Captulo 1

Espacios de Probabilidad
La teora de la probabilidad es la rama de las matematicas que se ocupa de los fenomenos aleatorios
(o de azar). Ha atrado a muchas personas hacia su estudio, tanto por su interes intrnseco como por sus
exitosas aplicaciones a muchas areas dentro de las ciencias fsicas, biologicas y sociales, en ingeniera y
en el mundo de los negocios.
Muchos fenomenos tienen la propiedad de que su observacion repetida bajo un conjunto especco de
condiciones invariablemente nos llevan al mismo resultado. Por ejemplo, si una pelota inicialmente en
reposo se deja caer desde una altura de d pies a traves de un cilindro evacuado, invariablemente caera al
piso en t =
_
2d/g segundos, donde g = 32 ft/s
2
es la aceleracion constante debida a la gravedad.
Hay otros tipos de fenomenos cuya observacion repetida bajo un conjunto especco de condiciones
no siempre nos conducen al mismo resultado. Un ejemplo familiar de este tipo de fenomenos es el
lanzamiento de una moneda. Si una moneda es lanzada 1000 veces, las ocurrencias de aguilas y soles
se alternan de una manera que pudiera parecer erratica e imprevisible. Estos son el tipo de fenomenos
en los que pensamos como aleatorios y los cuales son el objeto de nuestra investigacion.
A primera vista, podra parecer imposible el hacer una armacion que valga la pena acerca de tales
fenomenos aleatorios, pero este no es el caso. La experiencia ha mostrado que muchos fenomenos no
deterministas exhiben una regularidad estadstica que los hace propicios a ser estudiados. Esto
puede ser ilustrado considerando los lanzamientos de la moneda una vez mas. Para un lanzamiento
cualquiera no podemos hacer una prediccion que no sea trivial, pero las observaciones muestran que
para un gran n umero de lanzamientos, la proporcion de aguilas parece uctuar alrededor de un n umero
jo p entre 0 y 1 (siendo p muy cercano a
1
2
, a menos que la moneda este severamente desbalanceada).
Parece como si la proporcion de aguilas en n lanzamientos convergiese a p si hacemos n . Pensamos
en esta proporcion lmite p como la probabilidad de que la moneda caiga aguila en un lanzamiento
dado.
Generalizando, el decir que cierto resultado experimental tiene probabilidad p se puede interpre-
tar como que si el experimento es repetido un gran n umero de veces, este resultado sera observado
aproximadamente 100 p por ciento de las veces. Esta interpretacion de las probabilidades se llama
la interpretacion de la frecuencia relativa. Es muy natural en muchas aplicaciones de la teora
de la probabilidad a problemas del mundo real, especialmente aquellos que involucran a las ciencias
fsicas, pero en muchas ocasiones parece muy articial. Por ejemplo, Como podramos dar una inter-
pretacion de frecuencia relativa a la probabilidad de que un bebe recien nacido viva al menos 70 a nos?
Muchos intentos se han hecho, ninguno de los cuales es totalmente aceptable, para dar interpretaciones
alternativas a tales enunciados probabilsticos.
Para la teora matematica de la probabilidad, la interpretacion de las probabilidades es irrelevante,
as como en la geometra la interpretacion de los puntos, lneas y planos es irrelevante. Utilizaremos la
interpretacion de la frecuencia relativa de la probabilidad solo como una motivacion intuitiva para las
deniciones y teoremas que estaremos desarrollando a lo largo del libro.
1.1. Ejemplos de fen omenos aleatorios
En esta seccion discutiremos dos ejemplos simples de fenomenos aleatorios para motivar la estructura
formal de la teora.
Ejemplo 1 Una caja tiene s bolas, etiquetadas 1, 2, . . . , s pero de cualquier otra forma identicas. Con-
sidere el siguiente experimento. Las bolas son mezcladas muy bien en la caja, una persona pasa y toma
una bola sin preferencia alguna. El n umero de la bola as obtenida se anota y despues se regresa a la
caja. El resultado del experimento es el n umero de la bola seleccionada. Acerca de este experimento no
podemos dar ning un pronostico que no sea trivial.
Supongamos ahora que repetimos n veces el experimento antes descrito. Sea Nn(k) el n umero de
veces en que la bola etiquetada con la k fue obtenida durante estas n repeticiones del experimento.
Digamos, por ejemplo, que tenemos s = 3 bolas y que hicimos n = 20 ensayos. Los resultados de estos
20 ensayos pueden ser descritos listando los n umeros que aparecieron exactamente en el orden en el
que se obtuvieron. Un resultado tpico sera
1, 1, 3, 2, 1, 2, 2, 3, 2, 3, 3, 2, 1, 2, 3, 3, 1, 3, 2, 2
en cuyo caso
N20(1) = 5, N20(2) = 8, y N20(3) = 7
Las frecuencias relativas (i.e., la proporcion de las veces) de los resultados 1,2 y 3 son entonces:
N20(1)
20
= 0.25,
N20(2)
20
= 0.40, y
N20(3)
20
= 0.35
Si el n umero de ensayos crece, esperaramos que las frecuencias relativas
Nn(1)
n
, . . . ,
Nn(s)
n
se estabili-
zaran en algunos n umeros jos p1, p2, . . . , ps (los cuales en este caso, de acuerdo a nuestra intuicion,
deberan ser todos 1/s).
Por la interpretacion de la frecuencia relativa, el n umero pi sera llamado la probabilidad de que la
i-esima bola fuera extrada si el experimento se efectuara una sola vez (i = 1, 2, . . . , s).
Ahora haremos un modelo matematico del experimento de sacar una bola de la caja. Para hacer
esto, primero tomamos un conjunto que tenga s puntos, el cual ponemos en correspondencia uno-
uno con los posibles resultados del experimento. En esta correspondencia exactamente un punto de
sera asociado con el resultado de que la bola etiquetada con k sea seleccionada. Llamemos a ese punto
k. Al punto k le asociamos el n umero pk = 1/s y le llamaremos la probabilidad de k. Observamos
de una vez que 0 pk 1, 1 k s y que p1 + . . . + ps = 1.
Ahora supongamos que ademas de estar numeradas del 1 a s, las primeras r bolas estan pintadas de
rojo, y las restantes r s estan pintadas de color negro. Realizamos el experimento como antes, pero
ahora solo estaremos interesados en el color de la bola obtenida, y no en su n umero. Un razonamiento
momentaneo muestra que la frecuencia relativa de las bolas rojas obtenidas dentro de las n repeticiones
del experimento es simplemente la suma de las frecuencias relativas Nn(k)/n sobre todos los valores k
que corresponden a una bola roja. Esperaramos, y la experiencia lo comprueba, que para n grande esta
frecuencia relativa debera estabilizarse alrededor de un n umero jo. Ya que para n grande se espera que
las frecuencias relativas Nn(k)/n esten cerca de pk = 1/s, podemos anticipar que la frecuencia relativa
de las bolas rojas estara cerca de r/s. Nuevamente la experiencia verica este hecho. De acuerdo a
la interpretacion de la frecuencia relativa, llamaramos entonces a r/s la probabilidad de obtener una
bola roja.
Veamos ahora como podemos reejar este hecho en nuestro modelo. Sea A denido por A :=
{k |k es una bola roja}, entonces A tiene exactamente r puntos. Llamamos a A un evento. Mas
generalmente, en esta situacion llamaremos a todo subconjunto B de un evento. El decir que ocurre
el evento B signica que el resultado del experimento es representado por un punto en B.
Sean A y B dos eventos. Recuerde que la union de A y B, denotada por A B es el conjunto de
todos los puntos tales que A o B. Ahora, los puntos de estan en correspondencia con
los resultados del experimento. El evento A ocurre si el experimento conlleva a un resultado que este
representado por alg un punto en A, y similarmente el evento B ocurre si el resultado del experimento
es representado por alg un punto en B. El conjunto AB representa el hecho de que el evento A ocurre
o el evento B ocurre. De manera analoga, la interseccion AB de A y B consiste en todos los puntos
que estan en ambos conjuntos, por lo tanto, si A B, entonces A y B, por lo tanto,
AB representa el hecho de que ambos eventos A y B ocurren. El complemento A
c
(o A

) de A es el
conjunto de puntos en que no estan en A. El evento A no ocurre si el experimento da un resultado
que este representado por un punto en A
c
.
En un diagrama, si A y B estan representados por las regiones indicadas en la Figura 1a, entonces A
B, AB y A
c
estan representados por las regiones sombreadas en las guras 1b, 1c y 1d respectivamente.


1a
1c
1b
1d
A
B
AUB
U
A B
A
c
Figura 1
Para ilustrar estos conceptos, sea A el evento bola roja seleccionada y sea B el evento bola impar
seleccionada, entonces la union AB representa el evento que, ya sea una bola roja o una bola impar
halla sido seleccionada. La interseccion A B es el evento, bola roja impar seleccionada. El evento
A
c
ocurre si una bola roja no fue seleccionada.
Ahora nos gustara asignarles probabilidades a los eventos. Matematicamente, esto solo signica
que asociaremos a cada subconjunto B un n umero real. A priori, podramos hacer esto de una forma
arbitraria, sin embargo, estaremos restringidos si queremos que estas probabilidades reejen el compor-
tamiento del experimento que estamos tratando de modelar. Como debemos hacer esta asignacion?,
ya le hemos dado a cada punto el n umero s
1
. Por lo tanto, a un conjunto que conste de un solo
punto {} se le asignara el n umero s
1
. Ahora, por nuestra discusion acerca de la frecuencia rela-
tiva del evento obtener una bola roja, parece que deberamos asignar al evento A la probabilidad
P(A) = r/s. Generalizando, si B es cualquier evento, deniremos P(B) como P(B) = j/s si es que B
tiene exactamente j puntos. Observamos entonces que
P(B) =

kB
pk,
donde

kB
pk signica que sumaremos los n umeros pk sobre aquellos valores k tales que k B. De
nuestra denicion de P(B) se sigue facilmente que los siguientes enunciados son verdaderos. Dejamos
su vericacion al lector.
Sea que denote al conjunto vaco, entonces P() = 0 y P() = 1. Si A y B son cualesquiera dos
subconjuntos ajenos, i.e., A B = , entonces
P(A B) = P(A) + P(B).
Ejemplo 2 Se sabe de experimentos fsicos que un isotopo de cierta sustancia es inestable. En el
transcurso del tiempo decae por la emision de neutrones a una forma estable. Estamos interesados en
el tiempo que le toma a un atomo de este isotopo en decaer a su forma estable. De acuerdo a las leyes
de la fsica es imposible el decir con certeza cuando un atomo especco del isotopo decaera, pero si
inicialmente observamos un gran n umero N de atomos, entonces podemos hacer algunas predicciones
acertadas acerca del n umero de atomos N(t) que a un no han decado al tiempo t. En otras palabras,
a un podemos predecir acertadamente la fraccion de atomos N(t)/N que no han decado al tiempo t,
pero no podemos decir cual de los atomos ya lo ha hecho. Ya que todos los atomos son identicos, el
observar N atomos simultaneamente equivaldra a N repeticiones del mismo experimento, donde, en
este caso, el experimento consiste en observar el tiempo que le toma a un atomo en decaer.
Ahora, para una primera aproximacion (que de hecho es muy acertada) la razon a la cual el isotopo
decae al tiempo t es proporcional al n umero de atomos presentes al tiempo t, as que N(t) esta dado
aproximadamente como la solucion de la ecuacion diferencial
df
dt
= f(t), f(0) = N,
donde > 0 es una constante de proporcionalidad ja. La unica solucion de esta ecuacion es f(t) =
Ne
t
y entonces la fraccion de atomos que no han decado al tiempo t esta dada aproximadamente
por N(t)/N = e
t
. Si 0 t0 t1, la fraccion de atomos que decaen en el intervalo [t0, t1] es
(e
t0
e
t1
). Como consecuencia, y de acuerdo a la interpretacion de la probabilidad de la frecuencia
relativa, tomamos (e
t0
e
t1
) como la probabilidad de que un atomo decaiga entre los tiempos t0
y t1.
Para hacer un modelo matematico de este experimento podemos intentar proceder como en el ejemplo
anterior. Primero escogemos un conjunto que pueda ser puesto en correspondencia uno a uno con
los posibles resultados del experimento. Un resultado en este caso es el tiempo que tarda un atomo en
decaer. Este puede ser cualquier n umero real positivo, as que podemos tomar = [0, ). De nuestra
discusion anterior, parece razonable asignarle al intervalo [t0, t1] la probabilidad (e
t0
e
t1
). En
particular, si t0 = t1 = t el intervalo degenera en el conjunto {t} y la probabilidad asignada a este
conjunto es 0.
En nuestro ejemplo anterior solo tuvo una cantidad nita de puntos; aqu tiene una cantidad
innita (no numerable) de puntos, y cada punto tiene probabilidad 0. Una vez mas, observamos que
P() = 1 y P() = 0. Supongase que A y B son dos intervalos ajenos, entonces la proporcion de
atomos que decaen en el intervalo A B es la suma de la proporcion de los que decaen en el intervalo
de tiempo A y la proporcion de los que decaen en el intervalo de tiempo B. A la luz de esta aditividad
demandamos que en el modelo matematico, AB deba tener asignada la probabilidad P(A) +P(B).
En otras palabras, en el modelo matematico queremos
P(A B) = P(A) + P(B)
cada vez que A y B sean intervalos disjuntos.
1.2. Espacios de Probabilidad
Nuestro proposito en esta seccion es el desarrollar la estructura matematica formal llamada espacio
de probabilidad, la cual forma el fundamento del tratamiento matematico de los fenomenos aleatorios.
Visualizemos alg un experimento real o imaginario que estemos tratando de modelar. La primer
cosa que debemos hacer es decidir sobre los posibles resultados del experimento. No es cosa seria si
admitimos mas resultados de los que realmente puedan ocurrir, pero debemos estar seguros de que
no excluimos cosas que puedan llegar a suceder. Una vez que hallamos decidido sobre los posibles
resultados, escogemos un conjunto cuyos puntos se encuentren asociados con estos resultados.
Desde el punto de vista estrictamente matematico, es solamente un conjunto abstracto de puntos.
Ahora tomamos una coleccion no vaca A de subconjuntos de la cual representara la coleccion
de eventos a los cuales quisieramos asignarles una probabilidad. Por denicion, ahora, un evento
quiere decir un conjunto A en A. Si decimos que ocurrio el evento A signica que el resultado
del experimento esta representado por alg un punto A. Nuevamente, desde el punto de vista
estrictamente matematico, A es solo una coleccion especca de subconjuntos del conjunto . Solo a
los conjuntos A A, i.e., eventos. se les asignara una probabilidad. En nuestro modelo del Ejemplo
1, A consistio de todos los subconjuntos de . En una situacion mas general, en la cual no tenga
un n umero nito de puntos, como en el Ejemplo 2, puede que no sea posible el escoger a A de esta
manera.
La siguiente pregunta es, Como debe de ser la coleccion A? Es muy razonable el pedirle a A que
sea cerrado bajo uniones nitas e intersecciones nitas, as como bajo complementacion. Por ejemplo,
si A, B A, entonces A B ocurre si el resultado es representado ya sea por un punto de A o por
un punto de B. Claramente entonces, si tiene signicado el hablar sobre las probabilidades de que
ocurran A y B, tambien debera ser coherente el hablar acerca de la probabilidad de que ocurran o
A o B, i.e., de que ocurra el evento A B. Ya que solamente los conjuntos que se encuentren en A
seran probabilizables,requeriremos que A B A siempre que A, B A. Ahora,A B ocurre si el
resultado de nuestro experimento esta representado por un punto que esta tanto en A como en B. Un
razonamiento similar al utilizado para AB nos convence que debemos de tener AB A cada vez
que A, B A. Finalmente, el decir que el evento A no ocurrio es decir que el resultado del experimento
esta representado por un punto en A
c
. Sera tonto el poder hablar de la probabilidad de que ocurra
A, pero que no pudieramos hablar de la probabilidad de que ocurra A
c
. Por lo tanto, pediremos que
si A A, entonces A
c
este tambien en A.
Por lo tanto hemos llegado a la conclusion de que A debe ser una coleccion no vaca de subconjuntos
de que tenga las siguientes propiedades:
(i) Si A A tambien lo esta A
c
(ii) Si A, B A tambien lo estan A B y A B
Un sencillo argumento inductivo muestra que si A1, A2, , An son conjuntos en A entonces tambien
se encuentran

n
i=1
Ai y

n
i=1
Ai. aqu utilizamos la notacion abreviada
n
_
i=1
Ai = A1 A2 An
y
n

i=1
Ai = A1 A2 . . . An
Tambien, como AA
c
= y AA
c
= , observamos que tanto el conjunto vaco como el conjunto
total deben de estar en A.
Una coleccion no vaca de subconjuntos de un conjunto que cumple ser cerrada bajo operaciones
nitas de conjuntos se dice ser un campo de subconjuntos de . Parece ser que debemos exigir que
A sea un campo de subconjuntos. Sin embargo, por ciertas razones matematicas, el solo tomar a A
como un campo de subconjuntos de sera insuciente. Lo que le pediremos ahora a la coleccion A
sera mas restrictivo, le pediremos que sea cerrado no solamente bajo uniones e intersecciones nitas,
sino que tambien para uniones e intersecciones numerables, en otras palabras, si {An}nN es una
sucesion de conjuntos en A, pediremos que

_
n=1
An A y

n=1
An A.
Aqu utilizamos la notacion abreviada

_
i=1
Ai = A1 A2
para denotar la union de todos los subconjuntos de la sucesi on, y

i=1
Ai = A1 A2
para denotar la interseccion de todos los subconjuntos de la sucesion. Una coleccion de subconjuntos
de un conjunto dado que cumple ser cerrada bajo uniones e intersecciones numerables se llama un
-campo de subconjuntos de . (La se pone para distinguir dicha coleccion de un campo de
subconjuntos.) Formalmente, tenemos la siguiente:
Denicion 1 Una coleccion no vaca de subconjuntos A de un conjunto se llama un -campo de
subconjuntos de si cumple las siguientes dos propiedades:
1. A A A
c
A.
2. Si An A, n = 1, 2, . . . entonces

n=1
An y

n=1
An estan tambien en A
Ahora pasamos a asignar probabilidades a los eventos. Ya hemos dejado claro en los ejemplos de la
seccion anterior que la probabilidad de un evento es un n umero real no negativo. Para un evento A, sea
que P(A) denote a este n umero, entonces tenemos que 0 P(A) 1. Ya que el conjunto representa
a cualquier resultado posible se le debera de asignar el n umero 1, por lo tanto P() = 1. En nuestra
discusion del Ejemplo 1 mostramos que la probabilidad de eventos satisfaca la propiedad de que si A
y B eran dos eventos disjuntos, entonces P(AB) = P(A) +P(B). De manera similar, en el Ejemplo
2 vimos que si A y B eran dos intervalos disjuntos, entonces se requera que
P(A B) = P(A) + P(B)
Ahora parece razonable que se pida en general que si A y B son eventos disjuntos, entonces P(AB) =
P(A) + P(B). Por induccion, se seguira que si A1, A2, . . . , An son n conjuntos mutuamente ajenos
(esto es, Ai Aj = si i = j), entonces
P
_
n
_
i=1
Ai
_
=
n

i=1
P(Ai).
De hecho, nuevamente por razones matematicas, debemos pedir que esta propiedad de aditividad se
cumpla para colecciones numerables de eventos mutuamente disjuntos.
Denicion 2 Una medida de probabilidad P en un -campo de subconjuntos A de un conjunto es
una funcion real con dominio A que satisface las siguientes propiedades:
1. P() = 1
2. A A, P(A) 0
3. Si A1, A2, . . . son conjuntos mutuamente disjuntos en A, entonces
P
_

_
i=1
Ai
_
=

i=1
P(Ai).
Un espacio de probabilidad, denotado por (, A, P) consta de un conjunto , un -campo de subcon-
juntos A, y una medida de probabilidad P denida en A.
Es muy facil el encontrar un espacio de probabilidad que corresponda al experimento de extraer
una bola al azar de una caja. En esencia ya se ha dado en nuestra discusion de este experimento.
Simplemente tomamos por a un conjunto nito que tenga s puntos, A la coleccion de todos los
subconjuntos de , y P que sea la medida de probabilidad que asigne a A la probabilidad P(A) = j/s
si A tiene exactamente j puntos.
Consideremos ahora el espacio de probabilidad asociado al experimento de la desintegracion del
isotopo (Ejemplo 2). Ciertamente aqu tenemos que = [0, 1), pero A y P no son obvios. De he-
cho, como lo indicaremos despues, este no es un problema trivial, y es uno que depende de algunas
propiedades profundas de la teora de conjuntos que estan mas alla del alcance de este libro.
Sin embargo una cosa es clara; sean lo que sean A y P, A debe contener todos los intervalos, y
P debera asignar la probabilidad (e
t0
e
t1
) al intervalo [t0, t1] si queremos que el espacio de
probabilidad que estamos construyendo reeje la situacion fsica. Ahora el problema de construir el
espacio se convierte en un problema puramente matematico. Existe un -campo A que contenga
como miembros a todos los intervalos y una medida de probabilidad P denida sobre A que asigne
la probabilidad deseada P(A) al intervalo A? Preguntas de este tipo se encuentran en la proximidad
de una rama de las matematicas avanzadas llamada teora de la medida y las cuales no pueden ser
tratadas en el nivel de este libro. Resultados de la teora de la medida demuestran que la respuesta
a esta pregunta en particular y a otras de naturaleza similar es si, as que tales construcciones son
siempre posibles.
No nos detendremos en la construccion de espacios de probabilidad en general. La teora matematica
de la probabilidad comienza con un espacio abstracto de probabilidad y desarrolla la teora utilizando el
espacio de probabilidad como una base de operacion. Lejos de formar un fundamento para la denicion
precisa de otros conceptos dentro de la teora, el espacio de probabilidad juega en si mismo un papel
muy peque no en el desarrollo posterior de la materia. Cantidades auxiliares (especialmente las variables
aleatorias, un concepto tratado en el Captulo 3) rapidamente se convierten en el tema dominante de
la teora y el espacio de probabilidad en si mismo se desvanece en el fondo.
Concluiremos nuestra discusion de los espacios de probabilidad construyendo una importante clase
de estos, llamados espacios de probabilidad uniformes. Algunos de los problemas mas antiguos
en probabilidad conllevan la idea de elegir un punto al azar de un conjunto S. Nuestras ideas
intuitivas sobre esta nocion muestran que si A y B son dos subconjuntos que tienen el mismo tama no
entonces la oportunidad de escoger un punto de A debe de ser la misma que la oportunidad de
escogerlo de B. Si S solamente cuenta con un n umero nito de puntos podemos medir el tama no
de un conjunto via su cardinalidad. Dos conjuntos tienen entonces el mismo tama no si tienen el
mismo n umero de elementos. Es muy facil el construir un espacio de probabilidad correspondiente al
experimento de escoger un punto al azar de un conjunto S con un n umero nito s de puntos. Tomamos
= S y A el conjunto de todos los subconjuntos de S, y asignamos al conjunto A la probabilidad
P(A) = j/s si A tiene exactamente j puntos. Tal espacio de probabilidad se suele denominar como
un espacio de probabilidad simetrico, porque cada conjunto que consta de un solo punto tiene la
misma probabilidad s
1
. Regresaremos al estudio de tales espacios en el Captulo 2.
Supongamos ahora que S es el intervalo [a, b] en la recta real, donde < a < b < . Parece
razonable en este caso el medir el tama no de un subconjunto A de [a, b] por su longitud. Dos
conjuntos tienen el mismo tama no si tienen la misma longitud. Denotaremos la longitud de un conjunto
A por |A|. Para construir un espacio de probabilidad del experimento elegir un punto al azar de S ,
procedemos de manera similar a la que utilizamos para el experimento del isotopo. Tomamos = S y
apelamos a resultados de la teora de la medida para mostrar que existe un -campo A de subconjuntos
de S, y una medida de probabilidad P denida sobre A tal que P(A) = |A|/|S|, siempre que A sea
un intervalo.
Mas generalmente, sea S cualquier subconjunto de un espacio euclidiano r-dimensional con volumen
r-dimensional nito no nulo. Para A S denotemos por |A| el volumen de A. Entonces existe un
-campo A de subconjuntos de S que contiene a todos los subconjuntos de S que tengan un volumen
asignado como en calculo, y una medida de probabilidad P denida en A tal que P(A) = |A|/|S| para
cualquier dicho subconjunto. Llamaremos a tal espacio de probabilidad, denotado por (S, A, P), un
espacio de probabilidad uniforme.
1.3. Propiedades de las probabilidades
En esta seccion derivaremos algunas propiedades adicionales de una medida de probabilidad P
que se siguen de la denicion de una medida de probabilidad. Estas propiedades seran utilizadas
constantemente durante el resto del libro. Asumimos que se nos ha dado un espacio de probabilidad
(, A, P) y que todos los subconjuntos bajo consideracion son eventos, i.e., miembros de A.
Para cualquier conjunto A, A A
c
= y por lo tanto, para cualesquiera dos conjuntos A y B
tenemos la descomposicion de B:
(1.1) B = B = (A A
c
) B = (A B) (A
c
B)
Ya que A B y A
c
B son disjuntos, vemos por (3) de la Denicion 2 que
(1.2) P(B) = P(A B) + P(A
c
B).
Haciendo B = y recordando que P() = 1, de (1.2) concluimos que
(1.3) P(A
c
) = 1 P(A)
En particular P() = 1 P(), as que
(1.4) P() = 0
Como una segunda aplicacion de (1.2) supongamos que A B, entones A B = A y por lo tanto
(1.5) P(B) = P(A) + P(A
c
B) si A B
Ya que P(A
c
B) 0 por (2), de (1.5) observamos que
(1.6) P(B) P(A) si A B
Las leyes de De Morgan dicen que si {An}nN es cualquier sucesion de conjuntos, entonces
(1.7)
_
_
n
An
_
c
=
_

n
A
c
n
_
y
(1.8)
_

n
An
_
c
=
_
_
n
A
c
n
_
Para ver que (1.7) se cumple, observese que
_

n1
An
_
c
si y solo si A
c
n
n 1, o equivalen-
temente,

n
A
c
n
. Para establecer (1.8), aplicamos (1.7) a {A
c
n
}, obteniendo
_
_
n
A
c
n
_
c
=

n
An
y tomando complementos vemos que
_
n
A
c
n
=
_

n
An
_
c
Una relacion util que se sigue de (1.7) y (1.3) es
(1.9) P
_
_
n
An
_
= 1 P
_

n
A
c
n
_
Ahora,

n
An es el evento en el cual al menos uno de los eventos An ocurre, mientras que

n
A
c
n
es
el evento en el cual ninguno de estos ocurre. En palabras, (1.9) asevera que la probabilidad de que
al menos uno de los eventos An ocurra es 1 menos la probabilidad de que ninguno de los eventos
An ocurra. La ventaja de (1.9) es que en algunas ocasiones es mas facil el calcular P (

n
A
c
n
) que el
calcular P (

n
An).[Notese que como los eventos An no son necesariamente disjuntos, no es verdad
que P (

n
An) =

n
P(An).] El uso de (1.9) se ilustra muy bien con el siguiente ejemplo.
Ejemplo 3 Suponga que tres monedas identicas y perfectamente balanceadas son lanzadas. Encuentre
la probabilidad de que al menos una de ellas caiga sol.
Hay ocho posibles resultados en este experimento.
Moneda 1 S S S S A A A A
Moneda 2 S S A A S S A A
Moneda 3 S A S A S A S A
Nuestras ideas intuitivas sugieren que cada uno de los ocho resultados debera tener probabilidad
de 1/8. Sea A1 el evento en el cual la primera moneda caiga sol, A2 el evento en el que la segunda
moneda caiga sol y A3 el evento en el cual la tercer moneda caiga sol. El problema nos pide calcular
P(A1 A2 A3). Ahora (A
c
1
A
c
2
A
c
3
) = {A, A, A} y por lo tanto
P(A
c
1
A
c
2
A
c
3
) = 1/8;
as que (1.9) implica
P(A1 A2 A3) = 1 P(A
c
1
A
c
2
A
c
3
) = 7/8
Nuestro postulado basico (3) de una medida de probabilidad nos dice que para conjuntos disjuntos A
y B, P(A B) = P(A) + P(B). Si A y B no son necesariamente disjuntos, entonces
(1.10) P(A B) = P(A) + P(B) P(A B)
y en consecuencia
(1.11) P(A B) P(A) + P(B)
Para ver que (1.10) se cumple, observe que los conjuntos A B
c
,A B y A
c
B son mutuamente
disjuntos y su union es justamente A B (Vease la Figura 2). Por lo tanto
(1.12) P(A B) = P(A B
c
) + P(A
c
B) + P(A B)
Por (1.2), sin embargo
P(A B
c
) = P(A) P(A B)
y
P(A
c
B) = P(B) P(A B)
Sustituyendo estas expresiones en (1.12) obtenemos (1.10).
A B
A B
U
c
A B
U U
A B
c
Figura 2
Las ecuaciones (1.10) y (1.11) se extienden a cualquier n umero nito de conjuntos. El analogo de la
formula exacta para (1.10) es un poco complicado y sera discutido en el Captulo 2. La desigualdad
(1.11), sin embargo, se puede extender facilmente por induccion para obtener
(1.13) P(A1 A2 . . . An)
n

i=1
P(Ai)
Para probar esto, observe que si n 2, por (1.11)
P(A1 A2 . . . An) = P((A1 A2 . . . An1) An) P(A1 A2 . . . An1) + P(An)
Por lo tanto, si (1.13) se cumple para n 1 conjuntos, se cumple tambien para n conjuntos. Como
(1.13) claramente se cumple para n = 1, el resultado esta probado por induccion.
Hasta ahora solo hemos utilizado el hecho de que una medida de probabilidad es nitamente aditiva.
Nuestro siguiente resultado utilizara la propiedad de la aditividad numerable.
Teorema 1 Sean An, n 1, eventos.
1. Si A1 A2 y A =

n
An, entonces
(1.14) lm
n
P(An) = P(A)
2. Si A1 A2 y A =

n
An, entonces (1.14) tambien se cumple.
Demostracion: De (1). Suponga que A1 A2 y A =

n
An. Sea B1 = A1 y n 2, sea
Bn que denote aquellos puntos que se encuentran en An, pero no en An1, i.e., Bn = An A
c
n1
. Un
punto se encuentra en Bn si y solo si A y An es el primer conjunto en la sucesion A1, A2, . . .
que contiene a . Por denicion, estos conjuntos Bn son disjuntos,
An =
n
_
i=1
Bi,
y
A =

_
i=1
Bi.
Como consecuencia
P(An) =
n

i=1
P(Bi)
y
P(A) =

i=1
P(Bi)
Ahora
(1.15) lm
n
n

i=1
P(Bi) =

i=1
P(Bi)
por denicion de la suma de una serie innita. Se sigue de (1.15) que
lm
n
P(An) = lm
n
n

i=1
P(Bi) =

i=1
P(Bi) = P(A),
As que (1.14) se cumple.
Prueba de (2). Suponga que A1 A2 y que A =

n=1
An. Entonces A
c
1
A
c
2
y por
(1.8)
A
c
=

_
n=1
A
c
n
.
Entonces por (1) de este teorema
(1.16) lm
n
P(A
c
n
) = P(A
c
).
Como P(A
c
n
) = 1 P(An) y P(A
c
) = 1 P(A), se sigue de (1.16) que
lm
n
P(An) = lm
n
(1 P(A
c
n
))
= 1 lm
n
P(A
c
n
)
= 1 P(A
c
) = P(A),
y (1.14) nuevamente se cumple.

1.4. Probabilidad Condicional

Suponga que una caja contiene r bolas rojas numeradas 1, 2, . . . , r y b bolas negras numeradas
1, 2, . . . , b. Asumamos que la probabilidad de obtener una bola en particular es de (b +r)
1
. Si se sabe
que la bola obtenida de la caja fue roja, Cual es la probabilidad de que esta sea la bola roja con
el n umero 1? Otra forma de plantear este problema es como sigue. Sea A el evento de que la bola
seleccionada fue roja, y sea B el evento de que la bola seleccionada tiene el n umero 1. El problema
es determinar la probabilidad condicional de que ocurra el evento B, dado que ocurrio el evento A.
Este problema no puede ser resuelto hasta que este disponible una denicion precisa de lo que es la
probabilidad condicional de un evento dado otro. Esta denicion es como sigue:
Denicion 3 Sean A y B dos eventos tales que P(A) > 0. Entonces la probabilidad condicional de B
dado A, escrita P(B|A) se dene a ser
(1.17) P(B|A) :=
P(B A)
P(A)
Si P(A)=0 la probabilidad condicional de B dado A no esta denida.
Es muy facil motivar la denicion anterior via la interpretacion de la frecuencia relativa de las
probabilidades. Considere un experimento el cual es repetido un gran n umero de veces. Sea que el
n umero de veces en que los eventos A, B y AB ocurren en n ensayos del experimento esten denotados
por Nn(A), Nn(B) y Nn(A B), respectivamente. Para n grande esperamos que Nn(A), Nn(B) y
Nn(AB) esten cerca de P(A), P(B) y P(AB) respectivamente. Si ahora solo consideramos aquellos
experimentos en los cuales A ocurre, entonces tendremos Nn(A) ensayos en los cuales el evento B ocurre
Nn(A B) veces. Entonces la proporcion de veces que B ocurre entre estos Nn(A) experimentos es
Nn(A B)/Nn(A). Pero
Nn(A B)
Nn(A)
=
Nn(A B)/n
Nn(A)/n
y por tanto para valores grandes de n esta fraccion debera ser cercana a
P(A B)/P(A)
Como un primer ejemplo del uso de (1.17) resolveremos el problema planteado al comienzo de esta
seccion. Ya que el conjunto tiene b + r puntos y cada uno tiene probabilidad (b + r)
1
, vemos que
P(A) = r(b + r)
1
y que P(A B) = (b + r)
1
. Entonces
P(B|A) =
1
r
.
Este resultado debe ser comparado con la probabilidad no condicional de B, es decir P(B) =
2(b + r)
1
.
Ejemplo 4 Supongase que dos monedas identicas y perfectamente balanceadas son lanzadas una sola
vez.
1. Encuentre la probabilidad condicional de que ambas monedas caigan aguila, dado que la primera
cayo aguila
2. Encuentre la probabilidad condicional de que ambas monedas caigan aguila, dado que al menos
una de ellas cayo aguila
Para resolver estos problemas, sea que el espacio de probabilidad consista de los cuatro puntos
AA, AS, SA, SS, cada uno con probabilidad 1/4. Sea A el evento de que la primera moneda caiga
aguila y sea B el evento de que la segunda moneda caiga aguila. Para resolver (1) calculamos
P(A B|A) =
P(A B)
P(A)
=
1/4
1/2
=
1
2
Para resolver (2) calculamos
P(A B|A B) =
P(A B)
P(A B)
=
1/4
3/4
=
1
3
En los ejemplos anteriores el espacio de probabilidad fue dado y utilizamos (1.17) para calcular varias
probabilidades condicionales. En muchos problemas, sin embargo, procedemos en la direccion opuesta.
Se nos proporciona lo que queremos que sean algunas probabilidades condicionales y utilizamos esta
informacion para calcular la medida de probabilidad en . Un ejemplo tpico de esta situacion es la
siguiente.
Ejemplo 5 Suponga que la poblacion de una cierta ciudad es 40 % masculina y 60 % femenina. Su-
ponga tambien que 50 % de los hombres y 30 % de las mujeres fuman. Encuentre la probabilidad de que
un fumador sea hombre.
Sea M que denote el evento de que una persona seleccionada sea hombre y F que denote el evento
de que la persona seleccionada sea mujer. Tambien sea que S denote el evento de que la persona
seleccionada fume y sea que N denote el evento de que la persona seleccionada no fume. La informacion
proporcionada puede expresarse en la forma P(S|M) = .5, P(S|F) =.3, P(M) =.4 y P(F) =.6. El
problema es calcular P(M|S). Por (1.17),
P(M|S) =
P(M S)
P(S)
Ahora, P(MS) = P(M)P(S|M) =(.4)(.5)=.2, as que el numerador puede ser calculado en terminos
de las probabilidades proporcionadas. Como S es la union de dos conjuntos disjuntos S M y S F
se sigue que
P(S) = P(S M) + P(S F)
Ya que
P(S F) = P(F)P(S|F) = (.6)(.3) = .18,
observamos que
P(S) = .2 + .18 = .38
Por lo tanto
P(M|S) =
.20
.38
.53
El lector se dara cuenta de que el espacio de probabilidad, como tal, nunca fue mencionado explcita-
mente. Este y muchos problemas similares son resueltos utilizando la informacion proporcionada y las
reglas para calcular probabilidades dadas en la Seccion 3 para obtener las probabilidades requeridas.
Es muy facil el construir un espacio de probabilidad para el ejemplo anterior. Sea que el conjunto
consista de los puntos SM, SF, NM y NF que son, respectivamente, los unicos puntos en los conjuntos
S M, S F, N M y N F. Las probabilidades asignadas a estos cuatro puntos no son especicadas
directamente, pero seran calculadas de tal manera que los eventos P(S|M), P(S|F), P(M) y P(F)
tengan las probabilidades prescritas. Ya hemos hallado que P(S M) =.2 y que P(S F) =.18.
Dejamos como ejercicio el calcular las probabilidades asignadas a los otros dos puntos.
El problema discutido en este ejemplo es un caso especial de la siguiente situacion general. Supongase
que A1, A2, . . . , An son n eventos mutuamente ajenos cuya union es . Sea B un evento tal que
P(B) > 0 y suponga que se conocen P(B|Ak) y P(Ak) para 1 k n. Cuanto es P(Ai|B)?
Para resolver este problema notemos que los eventos Ak son mutuamente disjuntos y que su union es
precisamente , en consecuencia
B = B
_
n
_
k=1
Ak
_
=
n
_
k=1
(B Ak).
Por lo tanto
P(B) =
n

k=1
P(B Ak).
Pero
P(B Ak) = P(Ak)P(B|Ak),
as que podemos escribir
(1.18) P(Ai|B) =
P(Ai B)
P(B)
=
P(Ai)P(B|Ai)

n
k=1
P(Ak)P(B|Ak)
.
Esta formula, llamada Regla de Bayes, encuentra aplicaciones frecuentes. Una forma de interpretar el
resultado de (1.18) es la siguiente. Suponga que pensamos en los eventos Ak como las posibles causas
de que se observe el evento B. Entonces P(Ai|B) es la probabilidad de que el evento Ai halla sido
la causa de que suceda B, dado que ocurrio el evento B. La regla de Bayes tambien forma parte de la
base de un metodo estadstico llamado Procesos Bayesianos, los cuales seran discutidos en el Volumen
II, Introduction to Statistical Theory.
Como una ilustracion del uso de la regla de Bayes consideramos el siguiente (ya clasico) problema.
Ejemplo 6 Suponga que tenemos tres cofres con dos cajones cada uno. El primer cofre tiene una
moneda de oro en cada cajon, el segundo tiene una moneda de oro en un cajon y una de plata en el
otro, y el tercer cofre tiene una moneda de plata en cada cajon. Un cofre se elige al azar y se abre un
cajon. Si el cajon contiene una moneda de oro, Cual es la probabilidad de que el otro cajon tambien
contenga una moneda de oro? Le pedimos al lector que se detenga y que adivine cual es la respuesta
antes de leer la solucion. Frecuentemente se da en este problema la respuesta erronea de 1/2.
Este problema se resuelve facil y correctamente utilizando la regla de Bayes, una vez que la descrip-
cion se ha descifrado. Podemos pensar en un espacio de probabilidad construido en el cual los eventos
A1, A2 y A3 correspondan, respectivamente, al primer, segundo y tercer cofre a seleccionar. Estos even-
tos son disjuntos y su union es el espacio entero ya que exactamente un cofre es seleccionado. A un
mas, esta presumiblemente sobreentendido que los tres cofres tienen la misma probabilidad de ser se-
leccionados, por lo tanto P(Ai) = 1/3, i = 1, 2, 3. Sea B el evento en el cual la moneda que se observo
fue de oro, entonces, de la composicion de los cofres, es claro que
P(B|A1) = 1, P(B|A2) = 1/2, y P(B|A3) = 0.
El problema nos pide la probabilidad de que el segundo cajon tenga una moneda de oro dado que en el
primero obtuvimos una moneda de oro. Esto solo puede ocurrir si el el cofre seleccionado fue el primero,
as que el problema es equivalente a encontrar P(A1|B). Ahora aplicamos la regla de Bayes (1.18) para
calcular la respuesta, la cual es 2/3. Dejamos como ejercicio al lector el calcular la probabilidad de que
el segundo cajon contenga una moneda de plata, dado que el primer cajon tuvo una moneda de oro.
Para nuestro siguiente ejemplo consideraremos un esquema probabilstico simple debido a Polya.
Ejemplo 7 El esquema de la urna de Polya. Suponga que una urna tiene r bolas rojas y b bolas negras.
Una bola se saca y se anota su color, despues ella, junto con c > 0 bolas del mismo color que la obtenida
se meten en la urna. El procedimiento es repetido n 1 veces adicionales, de tal forma que el n umero
total de extracciones hechas de esta urna sea n.
Sea que Rj,1 j n denote el evento en el que la j-esima bola obtenida sea roja y sea Bj,
1 j n que denote el evento en el que la j-esima bola obtenida sea negra. Es claro que, Rj Bj =
j {1, 2, . . . , n}. Durante la k-esima extraccion hay b + r + (k 1)c bolas en la urna y asumimos
que la probabilidad de obtener una bola en particular es (b +r +(k 1)c)
1
. Para calcular P(R1 R2)
escribimos
P(R1 R2) = P(R1)P(R2|R1).
Ahora
P(R1) =
r
b + r
, P(R2|R1) =
r + c
b + r + c
,
y por lo tanto
P(R1 R2) =
_
r
b + r
__
r + c
b + r + c
_
.
De manera similar
P(B1 R2) =
_
b
b + r
__
r
b + r + c
_
y por lo tanto
P(R2) = P(R1 R2) + P(B1 R2)
=
_
r
b + r
__
r + c
b + r + c
_
+
_
b
b + r
__
r
b + r + c
_
=
r
b + r
.
Consecuentemente, P(R2) = P(R1). Como
P(B2) = 1 P(R2) =
b
b + r
,
P(B2 = P(B1). Mas propiedades del esquema de Polya seran desarrolladas en los ejercicios.
1.5. Independencia
Considere una caja con cuatro bolas distintas y un experimento que consiste en seleccionar una bola
de la caja. Asumimos que las bolas tienen la misma probabilidad de ser extraidas. Sea = {1, 2, 3, 4}
y asignemos la probabilidad de 1/4 a cada punto.
Sean A y B dos eventos. Para algunas elecciones de los eventos A y B, el saber que ocurre A
incrementa las probabilidades de que B ocurra. Por ejemplo, si A = {1, 2} y B = {1}, entonces
P(A) = 1/2, P(B) = 1/4 y P(A B) = 1/4. Como consecuencia tenemos que P(B|A) = 1/2, la cual
es mayor que P(B). En otros casos, para otras elecciones de los eventos A y B, el saber que A ocurre
hace que la probabilidad de que ocurra B disminuya. Por ejemplo, si A = {1, 2, 3} y B = {1, 2, 4},
entonces P(A) = 3/4, P(B) = 3/4 y P(AB) = 1/2. Entonces tenemos que P(B|A) = 2/3, la cual es
menor que P(B).
Un caso muy interesante se presenta cuando el saber que ocurre A no altera la probabilidad de
que B ocurra. Como un ejemplo, si A = {1, 2} y B = {1, 3}, entonces P(A) = 1/2, P(B) = 1/2 y
P(A B) = 1/4 y por lo tanto P(B|A) = 1/2. Eventos como estos, para los cuales la probabilidad
condicional es la misma que la probabilidad no condicional, se dicen independientes.
Sean ahora A y B cualesquiera dos eventos en un espacio de probabilidad general y supongamos
que P(A) = 0. Podemos denir que A y B sean independientes si P(B|A) = P(B). Ya que P(B|A) =
P(B A)/P(A) vemos que si A y B son independientes, entonces
(1.19) P(A B) = P(A)P(B)
Ya que (1.19) tiene sentido a un cuando P(A) = 0 y tambien es simetrica en las letras A y B, conlleva
a una denicion preferida de independencia.
Denicion 4 Dos eventos A y B son independientes si y solo si
P(A B) = P(A)P(B)
Podemos considerar un problema similar para tres conjuntos A,B y C. Tomamos = {1, 2, 3, 4} y
le asignamos a cada punto la probabilidad 1/4. Sean A = {1, 2},B = {1, 3} y C = {1, 4}. Dejamos
como ejercicio el mostrar que los pares de eventos A y B, A y C, y B y C son independientes. Decimos
que los eventos A,B y C son independientes dos a dos (o a pares). Por otro lado, P(C) = 1/2 y
P(C|A B) = 1
Por lo tanto, el saber que el evento AB ocurre incrementa la probabilidad de que C ocurra. En este
sentido, los eventos A,B y C no son mutuamente independientes. En general, tres eventos A,B y C
son mutuamente independientes si ellos son independientes dos a dos y si
P(A B C) = P(A)P(B)P(C).
dejamos como ejercicio el mostrar que si A,B y C son mutuamente independientes y si P(A B) = 0
entonces P(C|A B) = P(C). A un mas general, denimos que los eventos A1, A2, . . . , An, n 3 son
mutuamente independientes si
P(A1 . . . An) =
n

k=1
P(Ak)
y si cualquier subcoleccion que contenga al menos dos eventos, pero menos de n eventos es mutuamente
independiente.
Ejemplo 8 Sea S el cuadrado 0 x 1, 0 y 1 en el plano. Considere el espacio de probabilidad
uniforme en el cuadrado, y sea A el evento
{(x, y) : 0 x
1
2
, 0 y 1}
y sea B el evento
{(x, y) : 0 x 1, 0 y
1
4
}
Muestre que A y B son eventos independientes.
Para ver esto, calculamos P(A),P(B) y P(AB) y mostremos que P(AB) = P(A)P(B). Ahora,
tenemos que A es un subrectangulo del cuadrado S cuya area es 1/2 y B es un subrectangulo del
cuadrado S que tiene area 1/4, as que P(A) = 1/2 y P(B) = 1/4. Ya que
A B = {(x, y) : 0 x
1
2
, 0 y
1
4
}
es un subrectangulo del cuadrado S que tiene area 1/8, P(A B) = 1/8 y observamos que A y B son
eventos independientes, como se haba dicho.
La nocion de independencia se usa frecuentemente al construir espacios de probabilidad que corres-
ponden a repeticiones del mismo experimento. Este asunto sera tratado mas ampliamente en el Captulo
3. Aqu estaremos analizando la situacion mas sencilla, digamos, experimentos (tal como el lanzamiento
de una moneda posiblemente desbalanceada) que solo puede resultar en uno de dos posibles resultados:
exito o fracaso.
En un experimento como el de lanzar una moneda n veces, donde los exitos y los fracasos en
cada lanzamiento ocurren con probabilidades p y 1 p respectivamente, intuitivamente pensamos que
el resultado de el i-esimo lanzamiento no debe inuenciar el resultado de los demas lanzamientos.
Ahora deseamos construir un espacio de probabilidad que corresponda al experimento compuesto de
n-repeticiones de nuestro sencillo experimento que incorpore nuestras creencias intuitivas. Ya que cada
uno de los n ensayos puede ser ya sea exito o fracaso, hay un total de 2
n
posibles resultados para el
experimento compuesto. estos pueden ser representados por un n-tuple (x1, . . . , xn), donde xi = 1, 0
ya sea que el i-esimo ensayo halla resultado en un exito o un fracaso. Tomaremos a como el conjunto
de todos esos n-tuples. El -campo A sera el conjunto de todos los subconjuntos de .
Ahora pasamos a la asignacion de una medida de probabilidad. Para hacer esto solo es necesario el
asignarle probabilidades a los 2
n
conjuntos de un solo punto {(x1, . . . , xn)}. Supongase que el n-tuple
(x1, . . . , xn) es tal que exactamente k de las entradas x

i
s tienen el valor 1; por simplicidad, digamos
x1 = x2 = = xk = 1 y que los demas x

i
s tienen el valor de 0. Entonces, si Ai denota el evento en
el cual el i-esimo ensayo, con 1 i n, es un exito, tenemos que
{(1, 1, . . . , 1
. .
k
, 0, 0, . . . , 0
. .
nk
)} = A1 A2 . . . Ak A
c
k+1
. . . A
c
n
.
De acuerdo a nuestra vision intuitiva, los eventos A1, . . . , Ak, A
c
k+1
, . . . , A
c
n
son mutuamente indepen-
dientes y P(Ai) = p, 1 i n. Por lo tanto debemos asignar P tal que
P({1, . . . , 1, 0, . . . 0}) = P(A1) . . . P(Ak)P(A
c
k+1
) . . . P(A
c
n
) = p
k
(1 p)
nk
Via el mismo razonamiento, vemos que si el n-tuple (x1, . . . , xn) tiene exactamente k posiciones con el
valor 1, entonces P debe ser de tal manera que
P({(x1, . . . , xn)}) = p
k
(1 p)
nk
.
Calculemos ahora la probabilidad de que exactamente k de los n ensayos resulten en un exito. Note
cuidadosamente que esto diere de la probabilidad de que k ensayos especcos resulten en un exito
y los otros n k ensayos sean fracasos. Sea Bk que denote el evento en el cual exactamente k de
los n ensayos resultaron exitosos. Ya que cada eleccion de una sucesion especca que tenga k exitos
tiene probabilidad p
k
(1 p)
nk
, el evento Bk tiene probabilidad P(Bk) = C(n, k)p
k
(1 p)
nk
, donde
C(n, k) representa el n umero de sucesiones (x1, . . . , xn) en las cuales exactamente k de los elementos
x

i
s tienen el valor de 1. El calculo de C(n, k) es un simple problema combinatorio que sera resuelto en
la Seccion 2.4. All se mostrara que
(1.20) C(n, k) =
n!
k!(n k)!
, 0 k n
Recuerde que 0! = 1 y que, para cualquier entero positivo m,
m! = m(m1)(m2) 1
La cantidad n!/(k!(n k)!) usualmente se escribe como
_
n
k
_
(el coeciente binomial). Por lo tanto
(1.21) P(Bk) =
_
n
k
_
p
k
(1 p)
nk
Varios problemas de aplicacion son modelados por ensayos independientes exito-fracaso. Uno tpico es
el siguiente.
Ejemplo 9 Suponga que una maquina produce pernos, 10 % de los cuales son defectuosos . Encuentre
la probabilidad de que una caja de 3 pernos contenga a lo mas 1 perno defectuoso.
Para resolver este problema asumimos que la produccion de pernos constituye una serie repetida de
ensayos exito-fracaso independientes, siendo el obtener un perno defectuoso un exito. La probabilidad
de un exito es en este caso de .1. Sea B0 el evento el cual ninguno de los tres pernos es defectuoso y
sea B1 el evento en el cual exactamente uno de los tres pernos es defectuoso. Entonces B0 B1 es el
evento de que a lo mas un perno sea defectuoso. Como los eventos B0 y B1 son claramente disjuntos,
se sigue que
P(B0 B1) = P(B0) + P(B1)
=
_
3
0
_
(.1)
0
(.9)
3
+
_
3
1
_
(.1)
1
(.9)
2
= (.9)
3
+ 3(.1)(.9)
2
= .972
Ejercicios
1.-Sea (, A, P) un espacio de probabilidad, donde A es el -campo de todos los subconjuntos de
y P es una medida de probabilidad que asigna probabilidad p > 0 a cada conjunto unipuntual de .
(a)Demuestre que debe tener un n umero nito de puntos. Sugerencia: muestre que no puede
tener mas de p
1
puntos.
(b)Muestre que si n es el n umero de puntos en entonces p debe ser n
1
.
2.-Se puede realizar un modelo para una maquina de hilar aleatoria si tomamos el espacio uniforme
como la circunferencia de un crculo de radio unitario, de tal manera que la probabilidad de que el
apuntador de la maquina caiga en un arco de longitud s es s/2. Suponga que el crculo se divide en
37 zonas numeradas 1, 2, . . . , 37. Calcule la probabilidad de que la maquina se detenga en una zona
con n umero par.
3.-Suponga que se escoge un punto al azar en el cuadrado unitario. Calcule la probabilidad de que
se encuentre en el triangulo acotado por x = 0, y = 0 y x + y = 1.
4.-Suponga que se escoge un punto al azar en el disco de radio unitario. Encuentre la probabilidad
de que se encuentre en el sector angular de 0 a /4 radianes.
5.-Calcule las siguientes probabilidades en el Ejemplo 2:
(a) Que ninguna desintegracion ocurra antes del tiempo 10.
(b) Que halla una desintegracion antes del tiempo 2 o una desintegracion entre los tiempos 3 y 5.
6.-Una caja contiene 10 bolas numeradas del 1 al 10. Una bola se extrae de la caja al azar. Calcule
la probabilidad de que el n umero de la bola halla sido 3,4 o 5.
7.-Suponga que dos dados se lanzan una vez y que cada uno de los 36 resultados posibles son
igualmente probables. Encuentre la probabilidad de que la suma de los n umeros en ambas caras sea
par.
8.-Suponga que los eventos A y B son tales que P(A) = 2/5, P(B) = 2/5 y P(A B) = 1/2.
Encuentre P(A B).
9.-Si P(A) = 1/3, P(A B) = 1/2 y P(A B) = 1/4, encuentre P(B).
10.-Suponga que se elige un punto al azar del cuadrado unitario. Sea A el evento en el cual el punto
se encuentre en el triangulo acotado por las lneas y = 0, x = 1 y x = y, y sea B el evento en el cual se
encuentre en el rectangulo con vertices (0, 0), (1, 0), (1, 1/2), (0, 1/2). Calcule P(A B) y P(A B).
11.-Una caja tiene 10 bolas numeradas 1,2,. . .,10. Se saca una bola al azar y despues una segunda
bola se saca de las nueve restantes. Encuentre la probabilidad de que los n umeros de las dos bolas
seleccionadas dieran en 2 o mas unidades.
12.-Si se sabe que un punto seleccionado al azar en el cuadrado unitario esta en el triangulo acotado
por x = 0, y = 0 y x + y = 1, encuentre la probabilidad de que tambien se encuentre en el triangulo
acotado por y = 0, x = 1 y x = y.
13.- Suponga que se tienen cuatro cofres con dos cajones cada uno. Los cofres 1 y 2 contienen una
moneda de otro en un cajon y una moneda de plata en el otro. El cofre 3 contiene dos monedas de
oro y el cofre 4 contiene dos monedas de plata. Se selecciona un cofre al azar y se abre un cajon. Se
encuentra una moneda de oro. Encuentre la probabilidad de que el otro cajon contenga
(a)una moneda de plata;
(b)una moneda de oro.
14.-Una caja tiene 10 bolas, 6 de las cuales son negras y 4 blancas. Tres bolas se remueven de la caja
sin que se note su color. Encuentre la probabilidad de que la cuarta bola removida sea blanca. Asuma
que las 10 bolas son igualmente probables de ser extradas de la caja.
15.-Con la misma composicion de la caja del Ejercicio 14, encuentre la probabilidad de que las tres
bolas removidas seran negras si se sabe que al menos una de ellas es negra.
16.-Suponga que una fabrica tiene dos maquinas A y B que efect uan un 60 % y un 40 % de la
produccion total respectivamente. En su salida, la maquina A produce 3 % de artculos defectuosos,
mientras que la maquina B produce 5 % de artculos defectuosos. Encuentre la probabilidad de que
dada una pieza defectuosa esta halla sido producida por la maquina B.
17.-Muestre por induccion sobre n que la probabilidad de seleccionar una bola roja en el ensayo n
en el esquema de Polya (Ejemplo 7) es r(b + r)
1
.
18.-Un estudiante esta efectuando un examen de opcion m ultiple en el cual cada pregunta tiene 5
respuestas posibles, siendo solamente una la correcta. Si el estudiante conoce la respuesta selecciona
la respuesta correcta, de otro modo selecciona una respuesta al azar de las 5 posibles. Suponga que el
estudiante conoce la respuesta al 70 % de las preguntas.
(a)Cual es la probabilidad de que en una pregunta dada el estudiante obtenga la respuesta correcta?
(b)Si el estudiante obtiene la respuesta correcta a una pregunta, Cual es la probabilidad de que
halla conocido la respuesta?.
19.-Suponga que se elige un punto al azar del cuadrado unitario. Si se sabe que el punto esta en el
rectangulo acotado por y = 0, y = 1, x = 0 y x = 1/2. Cual es la probabilidad de que este punto
este en el triangulo acotado por y = 0, x = 1/2 y x + y = 1?.
20.-Suponga que una caja tiene r bolas rojas y b bolas negras. Se escoge una bola al azar de la caja
y una segunda bola se saca de las bolas restantes en la caja. Encuentre la probabilidad de que
(a)ambas sean rojas;
(b)la primera bola sea roja y la segunda negra;
(c)la primera bola sea negra y la segunda roja;
(d)ambas bolas sean negras.
21.-Una caja tiene 10 bolas rojas y 5 bolas negras. Una bola se selecciona de la caja. Si la bola es
roja se regresa a la caja. Si la bola es negra, ella junto con dos bolas negras adicionales se regresan a
la caja. Encuentre la probabilidad de que la segunda bola seleccionada de la caja sea
(a)roja;
(b)negra.
22.- Se sacan dos bolas, reemplazando la primera que se saco, de una caja que contiene 3 bolas
blancas y 2 bolas negras.
(a)Construya un espacio muestra para este experimento con un n umero igualmente probable de
puntos muestra.
(b)Calcule la probabilidad de que ambas bolas extradas sean del mismo color
(c)Calcule la probabilidad de que al menos una de las bolas extradas sea blanca.
23.-Trabaje el ejercicio 22 si la primer bola no se reemplaza.
24.-Trabaje el ejercicio 22 construyendo un espacio muestra basado en 4 puntos muestra correspon-
dientes a blanco y a negro para cada extraccion.
25.-La caja I contiene 2 bolas blancas y 2 bolas negras, la caja II contiene 2 bolas blancas y 1 bolas
negra y la caja III contiene 1 bola blanca y 3 bolas negras.
(a)Se selecciona una bola de cada caja. Calcule la probabilidad de que todas sean blancas.
(b)Se selecciona una caja al azar y se extrae de ella una bola. Calcule la probabilidad de que sea
blanca.
(c)En (b), calcule la probabilidad de que se halla seleccionado la primera caja, dado que extrajo una
bola blanca.
26.-Una caja contiene 3 bolas blancas y 2 bolas negras. Se extraen dos bolas sin reemplazo de ella.
(a)Calcule la probabilidad de que la segunda bola sea negra dado que la primera bola fue negra.
(b)Calcule la probabilidad de que la segunda bola sea del mismo color que la primera.
(c)Calcule la probabilidad de que la primera bola sea blanca dado que la segunda fue blanca.
27.-La composicion de un colegio es 70 % hombres y 30 % mujeres. Se sabe que el 40 % de los hombres
y el 60 % de las mujeres fuman cigarrillos. Cual es la probabilidad de que si se observa a un estudiante
fumando un cigarrillo este sea hombre?
28-Asuma que se fabrican autos con la misma probabilidad cada da durante los cinco das de la
semana (Lunes, Martes, Miercoles, Jueves y Viernes). Los carros manufacturados en Lunes tienen 4 %
de ser limones; los carros hechos en Martes, Miercoles o Jueves tienen 1 % de oportunidad de ser
limones y los autos hechos en Viernes tienen 4 % de ser limones. Si usted compra un carro y resulta
ser limon,Cual es la probabilidad de que halla sido manufacturado en Lunes?
29.-Suponga que existe una prueba para diagnosticar el cancer con la propiedad de que 90 % de
aquellos que la padecen dan positivo, mientras que 5 % de aquellos que no tienen la enfermedad dan
positivo. Cual es la probabilidad de que un paciente seleccionado al azar el cual dio positivo en la
prueba realmente padezca cancer?
30.- En el problema de los tres cofres discutido en el Ejemplo 6, calcule la probabilidad de que el
segundo cajon tenga una moneda de plata dado que el primero tuvo una moneda de oro.
31.-En el esquema de la urna de Polya (Ejemplo 7), dado que la segunda bola fue roja, encuentre la
probabilidad de que
(a)La primer bola halla sido roja;
(b)La primer bola halla sido negra.
32.-Suponga que tres monedas identicas y perfectamente balanceadas se lanzan una sola vez. Sea
Ai el evento en el cual la i-esima moneda cayo aguila. Demuestre que los eventos A1,A2 y A3 son
independientes.
33.-Suponga que las seis caras de un dado son igualmente probables de aparecer y que los lanzamien-
tos sucesivos de el dado son independientes. Construya un espacio de probabilidad para el experimento
compuesto de lanzar el dado tres veces.
34.-Sea que A y B denoten dos eventos independientes. Demuestre que A y B
c
, A
c
y B, y A
c
y B
c
tambien son independientes.
35.-Sea = {1, 2, 3, 4}y asuma que cada punto tiene probabilidad 1/4. Sea A = {1, 2}, B = {1, 3}
y C = {1, 4}. Muestre que las parejas de eventos A y B, A y C y B y C son independientes.
36.-Suponga que A,B y C son eventos mutuamente independientes y que P(A B) = 0. Muestre
que P(C|A B) = P(C).
37.-La experiencia muestra que el 20 % de las personas que reservan una mesa en un restaurante
nunca se aparecen. Si un restaurante tiene 50 mesas y toma 52 reservaciones, Cual es la probabilidad
de que se pueda acomodar a todo el mundo?
38.-Un blanco circular de radio unitario se divide en cuatro zonas anulares con radio externo 1/4,
1/2, 3/4 y 1, respectivamente. Suponga que se lanzan 10 tiros independientes y al azar en el blanco.
(a)Calcule la probabilidad de que a lo sumo tres tiros caigan en la zona acotada por los crculos de
radios 1/2 y 1.
(b)Si 5 tiros caen dentro del disco de radio 1/2, encuentre la probabilidad de que al menos uno
este en el disco de radio 1/4.
39.-Una maquina tiene cuatro componentes conectados en paralelo, de tal suerte que la maquina falla
solamente si los cuatro componentes fallan. Asuma que las fallas de los componentes son independientes
entre si. Si cuando la maquina es prendida los componentes tienen probabilidades de falla de .1, .2, .3
y .4 , Cual es la probabilidad de que la maquina funcione cuando se le encienda?.
40.-Un cierto componente del mecanismo de un cohete falla el 5 % de las veces que se enciende
el motor. Para alcanzar una mayor abilidad en el motor, esta componente se duplica n veces. El
motor falla solamente si todas estas n componentes fallan. Asuma que las fallas de los componentes
son independientes entre si. Cual es el menor valor de n para el cual se garantize que el motor
funcionara el 99 % de las veces?
41.-Un dado simetrico se lanza 3 veces. Si se sabe que la cara 1 aparecio al menos una vez, Cual es
la probabilidad de que halla aparecido exactamente una sola vez?
42.-En un mazo de 52 cartas hay 4 reyes. Se saca una carta al azar de este mazo y se anota su valor;
la carta es regresada. Este proceso se repite 4 veces. Calcule la probabilidad de que halla exactamente
2 reyes en las 4 cartas seleccionadas si se sabe que hay al menos un rey en estas seleccionadas.
43.-Muestre que si A, B y C son tres eventos independientes tales que P(ABC) = 0 y P(C|A
B) = P(C|B), entonces P(A|B C) = P(A|B)
44.-Un sujeto dispara independientemente 12 tiros a un blanco. Cual es la probabilidad de que
golpee el blanco al menos una vez si tiene probabilidad 9/10 de golpear el blanco en un tiro dado?
45.-Un dado se lanza 12 veces. Calcule la probabilidad de obtener
(a)Dos seis;
(b)a lo sumo dos seis.
46.-Suponga que la probabilidad de golpear un blanco es 1/4. Si se disparan ocho tiros al blanco,
Cual es la probabilidad de que el blanco sea golpeado al menos dos veces?.
47.-En el ejercicio 44, Cual es la probabilidad de que el blanco sea golpeado al menos dos veces si
se sabe que es golpeado al menos una?.