Mtodos Estadsticos Tema6: Probabilidad.

TEMA 6
PROBABILIDAD

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 115

Mtodos Estadsticos Tema6: Probabilidad.

TEMA 6: PROBABILIDAD

1. Introduccin.
1.1. Experimento aleatorio
1.2. Espacio muestral
1.3. Sucesos
2. Probabilidad.
2.1. Regla de Laplace.
2.2. Probabilidad frecuentista.

3. Probabilidad Condicionada.

4. Dependencia e Independencia de Sucesos

5. Teorema de la Probabilidad Total y Teorema de

Bayes.

116 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

1. Introduccin.
Muchos fenmenos que habitualmente observamos en la
ciencia, y particularmente en el campo de la biologa, la
oceanografa, la psicologa, la sociologa, etc., tienen una
fuerte componente aleatoria (aleatorio significa incierto, que
depende de la suerte o el azar).

Ejemplos:
Cuando alimentamos a un pez de un cultivo con una
dieta determinada, en general no podemos predecir con
seguridad el peso final que va a alcanzar el pez.

Si estamos interesados en estudiar una variable, como

por ejemplo la talla en los sujetos de una poblacin,
tendremos que tomar una muestra aleatoria de la
misma, dado que casi nunca es posible estudiar a toda la
poblacin. Los resultados del estudio, evidentemente,
dependern de la muestra seleccionada (muestras
distintas producirn resultados distintos, aunque se
espera que sean siempre parecidos a lo que se habra
obtenido de haber podido observar la poblacin
completa), y por tanto, tambin tendrn naturaleza
aleatoria.

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 117

Mtodos Estadsticos Tema6: Probabilidad.

Un poco de Filosofa:
En el primero de los ejemplos anteriores es cierto que el
peso final del pez no es una cantidad completamente
aleatoria y quizs se puede predecir aproximadamente
en funcin de la especie, las condiciones iniciales del
pez, el tiempo de cultivo, etc. Una forma habitual de
realizar esta prediccin es observar que, por ejemplo,
todos los peces de esa especie criados en esas
condiciones tienen un peso medio de 3 kg. En tal caso
sabemos a priori que un pez escogido arbitrariamente
entre todos stos pesar aproximadamente 3 kg. Ahora
bien su peso exacto ser realmente 3 + kg., donde es
una cantidad (positiva o negativa) en la que se incluye
el efecto combinado de muchsimas variables de las que
se desconoce la forma exacta en que afectan al peso del
animal (incluido el mero azar que ha dado lugar a que el
pez unos das haya comido ms, otros menos, que haya
enfermado, que haya sido dominante o haya sido
dominado, etc). Esta combinacin de pequeos efectos
impredecibles es la que da lugar en ltima instancia al
valor que, a efectos prcticos, es completamente
aleatorio.

118 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

Mtodos Estadsticos Tema6: Probabilidad.

En el segundo ejemplo se pretende evaluar el

comportamiento de una variable en una poblacin a
travs de la informacin recogida en una muestra
elegida al azar. La razn principal para elegir muestras
al azar es evitar en la medida de lo posible la
introduccin de sesgos (an involuntarios) por parte del
investigador. Al hacer una evaluacin global de una
variable, usualmente es preciso sintetizar la informacin
utilizando su valor medio, varianza, distribucin de
frecuencias, etc. Dado que de lo que disponemos es de
una muestra, estos valores se calcularn sobre sta, y no
sobre la poblacin. Si y 2 son, respectivamente, la
media y la varianza (desconocidas pero fijas) de la
poblacin, y x y s2 son esas cantidades calculadas en la
muestra (y por tanto conocidas, aunque normalmente
varan de una muestra a otra), podemos esperar que:

x = + 1
s2 = 2 + 2
donde 1 y 2 son cantidades que dependen de la
muestra escogida y que son aleatorias precisamente
porque la muestra se ha escogido al azar.

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 119

 Mtodos Estadsticos Tema6: Probabilidad.

El hecho de que el resultado de un fenmeno aleatorio sea

incierto, no quiere decir que no se pueda hacer una prediccin.
Lo que sucede es que la prediccin habr que hacerla en
trminos de probabilidad:

A la hora de predecir el peso de un pez concreto,

deberemos sustituir la afirmacin segura: Al haberse
cultivado de esta forma, este pez pesar 3 kg. por una
afirmacin probabilstica: Al haberse cultivado de esta
forma, este pez pesar 3 kg, si bien con una probabilidad
del 95% puede ocurrir que el peso oscile 300 gr. arriba,
300 gr, abajo.

A la hora de aproximar la talla media de los individuos de

una poblacin (que no ha podido ser observada
ntegramente sino que se ha observado una muestra
aleatoria), deberemos sustituir la afirmacin segura: La
talla media de los individuos de esta poblacin es de 60
cm. por una afirmacin probabilstica: La talla media
de los individuos de esta poblacin es 60 cm., si bien con
una probabilidad del 90% puede ocurrir que la talla
media oscile 10 cm. por encima o por debajo de esta
cantidad.

120 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

2. PROBABILIDAD

Concepto intuitivo de Probabilidad.

El concepto de la probabilidad no es ajeno al campo de la

ciencia: cuando los resultados de nuestros experimentos no
pueden predecirse con exactitud, es importante disponer al
menos de una medida del grado de certidumbre con que puede
ocurrir cada uno de sus posibles resultados. Esa medida es
precisamente lo que llamamos probabilidad.
Ejemplos:

1. Cuando lanzamos una moneda al aire no sabemos si va

a salir cara o cruz. No obstante, si la moneda est bien
construida, podemos esperar que la mitad de las veces
que la lancemos salga cara y la otra mitad cruz.
Decimos de esta manera que la probabilidad de sacar
cara es de un 50% y la de sacar cruz otro 50%.

Aunque aqu hemos expresado la probabilidad en tanto

por ciento, en la prctica es ms frecuente expresar la
probabilidad como proporcin (en tanto por 1): esto es,
la probabilidad de sacar cara es 0.5, y la de sacar cruz es
tambin 0.5.

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 121

Mtodos Estadsticos Tema6: Probabilidad.

2. Se ha observado que entre las tortugas de determinada

especie slo el 10% de las puestas se realiza de da,
mientras que el restante 90% se lleva a cabo tras la
puesta del sol. Si seguimos a una tortuga de esta especie
elegida arbitrariamente aunque a priori no sabemos si
anidar de da o de noche, s que podemos decir que las
probabilidades de cada una de estas situaciones son,
respectivamente, del 10% y del 90%, o expresadas en
tanto por uno, de 0.1 y 0.9.

Ntese que en estos dos ejemplos, la forma de asignar

probabilidades a los resultados posibles ha sido distinta.
En el caso de la moneda hemos empleado un
razonamiento abstracto (Si la moneda est bien hecha, las
probabilidades de cara y cruz son 50% y 50%
respectivamente), mientras que en el caso de las tortugas
hemos debido hacer observaciones previas (se ha
observado que el 10% de las puestas se hace de da y el
90% de noche)

122 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Para definir correctamente el concepto de probabilidad

debemos definir los siguientes conceptos previos.

Experimento aleatorio.
Es aquel cuyo resultado es incierto o depende del azar. Su
opuesto sera un experimento determinista, cuyo resultado es
predecible con anterioridad a la realizacin del experimento.

Espacio muestral.
Se llama espacio muestral asociado a un experimento
aleatorio al conjunto de posibles resultados elementales del
experimento. Representaremos habitualmente el espacio
muestral por E.

Ejemplo: Al lanzar un dado, el conjunto de posibles

resultados elementales del experimento es
E = {1,2,3,4,5,6}.

Suceso elemental.
Cualquier elemento del espacio muestral.

Sucesos
Un suceso es cualquier coleccin de sucesos elementales
(esto es, cualquier subconjunto de E.)

Ejemplo: Sea E = {1,2,3,4,5,6} el espacio muestral del

experimento lanzar un dado . Si S es el conjunto de
todos los sucesos de dicho espacio muestral, tenemos:
S ={, E, {1}, ... ,{6}, ... ,{1,3},{4,6}, ... ,{2,4,6},{1,3,5},
{1,2,3},{4,5,6}, ..., {2,3,4,5}, ...}

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 123

 Mtodos Estadsticos Tema6: Probabilidad.

Algunos sucesos especiales son:

- Suceso seguro: Es aquel que podremos predecir que con

seguridad ocurrir al realizar el experimento aleatorio.
Contendr pues todos los sucesos elementales, por lo que es el
propio espacio muestral E.

Ejemplo: Al lanzar un dado al azar, el Suceso Seguro es

Obtener un nmero del 1 a 6 = E.

- Suceso imposible: Es aquel que podremos predecir que

con seguridad no ocurrir. Como conjunto no contendr a
ningn suceso elemental, por lo que se trata del conjunto
vaco, el cual representaremos por .

Ejemplo: Al lanzar un dado al azar, el Suceso Obtener un

nmero mayor que 6 es un suceso imposible.

- Suceso contrario: Dado un suceso A, el suceso contrario

lo representaremos por Ac A y est formado por todos los
sucesos elementales que no estn en A. La ocurrencia de A
supone, por tanto, la no ocurrencia de A , y viceversa.

Ejemplo: Al lanzar un dado al azar, si A = Obtener un

nmero par, entonces A = Obtener nmero impar.

124 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

- Inclusin de sucesos: Se dice que un suceso A est

incluido en otro suceso B (es decir, A B), si siempre que
ocurre A, ocurre tambin B. Es decir todos los elementos de A
son tambin elementos de B.

Ejemplo: Al lanzar un dado al azar, sea A = Suceso

Obtener un cinco, y sea B = Suceso Obtener nmero
impar. Se tiene, pues que, A = {5} B = {1,3,5}.

- Unin de sucesos: Dados dos sucesos A y B, se llama

unin de sucesos, al nuevo suceso A B, que consiste en que
ocurra alguno de los dos. Por tanto, A B es la reunin de
todos los sucesos elementales de A con los sucesos
elementales de B.

Ejemplo: Al lanzar un dado al azar, sea A =Suceso Obtener

un nmero par, y B = Suceso Obtener nmero mayor a
tres = {4,5,6}. Entonces, AB = Suceso Obtener nmero
par o mayor a tres = {2,4,5,6}.

- Interseccin de sucesos: Dados dos sucesos A y B, se

llama interseccin de sucesos, al nuevo suceso AB, que
consiste en que ocurran ambos a la vez. Por tanto, AB es el
conjunto los sucesos elementales que pertenecen a ambos
conjuntos a la vez.

Ejemplo: Al lanzar un dado al azar, sea A=Suceso Obtener

un nmero par, y B = Suceso Obtener nmero mayor a
tres = {4,5,6}. Entonces, AB = Suceso Obtener nmero
par mayor a tres = {4,6}.

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 125

 Mtodos Estadsticos Tema6: Probabilidad.

- Diferencia de sucesos: Dados dos sucesos A y B, se llama

diferencia del suceso A menos el B, al suceso A-B, formado
por todos los sucesos elementales de A que no estn en B.

Ejemplo: Al lanzar un dado al azar, sea A=Suceso Obtener

un nmero par, y B = Suceso Obtener nmero mayor a
tres = {4,5,6}. Entonces, A-B = ABc = Suceso Obtener
nmero par no mayor a tres = {2}.

- Sucesos incompatibles: Dados dos sucesos A y B, se dicen

que son incompatibles si no pueden ocurrir simultneamente.
Por tanto, si A y B son incompatibles se tiene que AB = .

Ejemplo: Al lanzar un dado al azar, sea A=Suceso Obtener

un nmero par={2,4,6}, y B = Suceso Obtener nmero
impar = {1,3,5}. Entonces, AB = .

126 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Definicin formal de probabilidad:

Formalmente, si representamos por S el conjunto de todos

los sucesos de un espacio muestral E, una medida de
probabilidad es una funcin definida para todos los elementos
de S y que toma valores en el intervalo [0,1], es decir,
P: S [0,1]
AP(A)
y que verifica las siguientes condiciones:

1. El suceso seguro tiene probabilidad 1: P(E)=1

2. Si A y B son dos sucesos incompatibles (AB = ),

entonces:

P(AB)= P(A) + P(B)

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 127

 Mtodos Estadsticos Tema6: Probabilidad.

De esta definicin pueden deducirse las siguientes

propiedades:

1) El suceso imposible tiene probabilidad 0: P() = 0

2) Para cualesquiera dos sucesos A y B:

P(AB)= P(A) + P(B) - P(AB)

3) Si A1, A2, ... , An, son n sucesos incompatibles dos a dos

(es decir, Ai Aj = , con ij), entonces:
P(A1 A2 ... An) = P(A1) + P(A2) + ... + P(An)

4) P( A ) = 1- P(A)

5) Si A B P(B-A) = P(B) P(A)

128 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

Mtodos Estadsticos Tema6: Probabilidad.

Propiedades de las operaciones con conjuntos o sucesos

1.- AB=BA
2.- AB=BA
3.- AA=A
4.- AA=A
5.- AE=E
6.- AE=A
7.- A A =E
8.- A A =
9.- A =A
10.- A=
11.- A(BC)= (AB)(AC)
12.- A( BC)= (AB)(AC)
13.- A B = A B
14.- A B = A - ( AB)
Leyes de Morgan
1.- ( A B) = A B
2.- ( A B) = A B
Cardinalidad
N(AB)= n(A)+ n(B) - n(AB)
N(ABC)= n(A) + n(B) + n(C)
- n(AB) - n(AC) - n(BC) +n(ABC)

E
B
A

C
Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 129
 Mtodos Estadsticos Tema6: Probabilidad.

Asignacin de probabilidades a sucesos de un espacio

muestral.

La determinacin de la probabilidad de un suceso se puede

fundamentar en uno de los siguientes criterios:

2.1 Asignacin mediante la Regla de Laplace.

Consideremos un espacio muestral finito con n elementos

que suponemos equiprobables (es decir, todos tienen la
misma probabilidad de ocurrir).

La probabilidad de que ocurra cada elemento ser

entonces 1/n.
Si un suceso A est compuesto por k elementos del
espacio muestral, su probabilidad es:

k n de casos favorables
P( A) = =
n n de casos posibles

Ejemplo: Sea E={1,2,3,4,5,6} el espacio muestral que se

obtiene al realizar el experimento aleatorio Lanzar un dado.
Se tiene que:
1
P(1) = P(2) = P(3) = P(4) = P(5) = P(6)=
6
2
P(Obtener multiplo de 3) = P({3,6}) =
6
4
P(No obtener multiplo de 3) = P({1,2,4,5}) = = 1 P({3,6})
6

130 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

Mtodos Estadsticos Tema6: Probabilidad.

La regla de Laplace puede generalizarse a espacios

muestrales continuos, siempre que todos los sucesos
elementales en dichos espacios sean equiprobables. En esta
situacin, no es posible contar cuntos son los casos
favorables ni los posibles (pues el espacio muestral es
continuo y por tanto no numerable); habr de determinarse,
con la medida adecuada al espacio que se considere, cuanto
miden respectivamente el conjunto de casos favorables y el
conjunto de casos posibles, esto es:

( A) Medida del conjunto de casos favorables a A

P ( A) = =
( E ) Medida del conjunto total de casos posibles

Ejemplo 1: Imaginemos una pared y a alguien con los ojos

vendados que tira un dardo a la pared, en la que se ha
colocado un cuadro despus de vendarle los ojos. Cul es
la probabilidad de que acierte en el cuadro al lanzar el
dardo?

E
A

( A) Area( A)
P ( A) = =
( E ) Area ( E )

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 131

 Mtodos Estadsticos Tema6: Probabilidad.

Ntese que para que funcione la asignacin de Laplace todos

los puntos de la pared deben tener la misma probabilidad de
ser alcanzados por el dardo (cosa que ocurre si el lanzador tira
a ciegas y no sabe dnde est el cuadro). Si el lanzador fuera
experto, y lanzara con los ojos abiertos, la probabilidad de
acertar en el cuadro A sera mucho mayor que la que hemos
obtenido en el clculo anterior.

El resultado de 500 lanzamientos podra ser algo parecido a lo

que se muestra en los siguientes grficos:
Tirador experto Tirador inexperto
Ojos abiertos: Ojos vendados:
20

20
15

15
y

y
10

10
5
5

0
0

0 5 10 15 0 5 10 15

x x

Alta probabilidad de acertar en Baja probabilidad de acertar en

el cuadro. La densidad de el cuadro. La densidad de
puntos (aciertos con los dardos) puntos es uniforme sobre toda la
es mucho mayor sobre el pared. Todos los puntos de la
cuadro que fuera de l: es pared tienen la misma
mucho ms probable acertar probabilidad de ser alcanzados.
dentro del cuadro que fuera.

132 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

Mtodos Estadsticos Tema6: Probabilidad.

2.2 Asignacin mediante Frecuencias Relativas.

En muchas ocasiones no es factible asignar probabilidades

segn la regla de Laplace, por no ser equiprobables los
sucesos elementales. Para asignar probabilidades a estos
sucesos en tales casos podemos recurrir a la observacin:
realizamos el experimento aleatorio muchas veces y
asignamos como probabilidad de un suceso A la frecuencia
relativa (proporcin de veces) con que ocurre el mismo.

Esta definicin slo tiene sentido si la frecuencia relativa

con que ocurre un suceso tiende a estabilizarse a medida
que el experimento aleatorio se realiza ms y ms veces.
Afortunadamente en la prctica es eso lo que ocurre, y por
tanto podemos correctamente definir la probabilidad de un
suceso A como:
nA
P(A) = lim
n n

donde n es el nmero de veces que se ha realizado el

experimento y nA el nmero de veces que el resultado del
experimento ha sido el suceso A.

NOTA: Si el suceso A es cierta caracterstica de los

sujetos de una poblacin (por ejemplo ser rubio), la
probabilidad calculada segn esta definicin converge a la
proporcin de individuos de la poblacin con esa
caracterstica, esto es:
nA N
P(A)= lim A
n n N

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 133

 Mtodos Estadsticos Tema6: Probabilidad.

Ejemplo: En una pista de bolos se colocan 11 casillas alineadas, se

lanza una pelota pequea, Cul es la probabilidad de acertar en la
casilla central?

Caso1: Si lanza un inexperto al hacer un lanzamiento podra caer por

igual en cualquier casilla y tras muchos lanzamientos se
podra tener un histograma del tipo:

Caso 2: Si lanza un experto tras muchos lanzamientos se podra

tener un histograma del tipo:

En ambos casos, la probabilidad de acertar en una casilla

determinada se puede calcular como el lmite de la frecuencia
relativa con que se acierta en esa casilla a medida que el nmero de
tiradas va aumentando. En el primer caso la distribucin de
frecuencias (y por tanto de probabilidad) tiende a ser uniforme
(igualmente repartida entre todas las casillas), mientras que en el
segundo caso tiene una forma acampanada (ms probabilidad en el
centro que en los extremos)

134 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

3. PROBABILIDAD CONDICIONADA.

Si dos sucesos A y B estn relacionados, la ocurrencia o

no de A afecta a la probabilidad de ocurrencia de B.

Ejemplo: Al lanzar un dado, sean los sucesos

A = Obtener nmero Par
B = Obtener nmero mayor a tres
Tenemos, por tanto, A ={2,4,6} y B ={4,5,6}

Si no se tiene ninguna otra informacin, la probabilidad de

NB 3
que ocurra el suceso B es P( B) = = = 0.5 .
N 6

Si se dispone de la informacin de que al lanzar el dado ha

ocurrido el suceso A (ha salido un nmero par), la
probabilidad de que ocurra B es:

b g
P B A =
casos favorables a B sabiendo que ha ocurrido A 2
casos posibles sabiendo que ha ocurrido A
= = 0.66
3

(Ntese como la probabilidad de B ha cambiado cuando se sabe que

ha ocurrido A).

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 135

 Mtodos Estadsticos Tema6: Probabilidad.

Observemos cmo hemos calculado esta probabilidad condicionada:

b g casoscasos
P B A =
favorables a B sabiendo que ha ocurrido A
posibles sabiendo que ha ocurrido A
=

N cl4,6qh N b B Ag N b B Ag N Pb B Ag
= = = =
N cl2,4,6qh N b Ag N b Ag N P b Ag

Apoyndonos en esta idea, definimos el concepto de probabilidad

condicionada del siguiente modo:

Se define la PROBABILIDAD CONDICIONADA de que

ocurra un suceso B, dado que ha ocurrido otro suceso A,
como:

b g bP( A) g
P B A =
P B A

(Esta expresin viene a ser equivalente a calcular la probabilidad

de B cuando el espacio muestral queda reducido slo al suceso
A, que es la condicin que se ha producido).

136 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

4. DEPENDENCIA E INDEPENDENCIA
DE SUCESOS

Un suceso B es independiente de un suceso A si la

probabilidad de B no cambia cuando se cuenta con la
informacin de que ha ocurrido A, esto es, si:

P(B) = P(B|A)

Propiedades importantes: Si B es independiente de A,

entonces:
i) P(A B) = P(A) P(B)

ii) P(A|B) = P(A), es decir A es independiente de B

En general, si A1, A2, ... , An son sucesos mutuamente

independientes, de la primera propiedad anterior se sigue que:
P(A1 A2 ... An) = P(A1) P(A2) ... P(An)

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 137

 Mtodos Estadsticos Tema6: Probabilidad.

Ejemplo:

Consideremos el experimento consistente en extraer dos

cartas de una baraja espaola y sean los sucesos:
A= Obtener un oro en la primera extraccin.
B= Obtener un oro en la segunda extraccin.
Calcular la probabilidad de que ocurra B sabiendo que ha
ocurrido A.

a) Si al observar la primera carta no se repone al mazo de

cartas, ambos sucesos son dependientes y:

P ( A) =
10
40
;b g 399 P B A =

Pb A B g
Como Pb B Ag = Pb A B g = P ( A) Pb B Ag =
10 9

P ( A) 40 39

b) Si tras observar la primera carta sta se repone al mazo, y

a continuacin se extrae la segunda carta, ambos sucesos
son independientes y:

P ( A) =
10
40
; b g 1040 = P( B)
P B A =

Pb A B g = P( A) Pb B Ag = P( A) P( B) =
10 10

40 40

138 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

5. TEOREMA DE LA PROBABILIDAD TOTAL.

Los siguientes teoremas son de especial inters para resolver

problemas relacionados con las probabilidades condicionales.
Su enunciado requiere el concepto de sistema completo de
sucesos que definimos a continuacin:

Sistema completo de sucesos: En un espacio muestral E, se

dice que n sucesos A1, A2 , ..., An forman un sistema completo
si Ai Aj = , para cualquier par de conjuntos (son
incompatibles dos a dos) y E = A1 A2 ... An (la reunin
de todos es el suceso seguro). Por tanto, dado un sistema
completo de sucesos, ocurre uno y slo uno de los sucesos que
lo forman.

Teorema de la Probabilidad Total: Sea A1, A2 , ..., An un

sistema completo de sucesos y sea B un suceso. Se tiene
entonces que:

b gb g
n
P ( B) = P B Ai P Ai
i =1

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 139

 Mtodos Estadsticos Tema6: Probabilidad.

Ejemplo 1:

Una fbrica de coches fabrica tres tipos de coches A1, A2 y

A3, con una proporcin de cada tipo de 4/10, 5/10, 1/10.
Adems la probabilidad de que un coche de tipo A1 se avere
durante el primer ao es 0.07, la de que se avere uno del tipo
A2 es 0.04 y del tipo A3 es 0.09.
Cul es la probabilidad de que ocurra el suceso B = Un
coche producido en esa fbrica tenga una avera antes de un
ao?

El espacio muestral E es la produccin total de la fbrica, por tanto

E = A1 A2 A3

P ( B ) = P ( B E ) = P ( B ( A1 A2 A3 ) ) =
= P ( ( B A1 ) ( B A2 ) ( B A3 ) ) =
= P ( B A1 ) + P ( B A2 ) + P ( B A3 ) =
= P ( B | A1 ) P( A1 ) + P ( B | A2 ) P( A2 ) + P ( B | A3 ) P( A3 ) =
4 5 1
= 0.07 + 0.04 + 0.09 = 0.057
10 10 10

140 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Teorema de Bayes.
En muchas ocasiones se dispone de una descomposicin del
espacio muestral en un sistema completo de sucesos A1, A2, ...,
An, cuyas probabilidades P(Ai) se conocen, en principio, para
todos los Ai (Probabilidades a priori). Supongamos que los Ai
no son directamente observables y que nos interesa calcular la
probabilidad de que haya ocurrido concretamente el suceso Aj.

Si es posible realizar un experimento que produzca un

resultado B, cuyas probabilidades condicionales P(B / Ai)
(verosimilitudes) tambin se conocen para todos los Ai, entonces
el siguiente teorema permite usar la informacin aportada por B
para calcular la probabilidad de que haya ocurrido Aj, esto es, la
probabilidad P(Aj / B) (probabilidad a posteriori)

Teorema de Bayes: Sea A1, A2 , ..., An un sistema completo de

sucesos y sea B un suceso que cumple que B Ai . Se tiene
entonces:

Pd A B i =
i d i d
P B Aj P Aj

Pb B A g P b A g
j n

i i
i =1

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 141

 Mtodos Estadsticos Tema6: Probabilidad.

La demostracin de este teorema es sencilla:

P( A j B ) P( B A j ) P( B | A j )P( A j )
P(Aj|B) = = =
P( B ) n n
P( B A i ) P( B | A i )P( A i )
i =1 i =1

Ejemplo 1:

Supongamos que en cierta poblacin consideramos los

siguientes grupos de personas en funcin de su edad: A1
=Nio; A2=Adulto; A3 =Anciano. Sabemos qu proporcin
representa cada uno de estos grupos de edad en la poblacin, y
conocemos tambin la incidencia de la gripe en cada grupo:
P(Nio)=0.25 P(Gripe | Nio)=0.4
P(Adulto)=0.55 P(Gripe | Adulto)=0.35
P(Anciano)=0.2 P(Gripe | Anciano)=0.6

Entre las personas que tienen gripe, cul es la

proporcin de ancianos?

Esta pregunta se puede reformular en trminos de

probabilidad del siguiente modo: Calcular P(Anciano | Gripe).
Utilizando el teorema de Bayes:
P(Anc G)
P(Anc|G) = =
P(G)
P(G| Anc) P(Anc)
= =
P(G| N) P(N) + P(G| Ad) P(Ad) + P(G| Anc) P(Anc)

0,6 * 0,2 0,12

= = = 0,2909
0,4 * 0,25 + 0,35 * 0,55 + 0,6 * 0,2 0,4125

142 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Ejemplo 2:
Consideremos una prueba diagnstica para la deteccin de
determinado tipo de cncer. Para que sta sea aceptable ha de
tener alta sensibilidad y alta especificidad. Estos conceptos se
definen del siguiente modo (se entiende que dar positivo en la
prueba significa que sta detecta la presencia del cncer):
FH
Sensibilidad = P La prueba d positivo El individuo est enfermo IK
FH
Especificidad = P La prueba d negativo El idividuo est sano IK
Como las pruebas diagnsticas no son exactas, puede ocurrir
que den positivo en individuos sanos (falsos positivos) y
negativo en individuos enfermos (falsos negativos). Se definen
tambin:
Coeficiente falso-positivo = 1 Especificidad
Coeficiente falso-negativo = 1- Sensibilidad

Si llamamos:
C = padecer cncer
T = dar positivo en la prueba diagnstica

Podemos expresar:
Sensibilidad = P(T | C )
Coeficiente falso-positivo = P(T | C )
Especificidad = P(T | C )
Coeficiente falso-negativo = P(T | C )

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 143

 Mtodos Estadsticos Tema6: Probabilidad.

Supongamos que se desea saber si una persona elegida

arbitrariamente de una poblacin padece cncer. Si pC es la
proporcin de enfermos de cncer en esa poblacin, a priori la
probabilidad de que esa persona en particular tenga cncer
puede tomarse como P(C) = pC.
Para mejorar su informacin, el mdico le realiza una prueba
diagnstica cuya sensibilidad y especificidad se conocen.
Supongamos que el resultado de la prueba es positivo. El
mdico (y ms an el presunto enfermo) debe ahora
preguntarse:
cul es la probabilidad de que el paciente est realmente
enfermo sabiendo que ha dado positivo en la prueba?.
Esta probabilidad se calcula mediante el teorema de Bayes
de la siguiente forma:

P (C T ) P(T | C ) P(C )
P (C | T ) = =
P (T ) P(T | C ) P(C ) + P(T | C ) P(C )

Si la prueba hubiese resultado negativa, interesara

preguntarse:
cul es la probabilidad de que el paciente est realmente
sano sabiendo que ha dado negativo en la prueba?.
Esta probabilidad se calcula tambin mediante el teorema
de Bayes:

P (C T ) P(T | C ) P(C )
P (C | T ) = =
P (T ) P(T | C ) P(C ) + P(T | C ) P(C )

144 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Ejemplo: (Falso-positivo)

En una poblacin se sabe por datos histricos que una de cada

1000 personas padece cierta enfermedad. Existe un test para
detectar esta enfermedad de manera que:

P(Test | Enf ) = P(T | E ) = 0.001 P (T | E ) = 0.999

P(Test + | Sano) = P(T | S ) = 0.01 P (T | S ) = 0.99

Cul es la probabilidad estar enfermo si el test da

positivo, esto es, cunto vale P ( E | T ) ?

Se sabe que la probabilidad de que una persona este

enferma es:

1 999
P(E ) = P (E ) = P (S ) =
1000 1000

P( E T ) P (T | E ) P ( E )
P( E | T ) = = =
P (T ) P (T | E ) P ( E ) + P(T | S ) P( S )
1 0.999
0.999
= 1000 = 1000 =
1 999 0.999 + 9.99
0.999 + 0.01
1000 1000 1000
0.000999
= = 0.091
0.01089

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 145

 Mtodos Estadsticos Tema6: Probabilidad.

Ejemplo: En una poca del ao se sabe por datos histricos

que la probabilidad de que el agua de un ro est contaminada
es 0.2. Se dispone de un Test para analizar el agua y se sabe
que este test, cuando hay contaminacin la detecta en un 95%
de los casos, y cuando no hay contaminacin tambin da
positivo en un 7% de los casos.
Calcular la probabilidad de que habiendo dado negativo
haya realmente contaminacin.

146 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Combinatoria
Estudia y recuenta las diferentes formas en que se
puede realizar la ordenacin o agrupamiento de un
determinado nmero de objetos siguiendo ciertas
condiciones. Estos recuentos estn ntimamente
relacionados con el clculo de probabilidades, pues
son los que permiten determinar en muchos casos el
nmero de casos favorables y de casos posibles.
Factorial:
Sea n un nmero natural. Se define el factorial de n como:

n! = n(n - 1)(n - 2)...321

Nota: 0! = 1

Variaciones sin repeticin (de n objetos tomados de r

en r):
Son todas las formas de ordenar (importa el orden) n objetos en
grupos de r objetos, con r n , sin que los objetos se repitan.
n!
Vnr =
(n r )!

Ejemplo: Cuntas clavess de 4 letras distintas pueden escribirse

utilizando 6 letras distintas?

6! 6! 654321
V =4
= = = 180
(6 4)! 2!
6
21

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 147

Mtodos Estadsticos Tema6: Probabilidad.

Variaciones con repeticin (de n objetos tomados de r

en r):
Son todas las formas de ordenar (importa el orden) n objetos en
grupos de r objetos, pudiendo repetir objetos. La r puede ser
mayor, menor o igual que la n.

VRnr = n r
Ejemplo: Cuntas claves de 12 letras pueden formarse con
las letras de la palabra COMPUTER?

VR812 = 812 = 68.719.476.736

Permutaciones (de n objetos):

Son todas las formas de ordenar n objetos sin repetirlos.

Pn = n !
Es obvio que:
Pn = Vnn

Ejemplo: De cuntas formas se pueden ordenar 5 libros distintos

en una estantera?
P5 = 5! = 54321 = 120

148 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

Mtodos Estadsticos Tema6: Probabilidad.

Permutaciones con repeticin:

Son todas las formas de ordenar n objetos (importa el orden),
entre los cuales hay slo k distintos, el primero de ellos repetido
n1 veces, el segundo n2 veces, , y el k-simo nk veces, con
n1 + n2 + ... + nk = n :

n!
Pnn1 ,n2 ,...,nk =
n1 !n2 !...nk !

Ejemplo: Cuntas palabras distintas pueden escribirse con las

letras de la palabra RELEER?

n! 6! 654321
6
P2,3,1 = = = = 60
n1 !n2 !n3 ! 2!3!1! 213211

Combinaciones sin repeticin: (de n objetos tomados

de r en r):
Son todas las formas de agrupar n objetos en grupos de r objetos,
0 r n , sin que importe el orden, y sin repetir objetos.

n n!
C = =
r

r r !(n r )!
n

Ejemplo: De cuntas formas se pueden elegir 3

representantes para el claustro de un grupo formado por 40
alumnos?

40! 40! 403938

3
C40 = = = = 401319 = 9980
3!(40 3)! 3!37! 321

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 149

Mtodos Estadsticos Tema6: Probabilidad.

Combinaciones con repeticin: (de n objetos tomados

de r en r)
Son todas las formas de agrupar n objetos en grupos de r objetos,
sin que importe el orden, y pudiendo repetir objetos.

n + r 1
CR = C n+r 1
r
n
r
=
r

Ejemplo: De cuntas formas se pueden escoger 12

cartulinas de colores (pudiendo escogerse colores repetidos)
en un almacn donde hay cartulinas de 20 colores distintos?

31 31! 31!
CR = C = =
12 12
= = 141.120.525
20

12
31
12!( 31 12 ) ! 12!19!

150 Gonzlez J.J., Guerra N., Quintana M.P. y Santana A.

 Mtodos Estadsticos Tema6: Probabilidad.

Cuadro Resumen

Nmero de objetos Nmero de Importa el Se pueden Nmero de agrupaciones

objetos por orden repetir posibles
Agrupacin
n 1 r n S No n!
Vnr =
(n r )!
n r 1 S S VRnr = n r
n n S No Pn = n !
n= n S n1 , n2 ,..., n p n!
n1 +n2 +... +np Pnn1,n2 ,...,nk =
n1!n2 !...nk !
n 1 r n No No n n!
Cnr = =
r r !(n r )!
n r 1 No S n + r 1
CRnr =
r

Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 151