DEFINICIONES DE LA PROBABLIDAD

Hugo Saavedra Saavedra

Es de interés el cálculo de las probabilidades de los eventos asociados a un experimento

aleatorio ξ y su espacio muestral Ω. A través de la historia del desarrollo de la teoría de la
probabilidad se han considerado diferentes formas de asignar probabilidades respecto a la
ocurrencia de un evento. A estas diferentes formas empleadas que se emplean para calcular la
probabilidad de un evento algunos autores las denominan Enfoques, otros en cambio los llaman
métodos. Nosotros los consideraremos como las definiciones que nos permiten calcular la
probabilidad de los eventos aleatorios. Empezaremos con la definición clásica, luego la definición
frecuentista, la definición subjetiva y, finalmente la definición Axiomática.

1. DEFINICIÓN CLASICA DE LA PROBABILIDAD

1.1. Definición.
Sea ξ un experimento aleatorio cuyo espacio muestral Ω es un conjunto finito, es decir,
  1 ,2 ,3 ,...,n , en donde los n resultados son igualmente posibles,
equiprobables. La probabilidad de ocurrencia de un evento A   se define como:

# A Número elementos de A Número reultados favorables a A

P( A)   
#  Número elementos de  Número total de resultados posibles

El símbolo # representa la cardinalidad de un conjunto, #A es la cardinalidad del evento A (el número

de elementos del evento o suceso A.   

Esta definición o regla para calcular la probabilidad de un evento fue dada por el astrónomo y
matemático francés Pierre-Simon Laplace.

1.2. Ejemplos.

Ejemplo 1. Se lanzan un dado y una moneda para observar el número de puntos en el dado y el lado
que muestra la moneda. Si usamos c = cara y s sello, para simbolizar los resultados de la moneda, el
espacio muestral de este experimento es:

Ω = { (1,c), (2,c), (3,c), (4,c), (5,c), (6,c), (1,s), (2,s), (3,s), (4,s), (5,s), (6,s) }, con #Ω = 12.

Calcular las probabilidades de los eventos:

1) A: un número par en el dado.

2) B: cara en la moneda y un número mayor o igual que cuatro en la moneda.
3) C: cara en la moneda y cuatro en el dado
4) D: sello en la moneda y un número menor o igual a cuatro en el dado.

Solución
 1) A = { (2,c), (4,c), (6,c), (2,s), (4,s), (6,s) }. #A = 6
#A 6
P( A)    0.5
#  12
2) B = { (4,c), (5,c), (6,c) }, #B = 3

#B 3
P( B)    0.25
#  12

3) C = { (c,4) }, #C = 1
#C 1
P(C )    0.083333
#  12
4) D = { (1,s), (2,s), (3,s), (s,4) }, #D = 4

#D 4
P( D)    0.333333
#  12

Ejemplo 2. En una feria un juego consiste en lanzar 4 monedas indistinguibles de un sol. Cada
moneda que caiga cara es recogida por el jugador y se le entrega una moneda adicional de un sol
como premio. Por otro lado el jugador pierde toda moneda que caiga sello.

1) Determinar el espacio muestral. Todos los resultados de los montos de ganancias y pérdidas
para el juego.
2) Calcular las probabilidades de los siguientes sucesos:
a) A: gana por lo menos dos soles
b) B: las ganancias son iguales a las pérdidas
c) C: Las pérdidas superan a las ganancias
d) D: pierde a lo más un sol

Solución

1) Sea x=ganancia, y=pérdida, entonces Ω = { (x,y)/ x,y = 0, 1, 2, 3, 4 }, escrito por extensión es Ω

= { (4,0), (3,1), (2,2), (1, 3), (0,4) }.
#A 3
2) a) A = { (2,2), (3,1), (4,0) }, #A = 3. P( A)    0.6
# 5
#B 1
b) B = { (2,2) }, #B = 1. P( B)    0.2
# 5
#C 2
c) C = { (1, 3), (0,4) }, #C = 2. P(C )    0.4
# 5
#D 2
d) D = { (4,0), (3,1) }, #D = 2. P( D)    0.4
# 5

Como se observa en los ejemplos, el cálculo de la probabilidad de un suceso mediante la definición

clásica requiere hacer el conteo del número de elementos del suceso y del espacio muestral, es decir
las cardinalidades del suceso y del espacio muestral. En los casos como los de los ejemplos es posible
escribir el listado de los elementos del espacio muestral y de los eventos; sin embargo hay casos en
los que resulta muy engorroso, impracticable o innecesario un procedimiento similar. En estos casos
cardinalidades se pueden determinar usando las técnicas de enumeración (técnicas de contar) o el
análisis combinatorio.

1.3. Propiedades de la Probabilidad Clásica

La probabilidad clásica cumple con las propiedades siguientes:

1) P ()  1
2) P( A)  0
3) Si A y B son sucesos incompatibles, P( A  B)  P( A)  P( B)
Esta propiedad se puede extender a un conjunto infinito de sucesos incompatibles.

 
Si A1, A2,…, An,… son eventos incompatibles dos a dos, entonces P   Ai  
i 1 
 P( A ) . Dado
i 1
i

que Ω es finito, el conjunto formado por todas sus partes, PΩ, o el conjunto potencia de Ω,
(2 Ω ), tendrá un número finito de eventos, de modo que para tener la unión de infinitos
sucesos será preciso considerar sucesos imposibles, Ai = Φ.

2. DEFINICIÓN FRECUENTISTA DE LA PROBABILIDAD

2.1. Definición.
Si un experimento aleatorio ξ se repite n veces y un evento A y en nA de las veces
ha ocurrido un determinado evento A, entonces la frecuencia relativa del evento A
es

nA
fA  , en estas condiciones se define la probabilidad del evento A como
n

nA
P( A)  lim
n  n

En la práctica no es posible calcular la probabilidad exacta de un evento aplicando esta

definición, pues no es posible repetir un experimento infinitas veces. La idea valiosa es que
al repetir el experimento un gran número de veces, la frecuencia relativa tiene a estabilizarse
alrededor un número que vendría a ser la probabilidad del evento.

La probabilidad frecuentista también se denomina probabilidad estadística o probabilidad

experimental, pues permite estimar la probabilidad en lugar de calcular el valor exacto de la
probabilidad de un evento.

2.2. Ejemplo.
 Sea ξ el experimento que consiste en lanzar una moneda, sea el evento A: se obtiene una
cara. La siguiente tabla contiene las frecuencias absolutas, nA y las frecuencias relativas, fA, para
diferentes números de repeticiones del experimento, la gráfica respectiva nos permite observar que
al aumentar el número de repeticiones surge una regularidad, pues la frecuencia relativa oscila
alrededor de 0.5, valor que se asume como la probabilidad de obtener cara al lanzar una moneda.

Tabla de frecuencias relativas del evento A: se obtiene cara

n nA fA n nA fA
1 0 0.0000 600 283 0.4717
2 1 0.5000 700 338 0.4829
4 3 0.7500 800 397 0.4963
6 2 0.3333 900 460 0.5111
10 8 0.8000 1000 506 0.5060
15 8 0.5333 1200 622 0.5183
20 12 0.6000 1400 703 0.5021
30 13 0.4333 1600 762 0.4763
40 17 0.4250 1800 916 0.5089
50 22 0.4400 2000 987 0.4935
75 40 0.5333 2200 1097 0.4986
100 50 0.5000 2700 1325 0.4907
125 57 0.4560 3200 1629 0.5091
150 78 0.5200 3700 1810 0.4892
200 93 0.4650 4200 2145 0.5107
250 133 0.5320 4700 2358 0.5017
300 166 0.5533 5200 2587 0.4975
400 216 0.5400 5500 2738 0.4978
500 233 0.4660 10000 5060 0.5060

Gráfica de las frecuencias relativas de la ocurrencia de una cara al lanzar

una moneda.
1
Frecuencia relativa

0.8

0.6

0.4

0.2

0
400
100
125
150
200
250
300

500
600
700
800
900
40
10
15
20
30

50
75
1
2
4
6

10000
1000
1200
1400
1600
1800
2000
2200
2700
3200
3700
4200
4700
5200
5500

Número de repeticiones del experimento

2.3. Propiedades de la Probabilidad Frecuentista

La probabilidad frecuentista cumple las propiedades siguientes:
1) P(Ω) = 1
2) P(A) > 0
3) Si A y B son sucesos incompatibles, P( A  B)  P( A)  P( B)
 3. PROBABILIDAD SUBJETIVA

Existen muchos eventos cuya probabilidad no se puede calcular de acuerdo a las

definiciones ya apuntadas, esto es, de acuerdo a los métodos convencionales. Por ejemplo,
no se puede calcular la probabilidad de que en los próximos cinco años se pueda curar el
SIDA, o que un niño determinado vaya a destacar como conductor de autos fórmula uno
cuando sea adulto, o que el equipo de nuestra escuela gane el campeonato nacional
de basquetbol el próximo año, u otros sucesos similares.

Aquí no existe un espacio muestral finito, ni los elementos son igualmente posibles, ni se
puede calcular la frecuencia relativa, ni hay forma de hacer intervenir los enunciados de la
probabilidad axiomática. En estos casos la probabilidad dependerá del grado de credibilidad
que una persona asigne subjetivamente a una opinión o creencia. Bajo este enfoque, dos
personas pueden asignar valores diferentes para la ocurrencia de un mismo evento.

También la probabilidad subjetiva cumple las propiedades:

1) P(A) = 0, probabilidad de que el evento no ocurrirá

2) P(A) = 1, probabilidad de que un evento ocurrirá con toda seguridad
3) 0 < P(A) < 1, grado de certeza de la ocurrencia de un evento

Ejemplo.

La probabilidad de que se produzca un sismo de más de 7 grados en la región Lambayeque

es 0.50 (50%).

Aunque parezca poco interesante, esta forma de asignar probabilidades a priori a los
eventos se emplea en la estadística Bayesiana, para mejorar el cálculo de sus
probabilidades basados en cierta información.

4. DEFINICIÓN AXIOMÁTICA DE LA PROBABILIDAD

El matemático ruso Andrei Nikolaevich Kolmogorov, formuló la definición axiomática de la
probabilidad en 1933.
4.1. Definición
Sea (Ω, A ) un espacio medible asociado a un experimento aleatorio ξ, se define
probabilidad o función de probabilidad a cualquier función P: A → R, esto es, para
todo evento A ԑ A , P(A) → x ԑ R, si verifica los tres axiomas siguientes:
Axioma 1. P(A) > 0 Axioma de no negatividad
Axioma 2. P(Ω) = 1 Axioma de normatividad
Axioma 3. Si A1, A2,… son elementos de A , eventos mutuamente incompatibles,
esto es, Ai  A j  , para i  j
   
P   Ai    P( Ai ) Axioma de aditividad.
i 1  i 1
Espacio de probabilidad

Definición.

Un espacio de probabilidad es una terna (Ω, A , P) , en donde Ω es un espacio muestral

asociado a un experimento aleatorio ξ, A es un σ-álgebra de subconjuntos de Ω y P es una
medida de probabilidad sobre A .

Como puede verse, la definición axiomática no proporciona una regla diferente para asignar la
probabilidad de ocurrencia de un evento, sino formaliza las propiedades que satisfacen tanto la
probabilidad clásica como la frecuentista.

PROBABILIDADES DE EVENTOS EN ESPACIOS MUESTRALES FINITOS.

Sea ξ un experimento aleatorio cuyo espacio muestral Ω es un conjunto finito, es decir,

  1 ,2 ,3 ,..., I ,...,n , a cada uno de los sucesos simples le corresponde su
probabilidad Pi   pi , tal que satisface las siguientes condiciones:

Pi > 0, para i = 1, 2, … , n
1) p i  0, para i  1, 2, ... , n
n
2) p
i 1
i 1

Si A es un evento con r resultados posibles del experimento, 1 < r < n, esto es,


A   j1 ,  j2 ,  j3 ,...,  jr , donde j , j , j , …, j es un conjunto de r subíndices, que
1 2 3 r

pueden tomar valores 1, 2, 3, … , n, entonces

r
P A   p ji  p j1  p j2  ...  p jr
i 1

La probabilidad de ocurrencia de un evento A   se define como:

NOTA. La probabilidad clásica es un caso particular de probabilidades en espacios muestrales finitos.

Ejemplo. Supongamos que un experimento tiene 4 resultados posibles, cuyo espacio muestral sería
  1 ,2 ,3 ,4 , donde P1  p1 , P2   p2 , P3   p3 y P4   p4 siendo,
además p2 = 2p1, P3 = 4p2 y p4 = 5p1.

1) Calcular las probabilidades pi, i = 1, 2, 3, 4.

2) Calcular la probabilidad del evento A  1 ,4 
3) Calcular la probabilidad de B  2 ,3 , 4 
4) P( A  B), P( A  B), P( A' ), P( A  B), P( A' B' )