INTRODUCCION A LA TEORIA DE

PROBABILIDAD

DEFINICIONES Y CONCEPTOS
BASICOS

Estadstica

Estadstica Descriptiva

Modelos Probabilsticos

Inferencia Estadstica

La estadstica descriptiva (an

alisis exploratorio de datos) est
a a a cargo del procesamiento
de datos, organizaci
on de datos, resumen de
datos.
Los datos son obtenidos a trav
es de censos
(examinamos cada uno de los elementos de la
poblaci
on) o a trav
es de muestras
(examinamos algunos de los elementos, un subconjunto de elementos de la poblaci
on).

Definici
on
La estadstica es una disciplina que se preocupa de desarrollar t
ecnicas y modelos que permiten estudiar la forma como la incertidumbre
sobre un fen
omeno es alterada por la informaci
on disponible. La Teora de Probabilidad
tiene un rol fundamental en este proceso de
disminuci
on de incertidumbre.
reas de aplicaci
A
on: ingeniera, agronoma,
medicina, finanzas, educaci
on, estudios de mercado, compa
nas de seguros, isapres, AFP, ciencias sociales, . . .
La noci
on de probabilidad originalmente estaba
asociada con juegos de azar.
Ejemplo
Lanzar una moneda al aire. Si sale cara gano
$ 1000 y si sale sello pago $ 5000.
Experimento aleatorio: lanzar una moneda al
aire

Resultados posibles: {cara (C); sello (S)}

1
Probabilidades asociadas: P(C)= 1
;
P(S)=
2
2
C
omo justificamos esto?

1. Principio de raz
on insuficiente (moneda equilibrada)

2. Frecuencia relativa al lanzar la moneda un

n
umero grande de veces.

En 1921 Richard Von Nises da la definici

on
frecuentista de probabilidad, la cual presenta
dificultades para convertirse en teora. Posteriormente, en 1933 Kolmogorov nos entrega la
teora.

Siguiendo con el ejemplo:

Juego lanzar la moneda

Ganancia

Prob.

cara

+$1000

sello

1
2

$5000

1
2

La ganancia promedio en un n
umero grande de
juegos:
C

1 (1000)
2

4000 valor esperado

2

1 (5000)

Definici
on Experimento en teora de probabilidad es cualquier proceso cuyo resultado no se
conoce de antemano con certeza. Usualmente
se habla de fen
omeno o experimento aleatorio (). Cuando existe un resultado posible, el
experimento es determinstico.
Definici
on El conjunto de resultados posibles
de un fen
omeno o experimento aleatorio es denominado espacio muestral y denotado por .
Ejemplos

1. : lanzar una moneda al aire y observar el

resultado.
:{C, S }

2. : lanzar una moneda al aire 10 veces y

observar el n
umero de caras.
1 : {0, 1, . . . , 10}

Espacios Muestrales detallados

2 : {(x1, x2, . . . , x10) N10 :
xi = 0 xi = 1, i = 1, . . . , 10}
Xi =

1
0

sale cara
sale sello

3 : {(C, S) (C, S) (C, S)} =

{C, S}10
3. : se lanza un dado al aire y se observa el
resultado.
: {1,2,3,4,5,6}
4. : se lanzan dos dados al aire y se observa
el resultado.

Dado 1
1
2
3
4
5
6

1
(1, 1)
(1, 2)
(1, 3)
(1, 4)
(1, 5)
(1, 6)

2
(2, 1)
(2, 2)
(2, 3)
(2, 4)
(2, 5)
(2, 6)

Dado 2
3
4
(3, 1) (4, 1)
(3, 2) (4, 2)
(3, 3) (4, 3)
(3, 4) (4, 4)
(3, 5) (4, 5)
(3, 6) (4, 6)

5
(5, 1)
(5, 2)
(5, 3)
(5, 4)
(5, 5)
(5, 6)

6
(6, 1)
(6, 2)
(6, 3)
(6, 4)
(6, 5)
(6, 6)

# = 36 = 62.
Observaci
on En los Ejemplos 1 a 4, es finito.

5. : lanzar una moneda hasta que aparezca

por primera vez cara. Se observa el n
umero
de lanzamientos necesarios hasta que esto
suceda.
: {1, 2, 3, . . . , } = N

6. : se observa el tiempo (das) de duraci

on
de una ampolleta.
: {1, 2, 3, . . . , } = N

7. interesa determinar la probabilidad de

exito
o fracaso de cierto proyecto.
: { aceptado, rechazado}

Notaci
on Ak denota el producto cartesiano de
A con A k veces.
Definici
on Se llama suceso o evento a cualquier
subconjunto del espacio muestral.
(, ) A A es un evento asociado a
.
Observaci
on Un elemento de ser
a denotado
por w y {w} es denominado suceso elemental.
( es el universo; A es un conjunto; w es un
elemento)
En el ejemplo 4:
Eventos posibles: conjunto potencia de (2#)
Sea A: la suma de los n
umeros es par.

A:

(1, 1); (1, 3); (1, 5); (2, 2); (2, 4); (2, 6);

(3, 1); (3, 3); (3, 5); (4, 2); (4, 4); (4, 6);

(5, 1); (5, 3); (5, 5); (6, 2); (6, 4); (6, 6)

Definici
on Sea w el resultado de un fen
omeno.
Decimos que un evento A ocurre ssi w A.
Observaci
on

siempre ocurre (evento seguro)

nunca ocurre (evento imposible)

A ocurre AC no ocurre

B ocurre

wA

wA
o wB
A ocurre
o B ocurre

Ejemplo Una urna contiene dos fichas blancas

y tres fichas rojas. Se extrae una ficha de la
urna (al azar). Se anota el resultado y se devuelve a la urna. Se extrae una segunda ficha
y se anota el resultado.
Describa el espacio muestral asociado a
este experimento.
= {(R,R); (R,B); (B,R); (B,B)}
Describa el evento
A = Se obtiene al menos una ficha roja
A = {(R,R);(R,B);(B,R)}
Observaci
on Sea A y {Ai; i I} una
familia de eventos (subconjuntos) de , entonces:

iI

Ai

iI

w Ai para alg
un i I
ocurre al menos un Ai

Ai ocurre

w Ai i I

iI

ocurren todos los Ai

Si A1 A2 y A1 ocurre A2 ocurre.

A1 A2 ocurre

w A1 w
/ A2

ocurre A1 y no ocurre A2

Definici
on Dos sucesos A y B se dicen mutuT
amente excluyentes (Disjuntos) ssi A B =
Notaci
on P() = {A : A } conjunto potencia o de partes de .

Definici
on Sea un espacio muestral y A
P(). Se dice que A es una -
algebra ssi

i. A
ii. Si A A AC A

iii. Si A1, A2, . . . es una sucesi

on de eventos tal
S
que An A n N nN An A
Ejemplos

1. = {a,b,c}
C = {, {a, b}, {a, b, c}}, C no es -
algebra.

2. A = {, {c}, {a, b}, {a, b, c}}, A es -

algebra.

3. Sean A, B
algebra.
A = {, A, AC , B, B C , } no es -


C , B, B C , , A S B C ,

,
A,
A

S
S
S
4. A = A B, AC B C , AC B,

T
T
CT C
CT

B ,A

B, A

B, A

BC , . . .

, es -
algebra.

5. espacio muestral (e.m.) , A

A = {, A, AC , } es -
algebra.
Propiedades
1. Si A es una -
algebra sobre A.
2. Sea {An : n N} sucesi
on de conjuntos.
Si An A n N

n An A

3. Si A1, An, . . . , Ak son eventos tal que Ai A

para 1 i k

k
[

i=1

Ai A

k
\

i=1

Ai A

Definici
on Sea un e.m. y sea A una
algebra sobre . Se llama espacio medible al
par (, A). Si A es un elemento de A; se dice
que A es medible.
Ejemplo Sean A1 y A2 -
algebras sobre .
T
Es A1 A2 una -
algebra?
S
Es A1 A2 una -
algebra?

DEFINICION AXIOMATICA DE
PROBABILIDAD
Presentamos la definici
on axiom
atica de la
probabilidad.
A P (A) tenga propiedades que intuitivamente esperamos que tenga una probabilidad
con cualquiera de las interpretaciones disentidas.

Definici
on Sea un e.m. asociado a un experimento y A una -
algebra sobre . Una
medida de probabilidad P es una funci
on (conjunto) P : A R tal que:

Ax.1) P es no negativa, esto es, P (A) 0 A A

Ax.2) P () = 1

Ax.3) P es -aditiva, esto es, para cualquier sucesi

on infinita A1, A2, . . . de eventos disjuntos, se tiene que

i=1

Ai =

P (Ai)

i=1

Una medida de probabilidad sobre A es una

especificaci
on de n
umeros P (A) que satisfacen
los Axiomas 1, 2 y 3.
(, A, P )= espacio de probabilidad.

Propiedades

(i) P () = 0
=

Ax. 3

P
() = P
() +P ()
| {z }
| {z }
1

|{z}

P () = 0

Ax. 2

(ii) P (A) = 1 P (AC )

=A

AC

P ()

=
Ax. 3
=

Ax. 2

(iii) P (A

P (A

AC )

P (A) + P (AC )

1 = P (A) + P (AC )

B) = P (A) + P (B) P (A
T

B)

(iv) P (A B) = P (A) P (A B) Si B A
P (A B) = P (A) P (B)

(v) P (A

C) =?

(vi)

k
[

i=1

Ai =?

Ejemplo Sean A y B sucesos asociados al mismo experimento y suponga que P (A) = 0.4;
S
e valor tiene p
P (A B) = 0.7; P (B) = p. Qu
si:
a. A y B son mutuamente excluyentes?
b. P (A

B) = P (A)P (B)

Observaci
on
P (A

n
[

k=1

B) P (A) + P (B)

Ak

n
X

k=1

P (Ak )

PROBABILIDAD EN ESPACIOS
MUESTRALES FINITOS
Sean = {w1, w2, . . . , wn}
A = P() (todos los subconjuntos de )
Para definir una funci
on de probabilidad sobre , es suficiente especificar n
umeros a cada
suceso elemental.
P ({wi}) = pi

1 i n tal que

i. 0 pi 1
ii.

i = 1, . . . n

Pn
i=1 pi = 1

Note que por Axioma 3,

P (A) = P (

wA

{w}) =

wAk

P ({w})

Ejemplo: Definici
on cl
asica de probabilidad.
1
P ({wi}) = n

(1 i n)

Los elementos de son equiprobables

#A
#A
P (A) =
=
conteo
#
n
Teorema Sea = {w1, w2, . . . , wn}; A = P()
todos los subconjuntos de . Sea P : A R
tal que

1. P ({wi}) = pi
2. pi 0,

i = 1, . . . , n

Pn
i=1 pi = 1

3.
P (A) =

pi ,

AA

i:wi A

Entonces P es una medida de probabilidad sobre (, A)

Ejemplos
Sea = {0, 1, . . . , n}

1. pi = P ({i}) =

n
i

pi(1 p)ni 0

0p1

i = 0, 1, . . . , n
Note que

!
n
X
n
pi =
pi(1 p)ni 0
i
i=0
i=0
n
X

0p1

i = 0, 1, . . . , n
Entonces si
P (A) =

iA

n
i

pi(1 p)ni,

se tiene que P es una medida de probabilidad.

Note que en (1), si p = 1
2 entonces
pi = P ({i}) =

!
1 n
n

i = 0, . . . , n

Si n = 2,

= {0, 1, 2}

P0 = P ({0}) =

P1 = P ({1}) =

P2 = P ({2}) =

2
2

n!
k!(n k)!

Cn,k =

n
k

!
1 2
2

0
2
1

1
2
4
!
1 2
1
=
2
2
!
1 2
1
=
2
4
=

Este modelo o medida de probabilidad puede

ser asociado a los siguientes experimentos:

 : se lanzan dos monedas equilibradas al

aire y se cuenta el n
umero de caras.
1={(S,S);(S,C);(C,S);(C,C)}
2={0, 1, 2 } (n
umero de caras que pueden
salir)
1
4
1
P ({1}) =
2
1
P ({2}) =
4

P ({0}) =

: se lanzan dos dados equilibrados y se

cuenta el n
umero de unos.
umero de unos)
= {0,1,2 } (n

1
2
3
4
5
6

1
(1, 1)
(1, 2)
(1, 3)
(1, 4)
(1, 5)
(1, 6)

2
(2, 1)
(2, 2)
(2, 3)
(2, 4)
(2, 5)
(2, 6)

3
(3, 1)
(3, 2)
(3, 3)
(3, 4)
(3, 5)
(3, 6)

4
(4, 1)
(4, 2)
(4, 3)
(4, 4)
(4, 5)
(4, 6)

5
(5, 1)
(5, 2)
(5, 3)
(5, 4)
(5, 5)
(5, 6)

6
(6, 1)
(6, 2)
(6, 3)
(6, 4)
(6, 5)
(6, 6)

25
P ({0}) =
36
10
P ({1}) =
36
1
P ({2}) =
36
Este es un caso especial de la medida de
probabilidad definida en (1) con n = 2 y
p=1
6
2
i

P ({0}) =

P ({1}) =

!
1 0 5 2
2

P ({2}) =

P ({i}) = pi =

pi(1p)ni,

i = 0, 1, 2

Si p = 1
6
0
2
1
2
2

25
6
6
36
!
1 1 5 1
10
=
6
6
36
!
1 2 5 0
1
=
6
6
36
=

 : se lanzan n monedas equilibradas ala ire

y se cuenta el n
umero de caras.
: {0, . . . , n}

!
1 n
n

1
=
n
0
2
2

!
n
1 n
n
P ({1}) = n =
1
2
2
P ({0}) =

P ({2}) =

P ({i}) =

n
2

2n

n
i
2n

!
1 n
n

!
1 n
n

i = 0, 1, . . .
En el ejemplo;
Sea A = Se obtiene al menos una cara.
P (A) = 1 P (Ac)
= 1 P ({0})
1
= 1 n
2

Sea B = Se obtienen al menos k caras.

P (B) = P (
=
=

n
[

{i})

i=k
n
X

P ({i})

i=k
!
n
X
1 n
n
i=k

Otra medida de probabilidad sobre puede

ser construida asignando pesos iguales a cada
elemento del e.m., es decir:
1 0
pi = P ({i}) = n+1

Note que
n
X

i=0

pi =

n
X

1
=1
i=0 n + 1

DEFINICION CLASICA DE
PROBABILIDAD
La primera definici
on formal de probabilidad la
dio un matem
atico y m
edico: Girolamo Cardano (1501-1576)
= {w1, . . . , wn}
A = P()
1
pi = P ({wi}) =
n

i = 1, . . . n

Los sucesos elementales son igualmente probables.

A
P (A) =

pi =

i:wi A

P (A) =

1
#{i : wi A}
=
n
i:w A n
X
i

#A
,

Laplace lo enunciara como:

N o de casos favorables a A
P (A) =
N o de casos posibles

Ejemplo Se lanza tres veces una moneda equilibrada al aire.Calcule la probabilidad de obtener al menos dos caras.
Sea A: Obtener al menos dos caras.
4
1
P (A) = 3 =
2
2

METODOS DE CONTEO
Regla de Multiplicaci
on
(Principio Fundamental del Conteo)
Considere un experimento que se realiza en k
etapas con los siguientes caractersticas:

i. Cada etapa (i) del experimento puede tener

ni resultados posibles i = 1, . . . , k.
ii. Cada uno de los resultados en cualquiera
de las etapas puede ocurrir independientemente de los resultados concretos que se
hayan obtenidos en las otras etapas.
Entonces el n
umero de elementos de es:
# = n1 n2 nk

Ejemplos

1. Se lanza n veces una moneda

1

= 2n posibilidades de combinaci
on

2. Se lanza n1 veces un dado y n2 veces una

moneda
1

n1

n2

# = 6n1 2n2

3. Para hacer un viaje de Santiago a Concepci

on podemos usar como transporte tren,
bus y avi
on. De cu
antas formas hacer el
viaje si no deseamos usar al regreso el mismo medio de transporte usado en la ida?

Ida Regreso
(
T
B
A
T

T
A

T
A

Resp: 3 2 = 6

4. Cu
antos N0 naturales de 3 dgitos (0, 1, , 9)
distintos podemos formar?

= 9 9 8 = 648

4. El problema del cumplea

nos: se trata de
determinar la probabilidad de que al menos
dos personas de un grupo de k personas
tengan cumplea
nos el mismo da del mismo
mes.

Supuestos:

1. Los cumplea
nos de las k personas no est
an
relacionadas (no hay gemelos presentes).

2. Los 365 das del a

no tienen las mismas
probabilidades de ser cumplea
nos de cualquier
persona del grupo.
1

x1

x2

x3

xk

1 xi 365,

i = 1, , k
Xi N

= {(x1 , , xk ) : 1 xi 365, xi N, i = 1, , k}

# = 365k
A : al menos dos personas del grupo tienen
cumplea
nos el mismo da.
P (A) = 1 P (Ac)

Ac : los cumplea
nos de los k personas son en
das distintos.
#Ac =?
1

365

364

363

365 (k 1)

#Ac = 365 364 363 365 (k 1)

365!
= (365k)!

P (A) = 1 365364363365(k1)
k
365

Estudiar el comportamiento en funci

on de k.
k
2
3
4
5
...

P (A)

VARIACIONES, PERMUTACIONES Y
COMBINACIONES
Considere una urna que contiene n fichas (id
enticas)
numeradas de 1 a n. Si k fichas son seleccionadas al azar de la urna, decimos que una
muestra de tama
no k ha sido seleccionada.
La muestra es ordenada si el orden en el cual
son seleccionadas las fichas se toma en cuenta,
en caso contrario es no ordenada.
1

Ordenada si i1

i2

kn

ik

No ordenada {k fichas}.

Ejemplo: = {a, b, c}

Muestras ordenadas de tama

no 2 (sin reemplazo):
(a, b)(b, a)(a, c)(c, a)(b, c)(c, b)
3

=6

Muestras no ordenadas de tama

no 2 (sin
reemplazo).
{a, b}, {a, c}, {b, c}

Ejemplo: = {1, 2, 3}

3
2

n=3

3!
=3=
2!
k=2

Muestras ordenadas con reemplazo

(1,2)(1,3)(2,1)(2,3)(3,1)(3,2)(1,1)(2,2)(3,3)
3

=9

 Muestras ordenadas sin reemplazo

(1,2)(1,3)(2,1)(2,3)(3,1)(3,2) 3

Muestras no ordenadas con reemplazo

(1,2)(1,3)(2,3)(1,1)(2,2)(3,3)

4
2

=6

Muestras no ordenadas sin reemplazo

(1,2)(1,3)(2,3)

6 =3=
2

3
2

=6

TEOREMA:
i) El no de muestras ordenadas de tama
no k
seleccionados sin reemplazo (de n) es
Pn,k = n(n 1) (n (k 1)) =

n!
(n k)!

Pn,k es denominada permutacide k objetos

de n.
Si k = n; Pn,n = n! (formas de ordenar n
objetos diferentes).
Si la selecci
on es con reemplazo, entonces
no k
el no de muestras ordenadas de tama
es nk .
ii) El no de muestras no ordenadas de tama
no
k seleccionados sin reemplazo (de n) es:
Pn,k

n!
n
=
= cn,k
k
k!
(n k)!k!
y si el muestreo es con reemplazo el no es:
=

N(k,n) =

n+k1
k

Ejemplos
1. Formar los posibles no de 3 dgitos usando
los nos 1, 2, 3, 4, 5.
5

=53 = 125.

2. Una urna contiene 8 fichas numeradas de 1

a 8, 4 fichas son seleccionadas al azar (sin
considerar el orden). Cu
al es la probabilidad que el no menor sea 3?
i) Si la selecci
on es sin reemplazo
# casos posibles= # =

8
4

A : el menor no en!las 4 fichas seleccionadas

5
es 3 #A :
3

P (A) =

5
3
8
4

! =

1
7

ii) Si es con reemplazo (muestra no ordenada

con reemplazo)
# =

#A

muestra no ordenada con reemplazo,

n+k1
k

11
4

n = 6, k = 3

P (A) =

6+31
3

11
4

3. El problema de las coincidencias.

Suponga que tenemos M urnas numeradas
de 1 a M . Suponga que M bolas numeradas (de 1 a M ) son distribuidas en las M
urnas, con una ficha en cada urna. Calcular la probabilidad de tener al menos una
coincidencia.
A := Existe al menos una coincidencia.

Ai := La bola i cae en la urna i, i =

1, 2, , M.
A :=

SM
i=1 Ai

P (A) = P (

M
[

Ai )

i=1

M
X

P (Ai)

i=1

P (Ai Aj ) +

1ijM

P (Ai1 Ai2 Ai3 ) + +

1i1 i2 i3 M
+ (1)M +1P (A1 A2 Am)

#Ai (M 1)!
1
P (Ai) =
=
=
, i = 1, , M
#
M!
M
#(Ai Aj )
(M 2)! 2!
P (Ai Aj ) =
=
#
M!
2!
1
!
=
M
2!
2

(M k)! k!
P (Ai1 Ai2 Aik ) =
M!
k!
1

!
=
M
k!
k
1
P (A1 A2 Am) =
M!

P (A) =

X 1

M
2

+ + (1)M +1

= 1

M
2

M
2

+ + (1)M +1

+
2!

+
2!

M
3

M
3

M
3

1
1
1
1
M
+1
= 1
+

+ + (1)
2!
3! 4!
M!

3!

1
M!

1
M!

1 e1 = 0.6312

+
3!

TEOREMA:
i) El no de maneras en la cual n bolitas distinguibles distintas pueden ser distribuidas
en k urnas (cada urna puede contener de 0
a n bolitas) es k n.
ii) El no de maneras en la cual n bolitas (distinguibles) pueden ser distribuidas en k urnas tal que la j-
esima urna contenga nj
Pn
bolitas (nj > 0)
j=1 nj = n es
n!
=
n1!n2! nk !

n
n1 , n 2 , , n k

Ejemplo: Las 11 letras de la palabra Misissippi

ser
an permutadas Cu
al es la probabilidad que
las cuatro letras is sean consecutivas?
Observaci
on

n
n1 , n 2 , , n k

Tambi
en corresponde al n
umero de maneras en
la que n objetos de los cuales n1 son del tipo
1, n2 son del tipo 2, nk son del tipo k; pueden
P
ser permutados k1 ni = n.
Ejercicios:

1. Muestre que si A1 y A2 son -

algebras soT
bre entonces A1 A2 es una -
algebra.
2. Desigualdad de Benferroni.
Sean A y B dos eventos, muestre que
P (A

B) P (A) + P (B) 1

3. Si P es una funci
on de probabilidad y C1, C2, . . .
forman una partici
on de , muestre que
P (A) =

n=1

P (A

Cn )