d ' , d ' , d ' , d ' , d ' } que por definicin notacional se expresa como
1 {d , d ' } con cardinalidad 10, y slo dos clases: d y d'.
Si existen ms de dos clases de calidad, los espacios de muestras ,
asociados a , se expresarn en tantos elementos como clases.
Si el experimento consistiera en seleccionar dos habitantes al azar, de entre
los 10, para observar la secuencia de estados de salud, el espacio de muestras asociado a ese
experimento ser expresado por
2 {( d , d ), ( d , d ' ), ( d ' , d ), ( d ' , d ' )}
con slo cuatro clases y con cardinalidad 90 (por qu?)
En general, si se escogen n habitantes de la ciudad para observar
secuencialmente sus estados de salud, entonces el espacio de muestras ser expresado por
n {( x1 , x2 ,....., xn ) / xi {d , d ' }} .
 n

n 1 1 ...... 1 i
i 1
Los espacios de muestras finitos son aquellos que tienen un nmero finito
de resultados posibles. Los espacios de muestras infinitos numerables son
identificados mediante una correspondencia biunvoca con el conjunto de los nmeros
naturales .
Un espacio de muestras que no es finito ni infinito numerable, es llamado
espacio de muestras infinito.

Ejemplo 3.2
i) Si se tiene un grupo con 10 personas de los cuales 4 estn enfermos y 6 estn sanos,
entonces el espacio muestral sera {d , d , d , d , d ' , d ' , d ' , d ' , d ' , d ' } el cual es
finito.
ii) Sea el experimento consistente en observar habitantes de la ciudad hasta
encontrar uno enfermo.
El espacio muestral asociado a {d , d ' d , d ' d ' d , d ' d ' d ' d ,......... ....} es infinito
numerable pues existe una correspondencia biunvoca con = {1,2,3,........}
iii) Sea el experimento consistente en registrar el porcentaje de la humedad relativa
del aire en un instante determinado.
Un espacio muestral asociado a este experimento aleatorio est dado por:

{x / 0 x 100} 0, 100

el cual es un espacio muestral infinito.

Definicin 3.1:
Sea un espacio de muestras asociado a un experimento .

i) Un suceso es un subconjunto de . Es decir, suceso es todo elemento perteneciente

al conjunto potencia de ( 2 ).
ii) Un suceso elemental es todo suceso de cardinalidad uno.
iii) Si A es un suceso en , se dir que el suceso A ocurre si el resultado obtenido al
realizar el experimento es un elemento de A.

Ejemplo 3.3
En el ejemplo 3.1, Se obtiene al menos una persona enferma" es un suceso
del espacio muestral, 2 {( d , d ), ( d , d ' ), ( d ' , d ), ( d ' , d ' )} y corresponde al conjunto
( d , d ), (d , d ' ), ( d ' , d ). }
El suceso "ninguna persona est enferma" es un suceso elemental y
corresponde a {( d ' , d ' )}.
Ejemplo 3.4
En el ejemplo 3.3, el suceso A: "al menos una persona est enferma" ocurre
si al observar dos personas, se presenta cualquiera de los siguientes resultados,
( d , d ), ( d , d ' ), ( d ' , d ) .
Observar que si ocurre AC = {( d ' , d ' )} (suceso AC:"ninguna persona est
enferma"), entonces el suceso A no ocurre.

Algunos sucesos de inters particular son:

a) AC llamado suceso contrario de A, que ocurre cuando no ocurre A.

b) , suceso imposible, que nunca ocurre y es el suceso contrario de .
c) , suceso seguro, que siempre ocurre y es el suceso contrario de .

Definicin 3.2. (Algebra de Sucesos)

Sea un espacio muestral asociado a un experimento y sean

A1 , A2 ,....., An sucesos en

n n
i) Ai y Ai son sucesos en
i 1 i 1

n
ii ) Ai ocurre si y solo si ocurre al menos un Ai
i 1

n
iii ) Ai ocurre si y solo si ocurren todos los Ai
i 1

En particular para n = 2
A1 A2 ocurre si y solo si ocurre al menos uno de los sucesos A1 o A2 o ambos
A1 A2 ocurre si y solo si A1 y A2 ocurren.

iv) A1 y A2 son mutuamente excluyentes o incompatibles si y solo si A1 A2

(es decir la ocurrencia de los dos sucesos simultneamente es el suceso imposible) en
particular A y AC son mutuamente excluyentes.

v) Si A1 A2 entonces [ A1 ocurre A2 tambin ocurre]

Ejemplo 3.5
Considere el siguiente experimento aleatorio: se eligen tres personas y se observa su
estado de salud como enfermo o sano. Sean los sucesos A1 , A2 y A3 donde
Ai : "la i-sima persona observada esta enferma" i = 1,2,3.
Los siguientes sucesos en expresiones verbales:
a) Uno y slo una persona de las tres observadas est enferma.
b) Slo la tercera persona observada est enferma.
c) Dos o ms personas observadas estn enfermas.
d) Ninguna persona observada est enferma.
e) Al menos una persona observada est enferma.
f) No ms de dos personas observadas estn enfermas.

pueden ser escritos como sucesos. Los tres primeros quedaran

C C C C C C
a) ( A1 A2 A3 ) ( A1 A2 A3 ) ( A1 A2 A3 )
C C
b) ( A1 A2 A3 )
c) ( A1 A2 A3C ) ( A1 A2C A3 ) ( A1C A2 A3 ) ( A1 A2 A3 )

3.4.- Medida de probabilidad.

Al repetir un nmero determinado de veces un experimento aleatorio, se

puede calcular la frecuencia relativa de ocurrencia de sucesos y por lo tanto se obtiene
una distribucin emprica de frecuencias relativas. Si el experimento se repite
nuevamente el mismo nmero de veces Se mantendrn las frecuencias relativas de
ocurrencias de los sucesos y en consecuencia su distribucin emprica?, Y si se repite
indefinidamente?. Para responder a estas interrogantes es necesario conceptualizar un
modelo matemtico estructurado a partir de axiomas, desde los cuales se pueden deducir
teoremas, que siendo verdaderos nada demuestran acerca del problema real, pero s
pueden permitir una mejor comprensin e interpretacin de la ley que rige la ocurrencia
de sucesos en el problema real. Es necesario entonces conocer aspectos fundamentales
de la teora de probabilidades.

Las medidas de ocurrencia de sucesos estarn definidas por funciones real

valoradas que, verificando ciertas condiciones, permitirn discriminar entre las
posibilidades de ocurrencia de stos.
Para construir una medida de probabilidad usaremos el conjunto potencia del
espacio muestral, el que denotaremos por 2 definido como el conjunto de todos los
subconjuntos del espacio muestral, en el cual se encuentran los sucesos.
Definicin 3.3:
Sea un espacio muestral asociado a y sea P : 2 una funcin:
Se dir que P es una medida de probabilidad sobre si:

i) P(A) 0 A 2

ii) Si { A1 , A2 , , An } es una coleccin de sucesos mutuamente excluyentes tal

n n
que Ai 2 i , entonces P( Ai ) P( Ai )
i 1 i 1
iii) P( )=1

Al nmero real P(A) se le denomina Probabilidad del suceso A y la terna ( , 2 , P)

se denomina Espacio de Probabilidad.

Propiedades de una medida de probabilidad

1. P ( ) 0
2. Si A , B 2 entonces P(A B) = P(A) + P(B) - P(A B)

Demostracin:

A B = A (B - A) = A (B AC)
P(A B) = P(A (B AC)) = P(A) + P(B AC) (1)
por otro lado B tambin se puede escribir como la unin de sucesos mutuamente
excluyentes de la siguiente forma: B = (B AC) (A B)
luego P(B) = P(B AC) + P(A B) P(B AC) = P(B) - P(A B) (2)
reemplazando (2) en (1) obtenemos: P(A B) = P(A) + P(B) - P(A B)

3. Si A, B, C 2 entonces
P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C)

Demostracin:
Basta considerar (A B) C y aplicar propiedad 3 dos veces.

4. En general si A1 , A2 ,...., An 2 entonces

n n n n n
P( Ai ) P( Ai ) P( Ai Aj ) P( Ai Aj Ak ) ........ ( 1) n 1 P ( Ai )
i 1 i 1 i j i j k i 1

5. Si A B i) P(A) P(B)
ii) P(B - A) = P(B AC) = P(B) - P(A)
6. Si A , B 2 entonces P( A B) P( A BC ) P( A) P( A B)
7. Si A 2 0 P(A) 1
Demostracin:
Como A P(A) P( ) = 1 y por definicin P(A) 0

8. Si A 2 P(AC) = 1 - P(A)
Demostracin:
A AC = P(A AC) = P( ) = 1
P(A) + P(AC) = 1
P(AC) = 1 - P(A)

3.5 Clasificacin de espacios de muestras

3.5.1 Un espacio de muestras finito es equiprobable si cada suceso elemental de

tiene la misma probabilidad de ocurrir.
.
Si = { w1 , w2 ,....., wn } es un espacio de muestras finito equiprobable y A es un
suceso en entonces puede probarse que:

1 1
i) P({ wi }) = = ; i = 1,2,......, n
# n
#A
ii) P(A) =
#
r
es decir si A tiene r elementos y tiene n entonces P(A) =
n
En efecto, si P : 2 est definida por P({ wi }) = p i ; i = 1,2,......, n tal que:
i) pi 0 i = 1,2,......, n
n
ii) pi 1
i 1

escribiendo = { w1 } { w2 } .. ... .. { wn }
n n n
se tendr pi P({wi }) P( {wi }) P( ) 1
i 1 i 1 i 1

Como el espacio muestral es equiprobable, entonces pi k ; i = 1,2,......, n

n
1
luego pi nk 1 k
i 1 n
1
por lo tanto pi P({wi }) i = 1,2,......, n
n

Por otra parte, si Ai {wi1 , wi 2 ,....., wir } es un suceso en

entonces Ai {wi1 } {wi 2 } ..... {wir }
donde {wij } {wik } ; son disjuntos j k
luego P ( Ai ) P({wi1 } {wi 2 } ..... {wir })

P({wi1 }) P({wi 2 }) ..... P({wir }) por i)

r
pij
j 1

1 1 1
....... ( r veces)
n n n

r
n

# Ai
#

Ejemplo 3.6 ( Caso finito equiprobable)

Un mdico ha recabado informacin en dos consultorios A y B, para observar

el nmero de pacientes fumadores y no fumadores atendidos en cada uno de ellos. Obtuvo
la siguiente tabla:
CONSULTORIO
Hbito de fumar A B Total
Fumadores 5 6 11
No fumadores 4 3 7
Total 9 9 18

Un experimento consiste en seleccionar aleatoriamente un paciente entre los 18 para

observar si es atendido en el consultorio A o es fumador
En este contexto se puede considerar {w1 , w2 ,...., w18 }, P: 2 definida por
1
P({wi }) i 1,2, ,18
18

Si se definen los sucesos,

A={el paciente es atendido en el consultorio A}
D = {el paciente es fumador}

Se tiene P(A D) = P(A) + P(D) + P(A D)

11 9 5 5
18 18 18 6
3.5.2 Un espacio finito es no equiprobable si existe al menos un par de sucesos
elementales con probabilidad diferente.

Ejemplo 3.7 (Caso finito no equiprobable)

Un habitante de un sector de la ciudad puede estar expuesto slo a tres tipos de

contaminacin que han sido estudiadas por el ministerio de salud:
a) F1 : contaminacin por plomo.
b) F2 : contaminacin por arsnico.
c) F3 : contaminacin por monxido de carbono.
Se ha observado que la contaminacin F2 ocurre dos veces ms a menudo que la
contaminacin F1 y tantas veces como la contaminacin F3.
Si el encargado de contaminacin ambiental se pregunta por la probabilidad de que un
habitante de ese sector de la ciudad no sufra contaminacin por plomo, debe definir su
espacio de probabilidad de la siguiente manera:

F1 , F2 , F3
P: 2
Donde P, a su vez, se define como sigue

P F2 2 P F1 P F3 (*)
y debe cumplirse que P F1 P F2 P F3 1
por lo tanto, reemplazando (*) en esta ltima ecuacin y resolviendo se obtiene
1 2
P F1 ; P F2 P F3
5 5
Luego la probabilidad de que un habitante de la ciudad no sufra contaminacin por plomo
4
es P F2 P F3
5
Observacin: Un espacio infinito no puede ser equiprobable.

3.5.-Medida de probabilidad condicional

Hay situaciones en las cuales la informacin aportada por la ocurrencia de

un suceso es importante para calcular la probabilidad de ocurrencia de otros sucesos
involucrados en el mismo contexto de estudio. Tal es el caso, por ejemplo, de un
experimento consistente en seleccionar al azar un paciente desde un grupo de 25 que han
sido ingresados a un hospital para analizar presencia de afecciones pulmonares. Si al
examinar, en primer lugar, el paciente seleccionado, se descubre que ste es un fumador
habitual, se esperara entonces que la posibilidad de sufrir afecciones pulmonares de este
paciente no sean las habitualmente observadas. Es decir, el clculo de la probabilidad de
sufrir afeccin pulmonar de estos pacientes, se ve afectado por el hecho de que el paciente
sea fumador habitual.
En trminos de sucesos, si se representa por A = {el paciente sufre afeccin
pulmonar} y B = {el paciente es fumador habitual}, entonces la expresin "probabilidad de
que los pacientes sufran afecciones pulmonares cuando el paciente es fumador habitual" se
puede denotar por PB ( A) o por P ( A / B ).

Definicin 3.4
Sea ( , 2 , P) un espacio de probabilidad asociado a un experimento .
Sea B 2 tal que P(B) > 0, se define la medida de probabilidad condicional al suceso
P( A B)
B como PB ( A) y se lee probabilidad de A dado B
P ( B)
Aqu cabe realizar los siguientes comentarios aclaratorios:

1) En el espacio ( , 2 , P), el suceso B debe tener una probabilidad cierta de

ocurrencia. Esto se expresa por P (B ) 0.
2) La probabilidad condicional PB ( ) o bien P ( / B ), se define en un espacio de
probabilidad formado por todos los sucesos de la forma A B, con A 2 , luego,
en una probabilidad condicional el evento condicionante B pasa a ser el nuevo espacio
de muestras o espacio de muestras restringido.
3) Si B entonces PB P P es llamada probabilidad incondicional.
4) Puede demostrarse que PB ( ), o P ( / B ), es efectivamente una medida de
probabilidad, por lo que hereda todas las propiedades enunciadas para este tipo de
medidas.
5) En un espacio muestral finito equiprobable se tendr:
# ( A B)
PB ( A)
#B
6) Tambin es interesante comentar lo siguiente:
a) B A PB ( A) 1, A, B 2
Es decir, si el evento B ocurre y est incluido en el evento A, entonces la
probabilidad de que A ocurra dado que ha ocurrido B es 1.
b) A B PB ( A) 0 (Qu significa?)
c) PB (B ) 1 (Cmo se interpreta?)

Ejemplo 3.8

En una caja que contiene 20 frascos de remedios se observa que 8 son de jarabe
para la tos (de los cuales 5 estn vencidos) y 12 son de jarabe para la digestin (con 9
vencidos).
Si un frasco elegido al azar es jarabe para la digestin. Cul es la probabilidad
de que est vencido?.

Sea M el suceso "El frasco es jarabe para la tos"

Sea F el suceso " El frasco es jarabe para la digestin"
Sea B el suceso " El frasco est vencido"
 Se desea calcular PF (B).
# B F 9
PF ( B ) = = 0.75
#F 12
Entonces la probabilidad de que el frasco elegido est vencido dado que es de jarabe para la
digestin es de 0.75.

De la definicin de probabilidad condicional se desprende que cuando se conocen la

probabilidad condicional PB ( A) y la probabilidad del condicionante, P (B ), se puede
obtener el valor de la probabilidad del suceso A B como sigue:

P A B P ( B) PB ( A)
Anlogamente, P A B P ( A) PA ( B ), si P ( A) 0 y PA (B ) son
conocidos.
Una generalizacin de esto est contemplada en la siguiente proposicin.

Proposicin 3.6.1. (Regla multiplicativa)

n 1
Sean A1 , A2 ,...., An sucesos tales que P Ai 0.
i 1
Entonces
n
P( Ai ) P ( A1 ) PA ( A2 ) PA
1 1 A2 ( A3 ) P
n 1 ( An )
i 1 Aj
j 1

Ejemplo 3.9:
En un edificio hay 20 personas, 8 de las cuales presentan sntomas de estar
infectados con un cierto virus. Para declarar cuarentena en el edificio se examinan
sucesivamente sin reemplazo 3 de estas personas y si ninguna de ellas presenta sntomas no
se declara cuarentena Cul ser la probabilidad de no declarar cuarentena en el edificio?.
Si se define los siguiente sucesos:
Z : se declara cuarentena.
Ai : la i-sima persona examinada presenta sntomas, i = 1, 2, 3,
entonces Z A1c A2c A3c )
Luego,
P(Z ) P( A1c A2c A3c ) P ( A1c ) PA ( A2c ) PA
1
c
1
c
A2c ( A3c )
12 11 10 1320
= 0.1929
20 19 18 6840
Es decir existe un 19.29 % de posibilidades de no declarar cuarentena.
 Hay situaciones en las que resulta ventajoso identificar sucesos
incompatibles cuya unin sea el espacio de muestras , para que con referencia a ellos se
pueda calcular probabilidades de otros sucesos de inters. En tal caso, se presenta la
siguiente definicin

Definicin 3.5:
Sea ( , 2 , P) un espacio de probabilidad asociado a un experimento .
Los sucesos A1 , A2 ,...., Ak sobre 2 determinan una particin probabilstica o particin
medible de si:
i) A1 , A2 ,...., Ak son incompatibles.
ii) P( Ai ) > 0 ; i
k
iii) Ai
i 1

Esta definicin permite ahora calcular la probabilidad de un suceso B en

relacin a los elementos de una particin A1 , A2 , , An de .

Proposicin 3.6.2: (Probabilidad total)

Sea A1 , A2 ,...., Ak una particin medible de y B un suceso en 2 . Entonces

P( B) P ( A1 ) PA1 ( B ) P ( A2 ) PA2 ( B ) ...... P ( Ak ) PAk ( B )

k
= P( Ai ) PAi ( B)
i 1

Demostracin:
. .
B ( A1 B ) ( A2 B ) ...... ( Ak B )
P( B) P( A1 B) P( A2 B ) ...... P ( Ak B)
= P ( A1 ) PA1 ( B ) P ( A2 ) PA2 ( B ) ...... P ( Ak ) PAk ( B )
Ejemplo 3.10:
En un hospital peditrico de acuerdo al estado nutricional se sabe que el 60% de
los nios son normales, el 30% son desnutridos y el 10% restante son obesos. El 40% de los
normales tiene menos de 10 aos, en los desnutridos el 60% tiene menos de 10 aos y en
los obesos el 80% tiene ms de 10 aos.
El directorio desea conocer cul ser el porcentaje de nios con menos de 10
aos en el hospital.
Se denotan los siguientes sucesos A: el nio tiene menos de 10 aos.
O: el nio es normal.
E: el nio es desnutrido.
S: el nio es obeso.
Se sabe que: P (O ) 0.6; P ( E ) 0.3; P ( S ) 0.1
Adems, PO ( A) 0.4; PE ( A) 0.6 y PS ( A) 0.8
Luego,
P ( A) P (O ) PO ( A) P ( E ) PE ( A) P ( S ) PS ( A) 0. 6 * 0. 4 0.3 * 0.6 0.1 * 0.8 0.5
es decir, el 50% de los nios del hospital tiene menos de 10 aos.

Uno de los resultados ms trascendentes relacionado con la probabilidad

condicional la constituye el teorema de Bayes desarrollado por el reverendo Thomas Bayes
(1702 - 1761).

Teorema 3.1: (Teorema de Bayes)

Sea A1 , A2 ,...., Ak una particin probabilstica de y B un suceso en tal que
P(B) > 0 entonces
P( Ai ) PAi ( B)
PB ( Ai ) k
; i = 1, 2,...., k
P ( A j ) PA j ( B)
j 1

Demostracin:
P( Ai B)
PB ( Ai )
P( B )

P( Ai ) PAi ( B)
= k
por proposicin 3.6.2
P( A j ) PAj ( B)
j 1

Es conveniente destacar que para una adecuada aplicacin de las

propiedades anteriormente vistas, es necesario tener claros los sucesos que constituyen la
particin probabilstica y la proporcin que representa B en cada elemento Ai de la
particin.
Ejemplo 3.11:
En el contexto del ejemplo 3.10 Qu porcentaje de los nios que tienen
menos de 10 aos, es normal?
En este caso se debe calcular PA (E )
P( E ) PE ( A) 0.3 * 0.6
PA ( E ) 0.36
P ( A) 0.5
Es decir el 36% de los nios menores de 10 aos es normal.

Ejemplo 3.12:
El control del nio sano se realiza en tres consultorios los cuales se
distribuyen de la siguiente manera:
20% de los nios fue controlado en el consultorio norte
50% de los nios fue controlado en el consultorio centro
30% de los nios fue controlado en el consultorio sur
De los nios controlados en el consultorio norte el 5% presenta problemas
respiratorios; de los controlados en el consultorio centro el 2% presenta problemas
respiratorios y en el consultorio sur el 3% presenta problemas respiratorios.
Se escoge un nio al azar y se encuentra que presenta problemas respiratorios
En qu consultorio es ms probable que haya sido controlado?
Sea B el suceso "el nio presenta problemas respiratorios".
H1 el suceso el nio es controlado en el consultorio norte
H2 el suceso el nio es controlado en el consultorio centro
H3 el suceso el nio es controlado en el consultorio sur
Con la informacin dada se tiene que
P(H1) = 0.2 ; P(H2) = 0.5 ; P(H3) = 0.3
Adems PH1 (B ) = 0.05 ; PH 2 (B ) = 0.02 ; PH 3 (B ) = 0.03
Luego, por proposicin 3.6.2 se tiene
P( B) P( H 1) PH 1 ( B ) P( H 2) PH 2 ( B) P ( H 3) PH 3 ( B)
= 0.2 * 0.05 + 0.5*0.02 + 0.3 *0.03
= 0.01 + 0.01 + 0.009 = 0.029
0.009
luego PB (H 1) = 0.31
0.029
Es decir el 31% de los nios con problemas respiratorios es atendido en el
consultorio norte. Como ejercicio el lector puede calcular las probabilidades de que el nio
haya sido controlado en los otros consultorios y decidir cul es el consultorio que con
mayor probabilidad, control al nio con problemas respiratorios observado.

Ejemplo 3.13:
La urna 1 contiene X esferas blancas e Y esferas rojas, la urna 2 contiene Z
esferas blancas y T rojas.
Se toma una esfera de la urna 1 y se pone en la urna 2, luego se elige una
esfera de la urna 2 Cul es la probabilidad de que la esfera elegida de la urna 2 sea blanca?
y si la esfera elegida de la urna 2 es blanca Cul es la probabilidad de que la esfera elegida
de la urna 1 haya sido roja?
 Sean los sucesos Bi = {La esfera elegida de la urna i es blanca} (i 1, 2)
Ri = {La esfera elegida de la urna i es roja} (i 1, 2)

El clculo de la probabilidad de obtener una esfera blanca de la urna 2,

P ( B2 ), puede efectuarse mediante la proposicin 3.6.2.
P ( B2 ) P ( B1 ) PB1 ( B2 ) P ( R1 ) PR1 ( B2 )
X Z 1 Y Z
=
X Y Z T 1 X Y Z T 1
El clculo de la probabilidad de R1 sabiendo que ocurri B2 , puede efectuarse
mediante el teorema de Bayes de la siguiente forma
Y Z
P( R1 ) PR1 ( B2 ) X Y Z T 1
PB2 ( R1 )
P( B2 ) X Z 1 Y Z
X Y Z T 1 X Y Z T 1

3.6 Comentarios al clculo de probabilidades en los ejemplos dados.

Pudiera ser que las soluciones dadas a los ejemplos anteriores insinan
simplicidad en el clculo de este tipo de probabilidades. No obstante esta simplicidad se
fundamenta en la estructura terica que se ha estado describiendo.
En el ejemplo 3.10 el espacio de muestras est dado por
(d c , d c , d c ), (d c , d c , d ), (d c , d , d c ), (d c , d , d ), (d , d c , d c ), (d , d c , d ), (d , d , d c ), ( d , d , d )
c
donde "d " designa a un nio con menos de 10 aos y " d " al nio con 10 aos o ms.
Estos artculos son elegidos sin reemplazo.
Los resultados de pueden visualizarse por un diagrama de rbol de la
siguiente forma
 El cardinal de se obtiene por el principio del producto de la
siguiente forma
# 20 19 18 P (20,3) 6840

El suceso de inters, en este ejemplo, es

Z (d c , d c , d c )
cuya cardinalidad es # Z 12 11 10 1320
Luego, la probabilidad de Z es
#Z 12 11 10 1320
P(Z ) 0.1929
# 20 19 18 6840

Los clculos ofrecidos en la solucin del ejemplo 3.10 tambin pueden

explicarse en este contexto. En efecto, si A1 = {el nio elegido en la primera eleccin tiene
10 aos o ms} entonces se tendr
A1 (d c , d c , d c ), (d c , d c , d ), (d c , d , d c ), (d c , d , d )

# A1 12 11 10 12 8 11 12 11 8 12 8 7 4104
al aplicar el principio del producto y el principio de suma.

# A1 4104 12 3
Luego, P ( A1 ) 0.6
# 6840 20 5

3.7 Independencia de sucesos.

Hay situaciones en las que la probabilidad de ocurrencia de un evento A no

depende de la ocurrencia (o no) de otro evento B. En tal caso se dice que la probabilidad de
A, cuando ha ocurrido B, es igual a la probabilidad incondicional de A. Esto es,
P( A / B ) P( A)
Por ejemplo, si se declara que una ciudad presenta un 5% de nios
desnutridos, significa que la probabilidad de eleccin de un nio desnutrido de la ciudad
ser siempre de 0.05, cualquiera sea su estado nutricional (desnutrido o no) de un nio
seleccionado previamente. Es decir, el estado nutricional del nio previo no condiciona el
valor de probabilidad del nio que se est eligiendo. Esto da la primera concepcin de
independencia de sucesos. No obstante, este concepto se define de la siguiente manera.

Definicin 3.6:
Sea ( , 2 , P) un espacio de probabilidad asociado a un experimento .
Sean A1 y A2 2 entonces se dir que A1 y A2 son sucesos independientes si
P A1 A2 P ( A1 ) P( A2 ).
 En esta expresin A1 y A2 pueden ser sucesos de probabilidad nula. No
obstante, si alguno de ellos tiene probabilidad de ocurrencia no nula, por ejemplo
P ( A2 ) 0, entonces se puede escribir
P ( A1 A2 ) P( A1 ) P ( A2 )
P( A2 ) P ( A2 )
lo que conduce a P( A1 / A2 ) P( A1 )
que corresponde a la expresin . Similarmente, si P ( A1 ) 0 se puede escribir
P( A2 / A1 ) P( A2)
cuando existe independencia entre A1 y A2 .

Ejemplo 3.14
Si cc, sc, cs, ss y A1 cc, ss ; A2 cc, cs y A3 cc, sc
1
entonces P ( Ai Aj ) P( Ai ) P( A j ) i j
4
Es decir, A1 y A2 son independientes, A1 y A3 son independientes, A2 y A3 son
independientes.
Comentarios :

1. No se debe confundir la independencia entre sucesos con la incompatibilidad

(mutua exclusin) de sucesos.

2. Observar que el concepto de independencia entre dos sucesos guarda relacin

directa con la particular medida de probabilidad que se est usando. Es decir, la
independencia de sucesos no necesariamente se verifica bajo medidas de
probabilidad distintas. Por ejemplo, si P es una medida de probabilidad definida en
( , 2 )y si A, B 2 tal que P(A) = 0.5 , P(B) = 0.3 y P( A B ) =0.15
entonces P( A B ) = P(A) P(B), luego A y B son sucesos independientes segn
P; pero si P* es otra medida de probabilidad en ( , 2 )tal que P*(A) = 0.6,
P*(B) = 0.2 y P*( A B ) = 0.10 entonces A y B no son sucesos independientes
segn P* ya que P*( A B ) P*(A) P*(B).

3. Bajo cualquier medida de probabilidad, los sucesos y son independientes de

cualquier suceso.

4. Si A y B son sucesos independientes entonces tambin son independientes A y BC,

AC y B, AC y BC.

5. De la definicin anterior se desprende que si A y B son independientes y

P(A) >0 y P(B) > 0 entonces PB ( A) P( A) y PA ( B ) P ( B ) .
 De aqu se deduce que la probabilidad de ocurrencia de un suceso no se ve
afectada por la ocurrencia del suceso condicionante, cuando existe independencia
entre ellos.

Ejemplo 3.15:
En el ejemplo 3.8 anterior los sucesos "El frasco es de jarabe para la digestin" y "El
frasco est vencido" no son sucesos independientes pues
P(B F) = 209 = 0.45
P(B)P(F) = ( 14 12
20 ) ( 20 ) = 0.70 * 0.60 = 0.42
luego P(B F) P(B)P(F)