1

APUNTES DE TEORIA DE
PROBABILIDADES.

Profesores: Ra
ul Zhigley y Nathalie Castro.

Captulo 1

Espacio de probabilidad.

La palabra probabilidad aparece en nuestro lenguaje ordinario en

multitud de ocasiones. As, armaciones del tipo de que la probabilidad de
obtener dos seises al lanzar dos dados no cargados en uno entre 36, de que
hay una probabilidad ligeramente inferior a un medio de que un bebe recien nacido sea varon y de que en los proximos dos a
nos la probilidad de
curar el cancer es peque
na, puede decirse de que expresan juicios de probabilidad. Sin embargo, cada uno de los ejemplos anteriores se reeren a un
tipo diferente de juicio de probabilidad. El primero se reere a un juicio de
probabilidad que podemos denominar clasico, en el que los posibles resultados son equiprobables. El segundo es una armacion de tipo frecuentista y
se reere a la frecuencia relativa con la que cierta propiedad aparece entre
los miembros de una clase determinada y el tercero constituye un ejemplo
de lo que podramos llamar un juicio de credibilidad y es una medida del
3

CAPITULO 1. ESPACIO DE PROBABILIDAD.

grado de conanza que tenemos en la verdad de una cierta proposicion o en

el acaecimiento de un suceso determinado.
Nuestro objetivo busca darle a la teora de probabilidad una concepcion matematica, seg
un la teora axiomatica deniendo, pues, la probabilidad
mediante unos axiomas que esten en concordancia con las tres losofas anteriormente expuestas y viendo la aplicacion al mundo real de este modelo
matematico utilizaremos seg
un los casos una concepcion u otra.

1.1 Experimentos aleatorios.

La nalidad de todo experimento cientco es la obtencion de informacion de interes acerca de cualquier parte de la naturaleza. Dentro de los
experimentos cientcos hay algunos cuyo desarrollo es previsible con certidumbre y sus resultados estan perfectamente determinados una vez jadas
las condiciones del mismo: se conocen con el nombre de experimentos determinsticos. As por ejemplo, si se planea un experimento para averiguar el
espacio recorrido por un cuerpo en cada libre en el vaco al cabo de un cierto
tiempo t, se sabe que el espacio recorrido obedece a la ley x = 12 gt2 donde g
es la gravedad en el lugar expresado en m/seg 2 . Se ve entonces que jado de
antemano el tiempo y el lugar le corresponde un espacio recorrido jo.
Frente a estos experimentos que pueden realizarse en un contexto de
certidumbre aparecen los pueden realizarse en un contexto de incertidumbre.
A estos se les llama experimentos o fenomenos aleatorios. Estos experimentos
naturales (fsicos, economicos, biologicos, demogracos, etc) o hipoteticos

1.1. EXPERIMENTOS ALEATORIOS.

se caracterizan porque su desarrollo no es previsible con certidumbre. La

imposibilidad de preveer este desarrollo puede, seg
un los casos, tener diveras
causas entre las que destacan:

Las leyes que rigen el experimento no pueden ser bien conocidas sucientemente para ser formuladas matematicamente.
El desarrollo del experimento es por esencia de naturaleza no determinstico.
Los factores que inuyen en el experimento son o muy numerosos o
demasiado difciles de apreciar, o incluso no medibles sin perturbar el
desarrollo del mismo.

Se dice entonces que el fenomeno depende del azar, sin intentar

aqu dar una denicion matematica del azar.
Ejemplo 1.1. (Experimentos aleatorios)
E1 : tirar un dado y ver el n
umero que aparece.
E2 : medir el tiempo de duracion de una ampolleta.
E3 : tirar una moneda hasta que aparezca por primera vez cara y contar el
n
umero de tiradas necesarias.
El objeto de estudio lo constituye lo que en terminos genericos hemos
llamado fenomenos o experimentos aleatorios, que como se ve resulta difcil
denir con precision. Por esta razon, en lugar de una denicion, daremos una
serie de propiedades que suelen caracterizarlos; estas son:

CAPITULO 1. ESPACIO DE PROBABILIDAD.

1. En las mismas condiciones iniciales pueden dar lugar a diferentes resultados nales, en contraposicion con los fenomenos determinsticos, los
cuales conducen siempre a los mismos efectos nales.
2. Todos los resultados posibles se conocen por anticipado.
3. No se puede predecir el resultado en cada experiencia particular.
4. En general, pueden repetirse en las mismas condiciones indenidamente.
5. Si uno de estos experimentos se repite bajo condiciones completamente
identicas un n
umero determinado n de veces, y anotamos el n
umero, ni
de veces que aparece un determinado resultado, el cociente ni /n tiende
a estabilizarse, cuando n aumenta, en un valor jo.

1.2 Espacio muestral y sucesos.

Definici
on 1.2. Al realizar un experimento aleatorio, se obtiene el conjunto
de todos los posibles resultados de este al que llamaremos espacio muestral.
Usualmente, denotamos por el espacio muestral, por los elementos de
y por lo tanto escribimos .
Ejemplo 1.3. De los experimentos aleatorios E1 , E2 y E3 dados en el ejemplo anterior, se tienen los espacios muestrales que corresponden a continuacion:
1 = {1, 2, 3, 4, 5, 6}
2 = {t : t 0}
2 = {1, 2, ..., i, ...} = N

1.2. ESPACIO MUESTRAL Y SUCESOS.

Definici
on 1.4. Se llama suceso a cualquier subconjunto del espacio muestral. Se utilizan letras may
usculas, las primeras del alfabeto, para designar
sucesos.
Ejemplo 1.5. Sea A = sacar un n
umero par al tirar un dado = {2, 4, 6}.
Claramente A es un suceso ya que es un subconjunto de 1 .
Sea E un experimento aleatorio y sea A un suceso. Entonces al realizar
este experimento solo caben dos alternativas: ocurre el suceso A o no
ocurre el suceso A. De acuerdo a lo anterior se denen otros tipos de sucesos:
Suceso seguro: es aquel que siempre ocurre. Es facil ver que el suceso
seguro y espacio muestral son lo mismo (para que sea seguro debe tener
todos los resultados del experimento).
Suceso imposible: es aquel que nunca ocurre. Se designa con la letra
.
Suceso contrario al suceso A: sea A un suceso. El suceso contrario
de A es aquel que ocurre cuando A no ocurre. Se designa por Ac .
Inclusi
on de sucesos: se dice que el suceso A esta includo en el suceso
B y se escribe A B si cada vez que ocurre A ocurre B.
Igualdad de suceso: dos sucesos son iguales, y se escribe A = B
cuando A B y B A.
Intersecci
on de sucesos: el suceso A B es el suceso que ocurre
cuando A y B ocurren simultaneamente.

CAPITULO 1. ESPACIO DE PROBABILIDAD.

Sucesos incompatibles: se dice que A y B son sucesos incompatibles

si no pueden ocurrir simultamente, es decir A B = . Tambien se
denominan sucesos mutuamente excluyentes.
Uni
on de sucesos: el suceso union de A con B es el suceso que ocurre
cuando A o B o ambos simultaneamente ocurren. Se escribe A B.
Sucesos exhaustivos: se dice que A y B son exhaustivos si la union
de ambos es igual al espacio muestral, es decir A B = .
Si es innito, la nocion de sucesos se aplicara a una clase particular de
subconjuntos privilegeados, clase que designaremos por Q. Las proposiciones
A Q y A es un suceso, son por denicion equivalentes.
La restriccion a esta clase Q proviene de la teora de la medida y su
justicacion queda fuera del alcance de este curso. Sin embargo, esta clase
llamada -algebra contendra todos los conjuntos que se pueden construir.
Definici
on 1.6. Dado el espacio muestral , una clase Q tiene estructura
de -algebra si y solo si:
1. Q.
2. A Q entonces Ac Q.
3. Si A1 , A2 , ... Q entonces

Ai Q.

i=1

Lo que signica que la -algebra es cerrada para uniones numerables,

intersecciones numerables, diferencias y complementarios.

 DE PROBABILIDAD.
1.3. FUNCION

Ejemplo 1.7. Sea un experimiento aleatorio cuyo espacio muestral es el conjunto = {1, 2, 3, 4}. Consideremos como dos sucesos de interes los eventos
{2} y {2, 3, 4}. Es posible determinar una -algebra que considere estos dos
sucesos?
Solucion. Por denicion, sabemos que Q y por lo tanto, Q.
Luego, incluimos los sucesos de interes {2} y {2, 3, 4}. Por tanto, sus complemetarios tambien deben pertenecer a la -algebra, es decir {1, 3, 4} y {1}.
Luego, por la condicion (3) deben inclurse todas las uniones posibles y sus
correspondientes complementarios. Por ellos agregamos los sucesos {1, 2} y
{3, 4}.
Entonces el -algebra resultante es:
Q = {, , {2}, {2, 3, 4}, {1, 3, 4}, {1}, {1, 2}, {3, 4}}
Definici
on 1.8. Llamaremos espacio medible o espacio probabilizable a la
pareja (, Q, donde es el espacio muestral y Q es la familia de sucesos a
los que nos interesa asignarle probabilidad.

1.3 Funci
on de probabilidad.
Un elemento a considerar en relacion con un experimento aleatorio es,
como dijimos, la probabilidad de los sucesos de la -algebra de subconjuntos
del espacio muestral .
Existen varias interpretaciones del concepto de probabilidad: aqu partiremos de unos axiomas como propiedades a cumplir por toda funcion de
probabilidad.

10

CAPITULO 1. ESPACIO DE PROBABILIDAD.

1.3.1 Axiomas de Kolgomorov.

Sea (, Q) un espacio probabilizable. Denimos una funcion P, que va
a ser una medida normada sobre Q, mediante una aplicacion de Q en R que
cumple los siguientes axiomas:
Axioma 1 A Q, P(A) 0.
Axioma 2 P() = 1.
Axioma 3 A1 , A2 , . . . Q tal que Ai Aj = , i = j son sucesos incompatibles, entonces:
P

i=1

)
Ai

P(Ai )

i=1

Observaci
on 1.9. El tro (, Q, P) se denomina espacio de probabilidad.

1.3.2 Consecuencias de los axiomas.

Proposici
on 1.10. A Q, P(Ac ) = 1 P(A).
c , entonces P() = P(A) + P(Ac ) y por
Demostraci
on. Sabemos que = AA
tanto, P(Ac ) = 1 P(A).
Proposici
on 1.11. P() = 0.
Demostraci
on. Es claro que es el suceso complemento del espacio muestral.

Luego, por la proposicion 1.10, P() = 1 P() = 0.

 DE PROBABILIDAD.
1.3. FUNCION

11

Proposici
on 1.12. A, B Q, si A B entonces P(A) P(B).

Demostraci
on. Si A B entonces B = A(B
Ac ) y por consecuencia del
axioma 3, P(B) = P(A) + P(B Ac ). Como P(B Ac ) 0 entonces P(B)
P(A).

Proposici
on 1.13. A Q, 0 P(A) 1.
Demostraci
on. Es claro que A y por la proposici
on 1.12, 0 P(A)

1.

Proposici
on 1.14 (Regla de la adici
on). A, B Q, se verifica que
P(A B) = P(A) + P(B) P(A B)

Demostraci
on. Podemos escribir A B = (A B c )(A
B)(B
Ac ). Por
tanto:
P(A B) = P(A B c ) + P(A B) + P(B Ac )
Ademas,

A = (A B c )(A
B) P(A B c ) = P(A) P(A B)

B = (B Ac )(A
B) P(B Ac ) = P(B) P(A B)
Luego, sustituyendo en (1.1),
P(A B) = P(A) P(A B) + P(A B) + P(B) P(A B)
= P(A) + P(B) P(A B)

(1.1)

CAPITULO 1. ESPACIO DE PROBABILIDAD.

12

Observaci
on 1.15. Si consideramos A, B y C Q, la proposici
on 1.14 se
puede generalizar como:
P(ABC) = P(A)+P(B)+P(C)P(AB)P(AC)P(BC)+P(ABC)
Ejemplo 1.16. En una universidad se obtuvo la siguiente informacion: el
32 % de las chicas son rubias, de ojos azules o ambas cosas; el 20 % es de
ojos azules y el 17 % es rubia. Calcular la probabilidad de que:
1. Las chicas sean rubias y de ojos azules.
2. Las chicas tengan solo cabello rubio.
3. Las chicas tengan solo ojos azules.
4. Las chicas con ninguna de las dos caractersticas.
Solucion. Denimos los sucesos R: las chicas son rubias y A: las
chicas tienen los ojos azules. De la informacion entregada en el enunciado,
podemos escribir: P(R A) = 0, 32; P(A) = 0, 20 y P(R) = 0, 17.
1. Para calcular P(R A), ocupamos la regla de adicion dada en 1.14, es
decir:
P(R A) = P(R) + P(A) P(R A) = 0, 17 + 0, 20 0, 32 = 0, 05.
2. Debemos calcular P(R Ac ). Para esto realizamos la siguiente relacion:
c ) = (R A)(R

R = R = R (AA
Ac )
Luego, P(R) = P(R A) + P(R Ac ) y por tanto:
P(R Ac ) = P(R) P(R A) = 0, 17 0, 05 = 0, 12.
3. Analogamente P(A Rc ) = P(A) P(R A) = 0, 20 0, 05 = 0, 15.

 DE PROBABILIDAD.
1.3. FUNCION

13

4. P(Rc Ac ) = P(R A)c = 1 P(R A) = 0, 68.

Ejemplo 1.17. Sean A, B, C sucesos definidos en un mismo espacio muestral

. Se tienen los siguientes datos:
P(A) = 0, 6; P(B) = 0, 4; P(C) = 0, 3; P(A B) = 0, 2;
P(A C) = P(B C) = 0, 1 y P(A B C) = 0, 05.
Considere los sucesos D1 = A (B C) y D2 = A B c C c . Se pide
calcular las probabilidades de D1 y D2 y demostrar que ambos sucesos son
incompatibles o mutuamente excluyentes.

Solucion. En primer lugar:

P(D1 ) = P(A (B C))
= P((A B) (A C))
= P(A B) + P(A C) P(A B C)
= 0, 2 + 0, 1 0, 05 = 0, 25

P(D2 ) = P(A B c C c ))
= P(A (B C)c )
= P(A) P(A (B C))
= P(A) P((A B) (A C))
= 0, 6 0, 25 = 0, 35

Luego para demostrar que D1 y D2 son incompatibles debemos com-

CAPITULO 1. ESPACIO DE PROBABILIDAD.

14

probar que la interseccion de ambos sucesos es vaca. Es decir:

D1 D2 = [A (B C)] [A (B c C c )]
= A [(B C) (B c C c )]
= A [(B C) (B C)c ]
= A=
Por lo tanto, D1 y D2 son sucesos incompatibles.
Ejemplo 1.18. Un segmento de recta de longitud L es dividido en tres partes
arbitrarias x, y, z. Encontrar la probabilidad de que los trozos permitan construir un triangulo.
Solucion. Los sucesos elementales se caracterizan por dos variables x e
y ya que z queda denido como Z = L (x + y). Un evento elemental se
representa por un punto en el plano x0y donde x > 0, y > 0 y x + y < L. El
espacio de los eventos elementales se representa de acuerdo a la gura ()
cuya area S mide

L2
.
2

Las condiciones para que x, y e L (x + y) formen

un triangulo son:
1. x + y L (x + y) x + y
2. x y L (x + y) x

L
2

3. y x L (x + y) y

L
2

L
2

La representacion de esto u
ltimo muestra la region A en la gura () cuya
area es SA =

L2
.
8

Por tanto concluimos que P(A) =

SA
S

= 14 .

1.4. PROBABILIDAD CONDICIONADA E INDEPENDIENCIA DE SUCESOS.15

1.4 Probabilidad condicionada e independiencia de

sucesos.
Hasta este punto hemos supuesto que toda la informacion antes de
realizar un experimento aleatorio,estaba contenida en el espacio muestral, y a
partir de aqu se calculaba la probabilidad de un suceso A. Suponiendo ahora
que tenemos una informacion adicional, se trata de ver como el conocimiento
de la ocurrencia de otro suceso B, no vaco, puede modicar la ocurrencia
del suceso A. Con este objetivo se dene la probabilidad condicionada del
suceso A por el suceso B.
Ejemplo 1.19. Se llevo a cabo un sondeo de opinion entre electores de cuatro
distritos para comparar la cantidad de votantes que apoyan al candidato Z.
Se obtuvieron muestras aleatorias de 200 electores en cada uno de los cuatro
distritos con los resultados que se muestran en la siguiente tabla:
PP
PP
Distrito
PP
PP
PP
PP
Opinion
P

Total

En favor de Z

76

53

59

48

236

En contra de Z

124

147

141

152

564

Total

200

200

200

200

800

Si se ha elegido un elector al azar y este tiene una opinion a favor de Z,

cu
al es la probabilidad de que este elector provenga del distrito 3?
Solucion. Consideremos los sucesos:
A = el elector pertenece al distrito 3
B = el elector esta a favor del candidato Z.

CAPITULO 1. ESPACIO DE PROBABILIDAD.

16

Si consideramos todos los electores sin excepcion la probabilidad de pertener

al distrito 3 es P(A) =

200
.
800

El suceso A B se puede interpretar como

un elector pertenece al distrito 3 y esta a favor del candidato Z. Luego,

P(A B) =

59
.
800

Sin embargo la pregunta plantea un dato conocido: se sabe

que el elector esta a favor del candidato Z, y estos son 236 electores en total
y de estos un total de 59 son electores que pertenen al distrito 3. Por lo tanto
el suceso B sera una condicion para calcular la probabilidad de A. Podemos
escribir estonces P(A|B), es decir, la probabilidad de que ocurra A sabiendo
que B ya ocurrio. Entonces:
59
=
P(A|B) =
236

59
800
236
800

P(A B)
P(B)

Definici
on 1.20. Sea (, Q, P) un espacio probabilstico y sea B Q un
suceso tal que P(B) > 0. LLamaremos probabilidad condicionada del suceso
A respecto a B, y lo escribiremos P(A|B) a,
P(A|B) =

P(A B)
P(B)

(1.2)

Ejemplo 1.21. Un conjunto electrico consta de dos componentes, nombrados

A y B. Se sabe que la probabilidad de que falle A es 0,3; la probabilidad de
que falle B es 0,2 y la probabilidad de que fallen simultaneamente es 0,1.
Calcular:
La probabilidad de que falle A sabiendo de que ha fallado B.
La probabilidad de que no falle B si no ha fallado A.

1.4. PROBABILIDAD CONDICIONADA E INDEPENDIENCIA DE SUCESOS.17

Solucion. Consideremos los sucesos:
A = falla el componente A
B = falla el componente B.
Luego de la informacion entregada, P(A) = 0, 3; P(B) = 0, 2; y P(A B) =
0, 1.
1. P(A|B) =

P(AB)
P(B)

2. P(B c |Ac ) =

0,1
0,2

= 0, 5

P(B c Ac )
P(Ac )

1P(BA)
1P(A)

0,6
0,7

= 0, 8571

Teorema 1.22 (Regla de la multiplicaci

on). Si A y B son dos sucesos
de un espacio probabilstico (, Q, P) con P(A) > 0 y P(B) > 0. A partir de
(1.2) se tiene que:
P(A B) = P(A)P(B|A)

P(A B) = P(B)P(A|B)

(1.3)

Observaci
on 1.23. Si consideramos los sucesos A, B, C en un espacio probabilstico (, Q, P), entonces el teorema anterior se generaliza como:
P(A B C) = P(A)P(B|A)P(C|A B)

Ejemplo 1.24. Se lanza una moneda con probabilidad de

2
3

que el resultado

sea cara. Si aparece una cara, se extrae una pelota, aleatoriamente, de una
urna que contiene dos pelotas rojas y tres verdes. Si el resultado es sello se
extrae una pelota, de otra urna, que contiene dos rojas y dos verdes. Cual
es la probabilidad de extraer una pelota roja?

CAPITULO 1. ESPACIO DE PROBABILIDAD.

18

Solucion. De lo expuesto en el planteamiento, vamos a considerar los

siguientes sucesos:
C = se obtiene cara al lanzar una moneda
S = se obtiene sello al lanzar una moneda
R = se extrae una pelota de color rojo
Luego de la informacion entregada, P(C) =

2
;
3

P(S) =

1
;
3

P(R|C) =

2
;
5

P(R|S) = 21 .
Para calcular la probabilidad de extraer una pelota de color rojo, escribimos:
P(R) = P(R )

= P(R (C S))

= P((R C)(R
S))
= P(R C) + P(R S)
Luego, aplicando la regla de la multiplicacion, obtenemos:
P(R) = P(C)P(R|C) + P(S)P(R|S)
2 2 1 1
+
=
3 5 3 2
13
=
30

Definici
on 1.25. Un suceso A es independiente de otro suceso B cuando
la probabilidad de A no depende de la ocurrencia o no de B. Es decir, A es
independiente de B s y solo s P(A|B) = P(A).

Dada la denicion anterior, se puede proponer lo siguiente:

1.4. PROBABILIDAD CONDICIONADA E INDEPENDIENCIA DE SUCESOS.19

Proposici
on 1.26. Dados dos sucesos A y B definidos en un espacio probabilstico, entonces:
1. Dos sucesos son independientes s y solo s P(A B) = P(A)P(B).
2. Si A es independiente de B, B es independiente de A.
3. Si dos sucesos A y B son independientes, sus correspondientes complementarios tambien son independientes.
Demostraci
on.

1. Por denicion si dos sucesos son independientes, P(A|B) = P(A), entonces

P(AB)
P(B)

= P(A), con P(B) > 0. Por lo tanto P(A B) =

P(A)P(B).
2. Si A es independiente de B entonces P(A|B) = P(A). Por lo anterior,
P(A B) = P(A)P(B). Si P(A) > 0,

P(AB)
P(A)

= P(B) lo que implica que

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

3. Sabemos que P(Ac B c ) = P(A B)c y dadas las proposiciones 1.10 y
1.14, P(A B)c = 1 P(A) P(B) + P(A B). Dado que A y B son
independientes, entonces P(Ac B c ) = 1 P(A) P(B) + P(A)P(B) =
(1 P(A))(1 P(B)) = P(Ac )P(B c ).

Ejemplo 1.27. La probabilidad de aprobar alguna de las dos pruebas de

la asignatura Biologa es de 0,45. Considere ademas que la probabilidad de
aprobar la primera prueba es 0,40 y la de aprobar la segunda es 0,30. Son
independientes entre s la aprobaci
on de las dos pruebas?

CAPITULO 1. ESPACIO DE PROBABILIDAD.

20

Solucion. Vamos a considerar los siguientes sucesos:

F = aprobar la primera prueba
S = aprobar la segunda prueba
Luego de la informacion entregada, P(F ) = 0, 40; P(S) = 0, 30 y P(F S) =
0, 45.
Para vericar si los sucesos F y S son independientes debemos comprobar si
se cumple
P(F S) = P(F )P(S).
De la regla de la adicion, P(F S) = P(F ) + P(S) P(F S) = 0, 25. Por
otro lado, P(F )P(S) = 0, 12. Por tanto, la aprobacion de ambas pruebas no
son independientes.

1.5 Teoremas de la probabilidad total y de Bayes.

Para calcular la probabilidad de un suceso, muchas veces es u
til incorporar informacion previa o a priori de este suceso en relacion con otros.
Los dos teoremas que se presentan en esta seccion tratan de incorporar esta
informacion.
Teorema 1.28 (Teorema de la probabilidad total). Sea {Ai }ni=1 una
n
coleccion completa de sucesos, es decir Ai = sucesos exhaustivos y
i=1

Ai Aj = , i = j sucesos incompatibles, tales que P(Ai ) = 0, i =

1, 2, . . . , n y sea B un suceso cualquiera. Entonces se verifica:
P(B) =

i=1

P(Ai )P(B|Ai )

(1.4)

1.5. TEOREMAS DE LA PROBABILIDAD TOTAL Y DE BAYES.

21

2 B) . . . (A
n B),
Demostraci
on. Podemos observar que: B = (A1 B)(A
por lo tanto, P(B) =

P(Ai B). Utilizando la regla de la multiplicacion

vista en 1.3, entonces P(B) = ni=1 P(Ai )P(B|Ai ).

i=1

on completa
Teorema 1.29 (Teorema de Bayes). Sea {Ai }ni=1 una colecci
de sucesos tales que P(Ai ) = 0, i = j y sea B un suceso cualquiera no
imposible, entonces se verifica que:
P(Ai )P(B|Ai )
P(Ai |B) = n
j=1 P(Aj )P(B|Aj )

i = 1, 2, . . . , n

(1.5)

Demostraci
on. Por denici
on de probabilidad condicional, podemos escribir:

P(Ai |B) =

P(Ai B)
,
P(B)

i = 1, 2, . . . , n. Mediante la regla de la multipli-

cacion, el numerador de la expresion sera P(Ai B) = P(Ai )P(B|Ai ),

i = 1, 2, . . . , n, mientras que utilizando el teorema 1.28, el denominador

es igual a P(B) = nj=1 P(Aj )P(B|Aj ). Por lo tanto la expresion quedara:

P(Ai |B) =

nP(Ai )P(B|Ai )
,
j=1 P(Aj )P(B|Aj )

i = 1, 2, . . . , n.

Observamos que en la formula de Bayes intervienen dos tipos de probabilidades. Por una parte las probabilidades de los sucesos que constituyen
el sistema completo, P(Ai ), i = 1, 2, . . . , n que reciben el nombre de probabilidades a priori, pues se obtiene sin informacion adicional. Y por otra
parte intervienen las probabilidades de B condicionadas a cada uno de los
sucesos del sistema completo, P(B|Ai ), i = 1, 2, . . . , n, que son cantidades
de apoyo llamadas verosimilitudes. Las cantidades obtenidas a partir de la
formula de Bayes P(Ai |B), i = 1, 2, . . . , n reciben el nombre de probabilidades a posteriori, ya que se modican las probabilidades de los sucesos Ai
como consecuencia de haber ocurrido el suceso B.

CAPITULO 1. ESPACIO DE PROBABILIDAD.

22

Figura 1.1: Ilustracion de la coleccion completa de sucesos y el suceso B.

Ejemplo 1.30. Un medico posee un test para diagnosticar el cancer. Mediante muchos reconocimientos se ha comprobado que la probabilidad de que
el test resulte positivo para una persona que padezca la enfermedad es de 0,95;
mientras que para una persona que no la tenga es 0,02. Supongamos que solo
el 1 % de la poblacion esta enferma de cancer. Cual es la probabilidad de
que una persona padezca cancer si su test resulta positivo?
Solucion. Denamos los sucesos:
E = una persona padece cancer
T = el test resulta positivo
De la informacion entregada, P(E) = 0, 01; P(E c ) = 0, 99; P(T |E) = 0, 95;
P(T |E c ) = 0, 02
Podemos observar que lo conocido es que el test resulto ser positivo, por lo
tanto es una probabilidad a posteriori ya entregada. Por lo tanto aplicamos
el Teorema de Bayes:

1.5. TEOREMAS DE LA PROBABILIDAD TOTAL Y DE BAYES.

P(E)P(T |E)
P(E)P(T |E) + P(E c )P(T |E c )
0, 01 0, 95
=
0, 01 0, 95 + 0, 99 0, 02
= 0, 324232

P(E|T ) =

23