PROBABILIDAD Y ESTADISTICA
Docentes: Blanca Vitale - Jorge Comas
Probabilidades: parte I
Un poco de historia
El cálculo de probabilidades tiene su origen en el año 1654 cuando Pierre de Fermat (1601 -1665) y
Blaise Pascal (1623- 1662), en correspondencia no publicada, comienzan a aplicar métodos matemáticos
para resolver problemas de juegos de azar con cartas y dados. También se destacó en el estudio de éste
campo Jacob Bernouli (1654- 1705), quien desarrolló la hoy llamada “ley de los grandes números” que
aparece por primera vez en el libro “Ars Conjectandi” publicado en 1713. La definición clásica de
probabilidad se debe a Pierre Simon Laplace (1749-1827). Publicó “Teoría analítica de la probabilidad” en
1812.
Problemas de genética que se plantearon a fines del siglo XIX (Galton) y el rápido desarrollo al
comienzo del siglo XX en física de las teorías de movimiento browniano y mecánica estadística le dieron a
la teoría de probabilidades fuentes de nuevos problemas. Ya en el siglo XIX y XX Tchebycheff (1821-1894)
y Andrei Markov (1856 – 1922), matemáticos rusos, contribuyen al desarrollo de la teoría de las
probabilidades. La definición axiomática (utilizada actualmente) la elaboró Andrei Kolmogorov (1903 –
1987). La misma es similar a la definición de la medida (la teoría de la medida fue presentada por Borel
que sirve de base a la teoría de integración de Lebesgue).
Además de sus aplicaciones a la genética, física, tecnología, etc., la teoría de las probabilidades es una
herramienta indispensable para la inferencia estadística (donde se mide la probabilidad de cometer
errores al hacer una inferencia inductiva).
¿A qué tipo de problemas se aplica la Teoría de la Probabilidad?
DETERMINÍSTICOS: se conocen previamente sus resultados
y con cierta exactitud se sabe que ocurrirá.
TIPOS DE FENÓMENOS
Y EXPERIMENTOS
NO DETERMINÍSTICOS: se conocen los posibles resultados pero
(ALEATORIOS) no se sabe cuál de esos ocurrirá.
El modelo matemático en el caso determinístico provee un resultado que al compararlo con el dato
observado resultan iguales o tales que al repetir la observación o el experimento varias veces (en las
mismas condiciones) las diferencias son mínimas. Por ejemplo si sostenemos una piedra en la mano y la
soltamos ¿qué sucederá? Las ciencias físicas proporcionan un modelo (gravitacional) que asegura que el
objeto caerá (suponiendo que no ocurre en el transcurso del experimento nada que modifique la
situación). Otro ejemplo, si medimos la hipotenusa de un triángulo rectángulo sabiendo que sus catetos
miden 3 cm y 4 cm ¿qué resultado obtendremos? El modelo matemático (Teorema de Pitágoras) asegura
que la misma medirá 5 cm. Al realizar la medición con los instrumentos adecuados puede resultar que la
hipotenusa mida 5,001 cm o bien 4,996 cm. Estas diferencias no son importantes para “desconfiar” del
resultado que proporciona el modelo que es “seguro”.
Para analizar los fenómenos y experimentos aleatorios resulta útil un modelo matemático que en lugar
de proveernos de un resultado seguro, proporcione un porcentaje de “chance” de que ocurra dicho
resultado.
1
◊ Tabla A] Algunos experimentos aleatorios son
1) Se mide la duración de una lamparita, elegida al azar, y se anota el tiempo hasta que falla.
2) Se registra la cantidad de días que llueve en una determinada semana.
3) Se lanzan dos dados regulares y se observa las caras que salen.
4) Se elige al azar un punto dentro de un segmento A de longitud a.
5) En una línea de producción se controla la calidad de un artículo elegido al azar.
Todos estos ejemplos tienen en común las siguientes propiedades:
a) Se conocen todos los resultados posibles del experimento.
b) Si se realiza una sola vez el experimento no se tiene suficiente información para predecir cuál será el
resultado en una segunda realización del mismo.
c) Es posible repetir el experimento indefinidamente sin cambiar esencialmente las condiciones.
d) Si se repite el experimento n veces y se cuenta el número de veces que sale un posible resultado A (nA),
𝒏
se puede calcular el cociente 𝒏𝑨 . A este número lo llamamos frecuencia relativa con que “sale” A.
Espacio Muestral o Espacio de Resultados
Llamaremos espacio muestral (S) asociado a un experimento, al conjunto que contiene a todos los
resultados posibles de dicho experimento.
(Importante: aplicaremos contenidos de la teoría de conjuntos y propiedades de operaciones entre conjuntos- Ver apunte
complementario)
◊ Así, para cada uno de los ejemplos anteriores el espacio muestral podría ser:
1) 𝑆 = {𝑥/𝑥 𝑒𝑠 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑟𝑒𝑎𝑙 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜}
2) 𝑆 = {0,1, 2, 3, 4, 5, 6, 7}
3) 𝑆 = {(1,1), (1,2), . . . , (4,5), . . . , (6,6)}
4) 𝑆 = {𝑥/𝑥 𝑒𝑠 𝑢𝑛 𝑝𝑢𝑛𝑡𝑜 𝑑𝑒𝑙 𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑜 𝐴}
5) 𝑆 = {𝐵 , 𝐷} 𝑠𝑖𝑒𝑛𝑑𝑜 𝐵: 𝑒𝑙 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜 𝑒𝑠 𝑏𝑢𝑒𝑛𝑜; 𝐷: 𝑒𝑙 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜 𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜
Obsérvese que en los ejemplos 2, 3 y 5 el espacio muestral es finito, mientras que en los casos
presentados en 4 y 5 los conjuntos de los resultados posibles son conjuntos infinitos.
Suceso o Evento
Cualquier subconjunto del espacio muestral asociado al experimento es un suceso o evento.
Casos particulares: i) Suceso seguro: corresponde al espacio muestral
ii) Suceso imposible: corresponde al conjunto vacío
iii) Suceso elemental: subconjunto unitario del espacio muestral
Dos sucesos (de un mismo espacio muestral) son mutuamente excluyentes si y solo si no pueden
ocurrir simultáneamente. También se suelen llamar: sucesos incompatibles.
En símbolos: 𝐴 𝑦 𝐵 𝑚𝑢𝑡𝑢𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑥𝑐𝑙𝑢𝑦𝑒𝑛𝑡𝑒𝑠 ⇔ 𝐴 ∩ 𝐵 = ∅ (conjuntos disjuntos)
Lo que nos interesará en primer lugar es el cálculo de probabilidades. Es decir “otorgar” un valor
numérico (a veces expresado como un porcentaje) a la chance que ocurra un determinado suceso. Este
número que llamamos Probabilidad indica una medida de riesgo.
◊ Tabla B] Algunas probabilidades de sucesos que se pueden calcular (relacionados con los experimentos
presentados en la tabla A )
1) ¿Cuál es la probabilidad que la lamparita dure más de 200 horas?
2) ¿Cuál es la probabilidad que, en una determinada semana, llueva a lo sumo durante dos días?
3) ¿Cuál es la probabilidad que las dos caras sean iguales?
2
4) ¿Cuál es la probabilidad que pertenezca a otro segmento B de longitud b contenido en el primero?
5) ¿Cuál es la probabilidad que el artículo resulte defectuoso?
Para contestar a estas preguntas podríamos recurrir a una probabilidad subjetiva asociada al grado de
creencia que se tiene sobre la ocurrencia de un cierto suceso. Esto se haría basados en información
anterior y en mediciones y observaciones que nos llevan a concluir un resultado posible.
Pero históricamente se presentaron diferentes maneras de poder calcular estas probabilidades (ver la
reseña histórica). Presentamos en primer lugar:
Definición de Probabilidad Clásica (debida a Laplace)
La probabilidad de ocurrencia de un suceso está dada por el cociente entre el número de casos
favorables sobre el número de casos totales siempre que el “espacio muestral sea equiprobable y finito”
𝑛𝐴
En símbolos: 𝐴 ⊂ 𝑆, 𝑠𝑢𝑐𝑒𝑠𝑜 𝑑𝑒 𝑆 , 𝑃(𝐴) = , con 𝑛𝐴 = # 𝐴 y 𝑛 = # 𝑆
𝑛
Espacio muestral equiprobable: todos los sucesos elementales tienen la misma probabilidad de ocurrir.
◊ A modo de ejemplo, calculemos la segunda probabilidad pedida en la Tabla B].
El espacio muestral S (ver Tabla A]) verifica las condiciones para aplicar la definición clásica para el
cálculo solicitado. El #𝑆 = 36 (S es un conjunto finito) y este número indica todas los pares de números
que pueden resultar al lanzar los dos dados. ¿Cuáles pares nos interesan? Solo los que tienen las caras
iguales, es decir el suceso 𝐴 = {(1,1), (2,2), … , (6,6)} siendo #𝐴 = 6. Luego
#𝐴 6 1
𝑃(𝐴) = = = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒𝑙 𝑠𝑢𝑐𝑒𝑠𝑜 𝐴
#𝑆 36 6
Por otro lado podemos mencionar al Principio de la estabilidad de la frecuencia (de Von Mises) que
presenta una definición de probabilidad considerando la frecuencia relativa citada anteriormente. Se
afirma que cuando n es grande la frecuencia relativa tiende a un número, que denominamos probabilidad
del suceso 𝑨 . Para el caso de la probabilidad ya calculada se procede lanzando los dados una gran
cantidad de veces y se anotan las veces que ocurre el suceso de interés, que salgan las dos caras iguales.
¿Cuántas veces creen que esto va a ocurrir? ¿Podría ser que en 100 tiradas no ocurra nunca, 20 veces o
50 veces? Este método es “experimental” y el hecho de realizar una vez la experiencia (aunque tiremos
un gran número de veces los dados) no garantiza que al calcular la frecuencia relativa dividiendo la
cantidad de veces que ocurre el suceso de interés sobre el número total de veces que se tiraron los dados
ese número coincida con la probabilidad ya calculada 1/6. Si consideramos que el número de veces que
se repite el experimento cada vez es mayor y tiende a infinito, resultará que la frecuencia relativa también
se acerca a un número que denominamos probabilidad de ocurrencia del suceso de interés.
Hubo a principios del siglo XX un intento de usar la definición de probabilidad de Von Mises para
realizar los cálculos de probabilidades pero la teoría era muy complicada. Resultó más sencilla desarrollar
la teoría de probabilidades a partir de la definición axiomática de Kolmogórov (relacionada con la Teoría
de la Medida de Lebesgue).
Definición Axiomática de Probabilidad
Sea S el espacio muestral asociado a un experimento aleatorio. Con el objeto de presentar el concepto
de probabilidad de un suceso se consideran los siguientes axiomas:
i) La probabilidad de cualquier suceso es un número real no negativo.
∀ 𝐴 ⊂ 𝑆 ∶ 𝑃(𝐴) ≥ 0
ii) La probabilidad de ocurrencia del espacio muestral (suceso seguro) es igual a 1.
𝑃(𝑆) = 1
3
iii) La probabilidad de la unión de una cantidad finita de sucesos mutuamente excluyentes
(incompatibles de a dos) es igual a la suma de las respectivas probabilidades:
𝐴1 , 𝐴2 , … , 𝐴𝑛 sucesos mutuamente excluyentes de a dos, es decir ∀ 𝑖 ≠ 𝑗 ∶ 𝐴𝑖 ∩ 𝐴𝑗 = ∅
𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑛 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + … + 𝑃(𝐴𝑛 )
Consecuencias de los Axiomas – Propiedades
La definición presentada no proporciona un método de cálculo (o fórmula) para obtener las
probabilidades de los sucesos. Sin embargo se desprenden de los axiomas formulados varias propiedades
que sí proporcionan las herramientas para realizar dichos cálculos (incluso en situaciones en las que los
métodos anteriores no se pueden aplicar).
1) 𝑃(∅) = 0
2) 𝑃(𝐴̅) = 1 − 𝑃(𝐴) (𝑠𝑖𝑒𝑛𝑑𝑜 𝐴̅ 𝑒𝑙 𝑠𝑢𝑐𝑒𝑠𝑜 𝑐𝑜𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑑𝑒 𝐴)
3) 𝐴 ⊂ 𝐵 ⇒ 𝑃(𝐴) ≤ 𝑃(𝐵) ; 𝐸𝑛 𝑐𝑜𝑛𝑠𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎: 0 ≤ 𝑃(𝐴) ≤ 1
4) 𝑃(𝐵 − 𝐴) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
5)𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
En función de lo presentado se pide que:
a) Demuestre cada una de las propiedades enunciadas.
b) Generalice la propiedad 5 considerando 3 o más sucesos.
c) Analice la relación entre la definición clásica de probabilidad y la definición axiomática y sus
consecuencias.
Sugerencias y aclaraciones:
a) A modo de ejemplo, veamos cómo demostrar la propiedad 1:
Queremos probar que si un suceso es vacío entonces su probabilidad es 0.
Para ello consideremos que: 𝑆 = ∅ ∪ 𝑆
Entonces:
𝑃(𝑆) = 𝑃(∅ ∪ 𝑆)
𝑃(𝑆) = 𝑃(∅) + 𝑃(𝑆) 𝑝𝑜𝑟 𝑎𝑥𝑖𝑜𝑚𝑎 𝑖𝑖𝑖
Luego 𝑃(∅) = 0
Una sugerencia para demostrar la segunda propiedad consiste en recordar que 𝑆 = 𝐴 ∪ 𝐴̅, siendo 𝐴 y
̅
𝐴 sucesos mutuamente excluyentes.
Como consecuencia de la propiedad enunciada en tercer lugar, se presenta una relación que algunos
autores incluyen en la definición como el primer axioma. Se afirma que la probabilidad de ocurrencia de
un suceso es un número real entre 0 y 1, inclusive.
Para demostrar la propiedad 5 existen distintos caminos. Uno puede ser utilizando la propiedad 4
(siempre que ya esté demostrada dicha propiedad). Puede resultar muy útil representar la situación en
un diagrama de Venn y tener presentes los axiomas que se pueden aplicar (el axioma iii, principalmente).
4
b) La generalización para el caso de 3 sucesos se refiere a obtener una fórmula que permita calcular la
probabilidad de la unión de dichos sucesos en función de la probabilidad de ocurrencia de cada uno de
ellos. También quedará expresado en función de las probabilidades de la “intersección” de a pares y de la
probabilidad de la intersección de los 3 sucesos. La sugerencia es aplicar la propiedad 5 (seguramente más
de una vez) y operar con los “conjuntos”.