Está en la página 1de 45

1

Vale la pena jugar? Un


paseo por la
combinatoria y las
probabilidades
elementales

Fran Tamayo Ordez


2 Bachillerato
Tutora: Carme Vidal
2014-2015
Trabajo de investigacin

NDICE
1. INTRODUCCIN

2. HISTORIA DE LA PROBABILIDAD
2.1. Los primeros juegos de azar
2.1.1 Las Tabas
2.1.2 Los Dados
2.2. Precursores de la teora de la probabilidad
2.2.1 Luca Paciolli
2.2.2 Girolamo Cardano
2.2.3 Niccolo Tartaglia
2.2.4 Galileo Galilei
2.3. Nacimiento de la teora de la probabilidad
2.3.1. Blaise Pascal y Pierre de Fermat
2.3.2. Christiaan Huygens
2.4. Desarrollo de la teora de la probabilidad
2.4.1. Primeras investigaciones en demografa
2.4.2. Primeras definiciones de la probabilidad
2.4.3. Formalizacin de teoremas bsicos de la probabilidad
2.4.3.1. Teorema de la suma.
2.4.3.2. Teorema de la multiplicacin.
2.4.3.3. Teorema de Bayes.
2.4.4. Los teoremas del lmite
2.4.4.1. La Ley de los Grandes Nmeros.
2.4.4.2. Teorema Central del Lmite.
2.4.5. El problema de la ruina del jugador
2.4.6. La paradoja de San Petersburgo
2.5. La probabilidad moderna
2.5.1. La teora de la medida de errores
2.5.2. La formacin del concepto de variable aleatoria
2.5.3. Interpretaciones y aplicaciones de la probabilidad

3-El azar y la probabilidad


3.1. Relacin con otros mbitos matemticos
3.1.1. Probabilidad, estadstica i combinatoria
3.1.1.1. Estadstica.

3.1.1.2. Combinatoria.
3.2. Aproximacin al concepto de probabilidad
3.2.1. Introduccin
3.2.2. Definiciones diversas
3.2.2.1. Definicin del Diccionario de la lengua castellana.
3.2.2.2. Definicin clsica de probabilidad
3.2.2.3. Definicin de Laplace.
3.2.2.4. Definicin axiomtica de probabilidad

3.3. Elementos de la probabilidad


3.3.1. Conceptos bsicos
3.3.1.1. Tipo de experimentos
3.3.2. El lenguaje de los sucesos
3.3.2.1. Introduccin a los conceptos
3.3.2.2. Tipo de suceso
3.3.2.3. Relacin entre sucesos
3.3.2.4. Operaciones con sucesos
3.3.2.5. Propiedades de la unin e interseccin de sucesos
3.4. Probabilidad de sucesos
3.4.1. Frecuencias y propiedades
3.4.1.1. Frecuencia absoluta
3.4.1.2. Frecuencia relativa.
3.4.2. Probabilidad de un suceso
3.4.2.1. Probabilidad de sucesos equiprobables
3.4.2.2. Propiedades de la probabilidad
3.5. Introduccin a la probabilidad condicionada

4-Introduccin al experimento aleatorio


4.1. Bases de los experimentos aleatorios
4.1.1. Introduccin
4.1.2. La fsica de los experimentos aleatorios
4.1.2.1. Factores

4.2. Un juego de azar clsico


4.2.1. Introduccin
4.2.2. Material, hiptesis, objetivos y pautas de trabajo
4.2.2.1. Material utilizado para el experimento aleatorio
4.2.2.2. Objetivo de la experiencia
4.2.2.3. Propuesta de Hiptesis
4.2.2.4. Pautas de trabajo
4.2.4. Lanzamientos de los dados y recopilacin de datos
4.2.4.1. El dado cotidiano o de juego de mesa
4.2.4.2. El dado de casino
4.2.4.3. El dado electrnico
4.2.5. Conclusin del experimento

5- Referencias

Pla de Treball: Treball de Recerca


Introducci

Val la pena jugar? Un passeig per la combinatria i les


probabilitats elementals

Objectius

-Definici probabilitat
- Historia (estudis, teories, etc)
- Com calcular probabilitats
-Probabilitats de guanyar en cada joc datzar (poker, BJ,
ruleta,etc)
-Fer la conclusi de si val la pena o no jugar en els diferents

Motivaci
personal
ndex

Fonts
dinformaci

Metodologi
a

Planificaci

jocs.
Com hi ha un munt de gent que juga en aquests jocs i es deixa
els diners, magradaria veure si hi ha una nfima possibilitat de
guanyar en aquests jocs amb lajuda de les mates.
-Definici probabilitat
-Historia
-Diferents teories, estudis
-Com calcular probabilitats
-Estudi que he fet amb cada joc
-Conclusions
-Llibre: Slanskys Theory of Poker
-http://estudiosestadisticos.ucm.es/data/cont/docs/12-201302-06-CT01_2011.pdf
La meva manera daprendre i de fer aquest treball ser amb
lajuda duna amiga meva que es a la universitat i
sespecialitza en aix, amb estudis ja fets, llibres i informaci
que trobi via Internet.
1Quinzena
2Quinzena
Maig
Buscar
Preparaci del pla de
informaci del
treball
tema
Juny
Estudiar i
Estudiar i aprendre
aprendre clcul
ms a fons sobre el
de probabilitats
clcul de probabilitats
bsic
Juliol
Introduir
Extreure les dades
aquests
obtingudes, fer un
coneixements
estudi i una conclusi
als jocs datzar
Agost
Comenar el
Continuar amb el
treball escrit
treball escrit
Setembre

Acabar el treball
escrit

Octubre

Ensenyar-li el
treball a la
meva amiga i
em doni uns
consells per
millorar el
treball escrit i
fer lexposici
oral
Acabar la
presentaci

Novembre

Desembre

Aprendre el que

Revisar treball escrit,


veure i ficar el que
mhagi oblidat
Comenar a fer la
presentaci

Fer la presentaci
entendible per a tots
els pblics
Revisar per ltima

tot el que he de
dir en la
exposici oral i
fer-me un
guionet

vegada el treball (escrit


i presentaci), fer els
ltims retocs

Nada sucede por casualidad, en el

fondo las cosas tienen su plan


secreto, aunque nosotros no lo
entendamos
Carlos Ruiz Zafn
0. Abstract
ste trabajo de investigacin contiene algunas partes ms simples y otras ms
complejas. Principalmente, lo que esperaba de mi trabajo era, en primer lugar,
informarme sobre la rama de las matemticas que estudia el azar y la
probabilidad. As, como si de una materia ms se tratara, empec a buscar
informacin que yo (con mi nivel de matemticas) pudiera descifrar. Qu
cientficos se interesaron por la materia en sus inicios, qu otros ayudaron a
hacerla crecer, cules la formalizaron y finalmente cul es la parte que nosotros
conocemos y aplicamos.
Por otro lado, me propuse de hacer una parte prctica, que me permitiera
aplicar muchos de los conceptos que ira aprendiendo a nivel terico.
Aquest treball de recerca cont algunes parts ms simples i altres ms
complexes. Principalment, el que esperava del meu treball era, en primer lloc,
informar-me sobre la branca de les matemtiques que estudia l'atzar i la
probabilitat. Aix, com si d'una matria ms es tracts, vaig comenar a buscar
informaci que jo (amb el meu nivell de matemtiques) pogus desxifrar. Quins
cientfics es van interessar per la matria en els seus inicis, quins uns altres
van ajudar a fer-la crixer, quins la van formalitzar i finalment quin s la part
que nosaltres coneixem i apliquem.
D'altra banda, em vaig proposar de fer una part prctica, que em permets
aplicar molts dels conceptes que aniria aprenent a nivell teric.
This research paper contains some simpler parts and more complex ones.
Mainly, that my work was expected, in the first place, inform me about the
branch of mathematics that studies the chance and probability. As if it were one
matter more, I started to look for information that I (with my level of
mathematics) could decrypt. What scientists were interested in the matter in the
beginning, which helped make it grow, which formalized it and finally what is the

part that we know and apply. On the other hand, I decided to do a practical part,
which would allow me to apply many of the concepts that would be learning at
the theoretical level.

1. Introduccin
Lo primero que hice fue estructurar mi trabajo de investigacin en tres bloques
o partes, como se prefiera. Los dos primeros bloques, contendran informacin
ms bien terica, en cambio el ltimo abrazara las prcticas que yo quera
llevar a cabo. Decid afrontar el conjunto del trabajo desde tres puntos de vista
muy diferentes, correspondientes a cada uno de los bloques. Por un lado
plante la historia de la probabilidad. En un segundo bloque, expuse algunos
de los conceptos bsicos de la teora de la probabilidad actual. Y el ltimo
quise dedicarlo a la prctica.

2. Historia de la probabilidad
Los historiadores estn en completo desacuerdo sobre cul fue el inicio de la
teora de la probabilidad, algunos creen que fueron Luca Pacioli, Tartaglia y
Cardano, pero ellos no definieron la teora de la probabilidad solo resolvieron
problemas de juegos de azar que luego dieron lugar a ella. La idea
comnmente aceptada es que la teora de la probabilidad fue creada en el siglo
XVII por Blaise Pascal y Pierre Fermat.

2.1. Los primeros juegos de azar


Desde tiempos inmemorables el hombre ha jugado con la probabilidad para
divertirse o incluso para ganar dinero. En este apartado del trabajo hablaremos
de los primeros juegos de azar. Eran tan perfectos como ahora o tenan sus
trucos?

2.1.1. Las tabas


Las tabas son huesos del taln de algunos animales llamados astrgalos. La
taba se empez a jugar en la poca de los antiguos egipcios pero de lo que se
conserva ms informacin es desde la civilizacin Griega (500 a.C.).

Nombre con el cual se denominaba a cada una de las caras del hueso
En sus inicios en la poca griega la taba se usaba como un mtodo
adivinatorio, al cual le pusieron el nombre de astragalomancia. Se usaba para
prever el tiempo y tambin en algunos rituales de carcter religioso.
Los romanos tambin jugaban a las tabas, las llamaban alea. Los nios
romanos se divertan con el juego pero los adultos, a diferencia de los griegos,
la usaban para apostar.
El juego de la taba tiene muchas modalidades, de las cuales se distinguen las
que son de habilidad y las que son de azar. La modalidad de habilidad consista
en lanzar una taba al aire y antes de tocar el suelo se deban colocar otras
cuatro en sus distintas posiciones, tal como se ve en la imagen (imagen 1).

Una de las modalidades que son de azar consiste en tirar la taba varias veces y
ganaba quien sumaba la puntuacin ms alta. Como se puede apreciar en la
imagen (imagen 1), el hueso de la taba tiene 4 caras desiguales, a las que se
daba puntaciones de: 1, 3, 4, 6.

2.1.2. Los dados


Existen varias teoras acerca del origen de los dados pero la ms antigua nos
remonta hasta Egipto 2.600 aos antes de Cristo. Los dados de aquella poca
no eran muy perfectos ya que los instrumentos que utilizaban para hacerlos
eran muy rudimentarios y eso haca que las probabilidades que salieran
algunos nmeros eran ms altas que otros.
Otra teora acerca del origen de los dados nos dice que el juego proviene de
las Cruzadas del siglo XII. Tropas inglesas asediaban el castillo llamado Hazart,
este nombre es el que pusieron al pasatiempo de los dados.
En cualquier caso el juego de los dados ya se haba extendido por toda Europa
durante el siglo XVII, y se podan encontrar jugadores en cada taberna y
posada de todo el continente. Desde aqu paso a Amrica y all se le dio el
nombre de craps.
En el siglo XIX se produjo un cambio en la dinmica del juego de los dados.
John H. Winn invento el juego tal como lo conocemos actualmente y cre el
tapete donde se introduciran las apuestas, el conocido dibujo de
Philadelphia.
En el siglo XX, durante la Primera Guerra Mundial se podan encontrar
soldados de los dos bandos jugando a los dados. De aqu le viene la fama de
que se poda jugar a los dados prcticamente en cualquier sitio.

10

2.2. Precursores de la teora de la probabilidad


Uno de los primeros precursores de la probabilidad fue Richard de
Fournival (1200-1250), filsofo y trovador francs que escribi el libro De

Vetula. Donde postula sin demostrar empricamente que el nmero de


combinaciones posibles que se crean al lanzar tres dados son 216.
Actualmente esto con un ordenador se puede hacer fcilmente pero en aquella
poca no era nada trivial, otros matemticos fallaron al calcularlo por no tener
en cuenta las distintas permutaciones de un mismo nmero.

2.2.1. Luca Pacioli

Donde no hay orden hay caos

Luca Pacioli
El segundo precursor que cabe destacar es Luca Pacioli (14451517), fue
un fraile franciscano que en 1487 abordo uno de los problemas ms
importantes del reparto de las apuestas, es decir, la distribucin de las
ganancias a los jugadores cuando la partida se interrumpa antes de terminar.
Para ello propuso un problema en particular:
Un juego de pelota en el cual se necesitan 60 puntos para ganar. El premio a
repartir
es de 22 ducados. Por algn motivo el juego se interrumpe y un jugador se queda
con 50 puntos y el otro con 30. Que particin del premio le pertenece a cada uno?

La solucin de Pacioli usa lo siguientes clculos 5/11 + 3/11 = 8/11


8/11, equivale a 22 ducados, por lo tanto al bando que va ganando le
corresponden 5/11 de 22 ducados y al bando que va perdiendo le
corresponden 3/11 de 22 ducados. Ms tarde por parte de Girolamo Cardano
y Niccolo Tartaglia se vio que la solucin dada por Pacioli era errnea porque
no era equitativa y estaba mal calculada.

2.2.2. Girolamo Cardano

11

A muchos perjudica la carencia de medios, como me ocurri a mi cuando en

mi pobreza me vi obligado a ensenar matemticas. No ignoraba, en efecto,


cuanto prestigio perda yo por eso en el terreno de la medicina
Girolamo Cardano
Girolamo Cardano (1501-1576) escribi el libro Liber de ludo aleae (libro

de los juegos de azar) publicado pstumamente en 1663 aunque se cree que


l lo escribi en 1526. En este libro Cardano define esta expresin:

rn/tn-r
Para medir la probabilidad de ganar un juego.
t son los casos iguales posibles
r son los casos favorables
n son las veces en que se repite un juego
Cardano, al igual que Pacioli, tambin se ocupo del problema del reparto de
apuestas y llego a la conclusin que Pacioli estaba equivocado.
Girolamo afirmo que Pacioli estaba equivocado porque solo contaba el nmero
de juegos ganados por los dos participantes y no contaba el nmero de juegos
que tenan que ganar. La solucin que propuso fue esta:
Parte de equipo 1 / Parte de equipo 2 = 1+2+...+(n-b) / 1+2+...+(n-a)

n es el nmero total de puntos a jugar.


a y b son los puntos ganados por el equipo 1 y el equipo 2 respectivamente.
Esta expresin da la proporcin correcta para el caso particular expuesto por
Pacioli, no para todos los casos en general.

2.2.3. Niccolo Tartaglia

12

Niccolo Tartaglia (1499-1557) critic la solucin dada por Pacioli poniendo


el ejemplo que si un jugador haba conseguido 10 puntos y el otro 0, utilizando
el mtodo de Pacioli el premio le correspondera totalmente al primer jugador
descartando toda posibilidad de remontada al segundo jugador. Como eso no
tena ningn sentido, Tartaglia propuso que al jugador que vaya ganando, se le
tena que dar su apuesta ms la parte proporcional que le tocaba por los
puntos que haba conseguido, el resto le tocaba al otro jugador.
Esta es la expresin que us
(P/2)P((a-b) / n)

P es el premio total
a son los puntos del jugador que va ganando
b puntos del jugador que va perdiendo
n puntos necesarios para ganar
Segn si el jugador va ganando o va perdiendo
La idea de Tartaglia se ve claro con el ejemplo de Pacioli:
(P/2)P ((a-b) / n) = (22/2)22((50-30) / 60) = 18,33 / 3,66
Por lo tanto el jugador A recibe 18,33 ducados y el jugador B recibe 3,66.
Tartaglia se basaba en la ventaja que ejerca un jugador frente al otro en el
momento en que se interrumpa un juego. Tartaglia no quedo muy convencido
de su solucin y dej claro que desde el punto de vista matemtico la solucin
no era exacta porque las soluciones podan dar resultados con decimales
peridicos, pero para repartir equitativamente las apuestas, era buena.

13

2.2.4. Galileo Galilei

Galileo Galilei (1564-1642) fue uno de los principales cientficos del siglo XVII,
de hecho se lo considera uno de los padres de la fsica y la astronoma
modernas, teniendo en cuenta las grandes aportaciones que hizo en estos
campos cientficos como tambin en las matemticas.
Galileo tambin se ocup de encontrar soluciones coherentes en los problemas
propuestos por sus precursores respecto al reparto de apuestas y las
querencias de dados. As, en uno de sus libros titulado Sobre las
puntuaciones en lanzamiento de dados, Galileo aborda, por ejemplo, como
calcular el nmero de resultados posibles al lanzar tres dados. A pesar de ya
era conocido el resultado (216 resultados diferentes), Galilei fue el primero al
llegar al resultado con el simple clculo de 63=216. Tambin propuso maneras
diversas de saber qu combinaciones de dados eran ms probables y cuntas
formas diferentes de adquirirlas existan.
No obstante, la aportacin ms importante de Galileo Galilei a la
fundamentacin de las primeras teoras probabilsticas fue el que l mismo
denomin la teora de la medida de errores.
Galileo postul que los errores de medida sueo inevitables y clasific estos
errores en dos tipos: los errores sistemticos (fruto de la imprecisin del
mtodo o los enseres de medida) y los errores aleatorios. Esta clasificacin, de
hecho, sigue vigente en la actualidad. Tambin observ que los errores
pequeos son ms probables que los grandes y que la mayora de las medidas
dan valores cercanos a la certeza.

14

Con estos y otros muchos estudios, Galileo contribuy a las primeras teoras de
la probabilidad, y tambin fij los pilares de la estadstica moderna.

2.3- Nacimiento de la teora de la probabilidad


2.3.1. Blaise Pascal y Pierre de Fermat

La primera teora de la probabilidad surgi como fruto de la compenetracin de


dos intelectuales franceses del siglo XVII: Blaise Pascal (16231662) y Pierre
de Fermat (1601-1665). Estos encontraron, de forma independiente y paralela,
respuestas matemticas por varios problemas que se los plante.
El ao 1654, ambos cientficos mantuvieron correspondencia, proponindose
mutuamente innovadoras formas de abordar los problemas, nuevos mtodos
que se fueron reafirmando a medida que los intelectuales los pusieron en
prctica y verificar paralelamente.
El gran adelanto se dio cuando B.Pascal y P.de Fermat consiguieron sacar el
intrngulis de algunas incgnitas que los propuso Antoine Gombaud, Ca-valler
de Mr, sobre el reparto de apuestas. Los dos lograron conclusiones
correctas por separado, y el acierto de ambos cientficos fue darse cuenta que
el reparto de las ganancias se tena que hacer en funcin de la probabilidad de
ganar de cada jugador en el momento de la interrupcin. A pesar de que esto
ahora pueda parecer una cuestin trivial, en aquellos tiempos no lo era, y tan
un cientfico como el otro tuvieron que servirse de procedimientos matemticos
complejas para encontrar soluciones coherentes en el problema. De hecho, fue
tan concreto el mtodo que encontraron, que Pascal, por ejemplo, no supo
resolver el mismo problema cuando se le plante con tres o ms jugadores.
Dejando de lado el que Pascal y Fermat no llegaron a plantear correctamente,
estos cientficos hicieron aportaciones de gran importancia a los campos
matemticos de la combinatoria, la estadstica, y sobre todo a la rama que se

15

fue asentando con el nombre de probabilidad y azar. Los dos intelectuales


iniciaron sus estudios a partir de problemas cotidianos aparentemente
sencillos. A pesar de que las conclusiones que formularon fueron complejas (y
tambin bastante acertadas desde el punto de vista actual), los dos cientficos
escribieron obras y tratados de cariz concreto, sin hacer publicaciones
genricas de los completos estudios que haban llevado a cabo con eficacia.

Veamos como ejemplo el ltimo de los problemas histricos que propuso Mer y que
resolvieron Pascal y Fermat: El juego consista al lanzar 24 veces un par de dados y
el problema era decidir si se el mismo apostar a favor o en contra de la aparicin de al
menos un seis doble.
Solucin:
A= {No sacar un seis doble en una querencia de dos dados}, P(A)=35/36
P(A y A y A24 veces.y A)= (35/36)24
Este nmero equivale a 05086 y por lo tanto la probabilidad del suceso contrario
es 1- P(A y A y A.......24 veces.y A)= 1- 05086 = 0491.

16

2.3.2. Christiaan Huygens

A diferencia de Pascal y Fermat, Christiaan Huygens (1629-1695) si dej por


escrito parto de sus deducciones en relacin con la probabilidad y el azar.
El intelectual holands bas sus deducciones en los estudios previos de Pascal
y Fermat, dando as cierta continuidad y evolucin a las teoras tan relevantes
de estos dos predecesores.
Pascal y Fermat haban empezado a dar a conocer y a poner en prctica estas
soluciones relativas a los juegos de azar de la poca, hecho que incit a
Huygens (de forma indirecta, en un viaje que este realiz en Pars y que lo
puso en contacto con cientficos que trataban cuestiones de azar propuestas
por B.Pascal y P.de Fermat.) a iniciar un exhaustivo estudio en cuanto a la
resolucin de los problemas en juegos de azar. Este estudio, que dej por
escrito en su obra Sobre los razonamientos relativos a los juegos de dados,
introduce por primera vez el concepto de esperanza matemtica para variables
aleatorias que toman dos o tres valores.
Junto con esta aportacin fundamental, Huygens tambin propuso formas de
resolucin para los problemas iniciados por Pascal y Fermat, pero adems el
holands llev los casos a situaciones todava ms complejas (introduciendo
un hipottico tercer jugador en el juego, etc), aportando no tan slo una
solucin a los problemas tratados, sino tambin una metodologa capaz de dar
soluciones precisas para gran parte de los problemas de azar propuestos hasta
entonces.

17

2.4. Evolucin de la teora de la probabilidad


2.4.1. Primeras investigaciones en demografa
Hacia mediados del siglo XVII, surgen los primeros intelectuales que dejan de
banda la insignia de los estudios probabilsticos de la poca: los juegos de
azar, para centrarse en el que empez para denominarse poltica aritmtica y
que actualmente conocemos como problemas sobre demografa.
El primero estudioso que se centr en la demografa y en los problemas de
probabilidad y azar que se derivan de este mbito fue el comerciante ingls
John Graunt (1620-1675), que centr sus estudios a encontrar un mtodo
preciso para estimar la media de edad de los habitantes de Londres mediante
la edad de defuncin. Con esto introdujo el concepto de frecuencia de un
suceso, remarcando el grado de aleatoriedad presente en las proporciones
obtenidas. Tambin trat otros problemas de demografa, como el de encontrar
la relacin entre la natalidad masculina y la femenina de Londres (que result
ser 14:13, respectivamente).
Aun as, la aportacin ms relevante del britnico fue una observacin muy
concreta: cuantas ms observaciones haca ms precisos eran los resultados,
anticipando as el principio matemtico de la estabilidad de las medias.

2.4.2. Primeras definiciones de la probabilidad


Podemos decir que las definiciones iniciales de la probabilidad surgieron
cuando se fueron dejando de banda los casos particulares para empezar la
investigacin de teoras generales e inmutables.
En este proceso, que ya inici Christiaan Huygens en el transcurso de su
carrera, se encontraron las primeras definiciones de probabilidad. El primero a
dar una definicin formal del concepto fue el suizo Jakob Bernoulli (1654
1705), que en su libro El Arte de la conjetura , donde explic en trminos
ms o menos modernos la definicin de probabilidad que consigui.
Unos aos ms tarde, el francs Abraham De Moivre acept la definicin de su
predecesor y la reformul diciendo algo as: (Probabilidad): Una fraccin en la
que el numerador es igual al nmero de apariciones del suceso y el
denominador es igual al nmero total de casos en los cuales lo dicho suceso
pueda y no ocurrir. Esta fraccin expresa la probabilidad que el suceso ocurra.
Otra gran aportacin de Bernoulli fue que dedujo la forma de encontrar la
probabilidad de un suceso a pesar de la imposibilidad de contar los casos
favorables. Para hacerlo el francs se bas en el recuento de resultados que le
eran favorables fachada a los que le eran adversos a posteriori (es decir,
despus de que el suceso hubiera tenido lugar). De este modo introdujo el
concepto de probabilidad frecuentista o estadstica.

18

John Graunt

Abraham de Moivre

Jakob Bernoulli

2.4.3. Formalizacin de teoremas bsicos de la probabilidad


Durante primer cuarto del siglo XVIII se propusieron, desarrollaron y
formalizaron el que actualmente se denominan los teoremas de la probabilidad
clsica. Estos teoremas, que principalmente son tres (y los postulados que se
derivan), fueron propuestos por varios autores de este siglo.
A pesar de esto ni Pascal ni Fermat ni Huygens fueron capaces de idear estos
teoremas, s es cierto que los teoremas aparecen de forma implcita en las
resoluciones de estos autores y utilizados de forma correcta.
Los tres principios fundamentales, son los siguientes:
- 2.4.3.1. Teorema de la suma. El teorema de la suma fue correctamente
aplicado por Pascal y tambin Bernoulli lo desarroll sin encontrar respuesta en
las paradojas que surgan de su aplicacin. Fue finalmente Thomas *Bayes
(1702-1761) quin formul el teorema de la suma de probabilidades y tambin
quin enunci la frmula que actualmente sigue vigente.
- 2.4.3.2. Teorema de la multiplicacin. Al igual que el teorema anterior, la
multiplicacin de probabilidades era ya conocida por casi todos los cientficos
anteriores, a travs de resultados concretos. No obstante, fue Abraham De
Moivre el primero que lo postul rigurosamente.
As, en la suya obra Doctrina de las probabilidades el autor introdujo y
escribir de esta forma la definicin de sucesos independientes: Diremos que
dos sucesos son independientes si uno de estos no tiene ningn tipo de
relacin con el otro, y tambin la de sucesos
dependientes: Dos sucesos son dependientes si la probabilidad de ocurrir de
uno de ellos influye en la probabilidad de ocurrir del otro.
Con esta deduccin, que ms tarde se enunciara en trminos matemticos y
que sera empleada en muchos problemas y ejemplos del autor, De Moivre
asent una relacin matemtica entre los diversos sucesos (dependientes o

19

independientes), el que actualmente se conoce como teorema de la


multiplicacin.
- 2.4.3.3. Teorema de Bayes. Los fundamentos que propuso De Moivre
obtuvieron una gran difusin, hecho que indujo a otros cientficos a ampliar
algunos de los teoremas que este y otros intelectuales haban ido
desarrollando. Bayes, alumno de De Moivre, expres la probabilidad
condicional en funcin de la probabilidad de la interseccin. De todos modos, el
honor del teorema que trae su nombre no es nicamente suyo, puesto que fue
Pierre-Simon Laplace (1749- 827) quin desarroll gran parte del teorema en
su Experiencia con la filosofa de la teora de la probabilidad.
Laplace aplic el teorema a problemas de mecnica celeste, la estadstica
mdica y, incluso, a la jurisprudencia. Al igual que los otros dos teoremas, el
Teorema de Bayes ya era usado anteriormente, aunque nunca antes haba sido
formulado.

Thomas Bayes

Pierre-Simon Laplace

2.4.4. Los teoremas del lmite


- 2.4.4.1. La Ley de los Grandes Nmeros. Jakob Bernoulli era consciente
que las frecuencias observadas se iban acercando a la probabilidad real de
un suceso a medida que aumentaba el nmero de repeticiones del
experimento. Aun as, Bernoulli quera encontrar una prueba cientfica que
corroborara que se poda aumentar la precisin de un clculo probabilstico
aumentando el nmero de observaciones.
Tambin busc la prueba que le permitiera calcular explcitamente cuntas
observaciones (o repeticiones) eran necesarias para garantizar unos valores
dentro del intervalo aproximado de la solucin verdadera. El experimento, que
consiste a repetir una prueba (con una probabilidad de xito fija) un gran
nmero a veces, recibi el nombre de Experimento de Bernoulli.
Bernoulli aport tambin una gran observacin que deriv en conceptos
trascendentales para el estudio de la probabilidad. Esta observacin fue la de
darse cuenta que dentro de la vida real, la certeza absoluta (probabilidad=1) se
casi inabarcable y la imposibilidad total (probabilidad=0) casi inexistente. As,
Bernoulli deriva estos dos polos opuestos a nuevos conceptos ms prcticos
por el que hace los clculos: la certeza absoluta es denominada certeza moral
(correspondiente a una probabilidad > 0999) y las probabilidades < 0111

20

reflejan resultados moralmente imposibles.


De hecho, fue para determinar la certeza moral de un suceso que Bernoulli
formul la Ley de los Grandes Nmeros. Para hacerlo, se propuso un
experimento cmo este:
Teniendo una urna con 30000 bolas blancas y 20000 de negras y, sin saber
cuntas bolas de cada hay a la urna, se quiere saber la proporcin entre
ambos
tipo de bolas, sacndolas una a una, anotando el resultado y
reintroducindolas a la urna.
Bernoulli obtuvo que eran necesarias 25.550 observaciones para determinar la
proporcin moralmente cierta. La intuicin le deca que no hacan falta tantas
de observaciones, y decidi no publicar sus conclusiones en su libro.
Fue su sobrino, Nicklaus Bernoulli (1687-1759), que aplic los mismos
parmetros pero con datos de 14.000 nacimientos de nios y nias llegando a
la inesperada conclusin que la proporcin total se decantaba hacia los nios
en 18:17.
Esta conclusin fue confirmada aos ms tarde por Laplace.
- 2.4.4.2. Teorema Central del Lmite. Este teorema surgi fruto del anterior, y
las diversas conclusiones matemticas que se lograron fueron gracias a la
complementacin mutua de varios cientficos, entre los que destacan Bernoulli,
que asent las bases de los Grandes Nmeros y propuso ejemplos diversos
que resolvi de forma imprecisa; De Moivre, que fue capaz de encontrar una
expresin matemtica compleja que respondiera de forma fiable algunos
enigmas de Bernoulli (pero que dej de banda valores que le eran
desconocidos); y finalmente James Stirling (16921770) que descifr algunos
de los trminos que encara no se haban introducido coherentemente en el
lenguaje matemtico y los emple satisfactoriamente.

James Stirling

21

2.4.5. El problema de la ruina del jugador


El problema de la ruina del jugador tuvo un papel crucial en el desarrollo de la
teora de la probabilidad, pues era extraordinariamente complicado para la
poca y exigi en su momento la creacin nuevos mtodos para resolverlo.
Fue propuesto por primera vez por Huygens en su libro y consta del siguiente
enunciado:
Los jugadores A y B tienen a y b francos, respectivamente. Despus de cada
juego, el ganador toma un franco al perdedor. La probabilidad de ganar de A se
p y la de B se q = 1-p. Cul es la probabilidad pa que el jugador A arruine
totalmente al jugador B?
Pues bien, este problema, de apariencia sencilla, llam enormemente la
atencin y propici enseguida que la mayora de cientficos clebres de la
poca se implicaran. Fue el caso de Jakob y Niklaus Bernoulli, De Moivre y
Laplace. Los resultados obtenidos por estos matemticos demostraron que
eran capaces de afrontar problemas de sucesos muy complicados y que
manejaban hbilmente los teoremas de la suma, la multiplicacin y la
probabilidad total, incluso antes de ser formulados.
La solucin matemtica la encontraron De Moivre y Bernoulli
independientemente, y era la siguiente:

22

2.4.6. La paradoja de San Petersburgo


Una vez asentadas las bases del concepto probabilstico de la esperanza
matemtica, la idea general de la poca era que la manera ms razonable de
tomar una decisin (siempre y cuando involucrara probabilidades) era optar por
aquella que tuviera mayor esperanza.
Esta postura qued desacreditada cuando en 1713 Nicklaus Bernoulli
propuso el siguiente juego:
El jugador A tira una moneda. Si sale la primera cara a la primera querencia,
paga 2 ducados al jugador B, si sale la primera cara a la segunda querencia 4
ducados, y as si la primera cara sale a la ensima querencia paga 2n
ducados. Cunto pagara el jugador B a la A para jugar a este juego?
Calculando la esperanza matemtica, los ingresos de B seran infinitos. No
obstante, la probabilidad de ganar (o no ganar) 2 ducados es de 1 a 1, en
cambio, la de ganar 10 es de 1 fachada 7.
Este ejemplo fue conocido como paradoja de San Petersburgo, para ser esta la
ciudad donde discutieron la cuestin Nicklaus Bernoulli y su hermano Daniel
Bernoulli (1700-1782), que puso de manifiesto que la opcin ms razonable no
es siempre la solucin matemtica ms correcta. Tambin con esta paradoja se
introdujo el concepto de esperanza moral diferencindolo del ya empleado
esperanza matemtica.

23

2.5. La probabilidad moderna


2.5.1. La teora de la medida de errores
La teora de la medida de errores fue iniciada por Galileo Galilei y continuada
por otros muchos cientficos, en gran parte astrnomos, como, por ejemplo,
Ticho Brahe (15461601), que encontr que cada medida tiene un posible error
y que la precisin de la medida puede aumentar si se realizan varias
acotaciones y se calcula la media aritmtica. Los primeros intentos de construir
la teora de medida de errores aparecieron de la mano de cientficos como R.
Cotes (16821716), T. Simpson (17101761) y Daniel Bernoulli. Estos autores
mantuvieron ciertas discordancias sobre la clasificacin de los errores, la
frecuencia y la probabilidad con que ocurren o tienen tendencia a ocurrir, etc.
Hay que decir que en esta poca la compenetracin de los autores en relacin
a los temas probabilsticos era mucho ms grande que en los inicios, y los
estudios cada vez progresaban con mayor rapidez. El inters para resolver las
cuestiones sobre la probabilidad era colectivo, y es prueba el nmero de
cientficos que estudiaron los asuntos de la poca:
P. Chebyshev (18211894), A. Markov (18561922), A. Cauchy (17891857),
Simeon Poisson (17811840), K. Gauss (17771855) y A. Legendre (1752
1833).
De este modo, gracias a Bernoulli, se introdujo en la teora de la probabilidad la
ley de los Grandes Nmeros, uno de los conceptos ms importantes en el
clculo de probabilidades, muestreos, etc y con amplias aplicaciones en
muchos campos de la estadstica y de las matemticas y la ciencia en general.
Esta ley, adems, ir siendo objete de conversaciones entre matemticos en
los siglos siguientes, estando sujeta a constantes estudios, mejoras y
ampliaciones hasta prcticamente nuestros das.

A. Markov

A. Legendre

S. Poisson

24

P. Chebyshev

T. Brahe

T. Simpson

2.5.2. La formacin del concepto de variable aleatoria


Es frecuente que en la investigacin cientfica, en estos casos matemticos,
surjan nuevos conceptos de forma espontnea, y muy a menudo esto ocurre
antes de que estos mismos conceptos puedan ser comprendidos. Esto pas
con el concepto de variable aleatoria, uno de los pilares fundamentales de la
probabilidad moderna. De hecho, este concepto apareca encubierto en gran
parte de los estudios anteriores (Como los de Huygens, que incluy variables
aleatorias inconscientemente en sus estudios o Galileo, que ya habl en su
tiempo de errores aleatorios).
Los primeros pasos para definir las variables aleatorias, pero, los feudo
Poisson el 1832. En su libro Sobre la probabilidad de los resultados
promedios de observaciones, no utiliz el trmino de variable aleatoria pero si
habl de algo que no se puede entender como un conjunto y de sus
correspondientes probabilidades.
La palabra variable fue utilizada por primera vez por Chebyshev, quien asumi
implcitamente que todas las variables aleatorias eran independientes y fue A.
Liapunov (18571918) el primero al usar sistemticamente el trmino variable
aleatoria y especific que seran independientes cuando fuera necesario.

A. Liapunov

25

2.5.3. Interpretaciones y aplicaciones de la probabilidad


A partir de medios del siglo XIX, la evolucin de las teoras probabilsticas ha
sido ms progresiva y gradual. Un golpe establecidos firmemente los pilares
que fundamentan las estructuras de la probabilidad (elementos matemticos,
interrelacin de conceptos, variables...) la probabilidad han ido derivando hacia
vertientes ms prcticas.
As como desde los inicios, las preocupaciones fueron las de buscar extremos
como la posibilidad y la imposibilidad, la certeza y la mentira, el asequible y el
inabarcable, la teora y la prctica, la ciencia y la moral; gran parte de los
estudios del ltimo siglo y medio han destinado sus esfuerzos a las maneras
como se puede interpretar la probabilidad de forma til (interpretacin
axiomtica, subjetiva, geomtrica...) o como puede hacerse til para problemas
e incgnitas tangibles del ser humano (control de calidad, procesos
estocsticos, martingalas, etc).

26

3-El azar y la probabilidad


3.1. Relacin con otros mbitos matemticos
3.1.1. Probabilidad, estadstica i combinatoria
La Teora de la Probabilidad, como todo mbito matemtico, cientfico y
humano, se encuentra ntimamente relacionado con otras ramas, gneros o
subgneros que le son cercanos, con quienes comparte en muchos casos un
apoyo comn. (En este caso, el matemtico)
Desde los inicios de la probabilidad, los ejemplos e incgnitas que se iban
proponiendo requeran de muchas herramientas (para as denominarlas) para
su resolucin. En gran parte de los casos era por la enorme complejidad de los
experimentos que se pretenda resolver.
Por tan, la probabilidad est vinculada de forma directa con la fsica, la
geometra, el lgebra, el clculo numrico, la lgica, pero sobre todo con la
estadstica y la combinatoria.
- 3.1.1.1. Estadstica. La Teora de la Probabilidad se encuentra sobre todo
relacionada con una parte de la estadstica que se denomina estadstica
aplicada. Como la propia definicin de este concepto explicita, la estadstica
aplicada consiste a la recopilacin, anlisis, interpretacin y representacin de
datos. Por tan, una aportacin esencial de la estadstica a la probabilidad es la
de un apoyo sobre el cual se permite analizar los datos que han sido recogidas
previamente, y la representacin de estas de forma instructiva.
- 3.1.1.2. Combinatoria. La combinatoria, como mnimo una parte de esta,
incluye el "contar" el nmero de objetos que satisfacen un criterio (combinatoria
enumerativa), decidir cuando este criterio se cumple, y construir y analizar los
objetos que lo cumplen.
Por lo tanto, como se puede observar repasando el primer bloque de este
mismo trabajo, el simple hecho de contar (sobre todo si el conjunto a
contabilizar es enormemente grande), es una de las partes ms importantes
estudiadas y desarrolladas a lo largo de la historia.
Para determinar una probabilidad o definir un azar, por ejemplo, es fundamental
recopilar y conocer qu conjunto someteremos a observacin. Tambin lo es
saber cuntos resultados nos favorecen (conjunto de casos favorables)
enfrente el total que pueden suceder realmente
(conjunto de casos totales).
En definitiva, las variaciones, permutaciones o combinaciones acontecen un
pilar bsico para las operaciones en el mbito de la probabilidad.

Representacin permutativa

27

3.2. Aproximacin al concepto de probabilidad


3.2.1. Introduccin
A lo largo de la historia se han dado muchas definiciones de probabilidad.
Algunos cientficos lo hicieron de forma ms lingstica y formal, otros de forma
ms prctica y aplicable y tuvo que otras que simplemente lo expresaron en el
lenguaje universal, el matemtico.
Aun as, en un tiempo ya relativamente reciente se dej de lado la
confrontacin (ms propia de la investigacin del mrito personal que la del
colectivo) para pasar a la complementacin de las diversas posturas del
momento. Este proceso trajo a los intelectuales a encontrar conclusiones muy
satisfactorias en aspectos de su investigacin.

3.2.2. Definiciones diversas


- 3.2.2.1. Definicin del Diccionario de la lengua castellana. El diccionario
de la enciclopedia castellana define de esta forma la probabilidad:
Concepto que permite de expresar cuantitativamente el carcter aleatorio
de un acontecimiento o fenmeno que se cree que puede suceder, y algo
probable de esta otra: Que tiene ms razones en pro que en contra de su
certeza o realizacin.
- 3.2.2.2. Definicin clsica de probabilidad segn la pequea
enciclopedia de las matemticas, Ed. Pagoulatos.
Esta enciclopedia matemtica, que incluye definiciones y explicaciones de gran
parte de los mbitos matemticos actuales, define la probabilidad as: Si una
*proba puede tener n sucesos igualmente posibles y si m de estos son
favorables a la aparicin de un suceso E, la probabilidad que ocurra este
suceso E es m entre n.
- 3.2.2.3. Definicin de Laplace. De hecho, la definicin anterior no deja de
ser una interpretacin de la relacin matemtica encuentro por Laplace el siglo
XVII, que expres de la siguiente forma: La probabilidad de un suceso se
corresponde al nmero de casos favorables a que ocurra el suceso partido por
el nmero total de casos que pueden suceder. Cmo veremos ms adelante
Laplace propuso una expresin matemtica para su definicin, el que se
denomina regla de Laplace.
- 3.2.2.4. Definicin axiomtica de probabilidad. Cuando la definicin clsica
de probabilidad no resulta ser muy til en algunos campos prcticos, surge este
otro enunciado, que, segn el libro Modern Mathematics, Ed. Pirmide, dice
as: La probabilidad P de un suceso @E, denotada por P (@E), se define en
respecto a un espacio muestral (conjunto de todos los posibles sucesos
elementales) de forma que P verifique los Axiomas de Kolmogrov.
-Axioma 1. La probabilidad se una funcin que a cada valor le asigna un
valor no negativo. P(A) 0 para todo suceso A.
-Axioma 2. La probabilidad del suceso seguro es ud. P () = 1.
-Axioma 3. La probabilidad de una sucesin numerable infinita de sucesos
disjuntos se la suma de las probabilidades de cada uno de ellos.

28

3.3. Elementos de la probabilidad


3.3.1. Conceptos bsicos
Para empezar a tratar los conceptos que integran el conjunto de la probabilidad
(ya sea elementos que lo forman, operaciones que se efectan, etc.) hay que
hacer distinciones previas.
De entrada, hay que hacer una diferenciacin entre los diversos tipos de
experimentos. Los experimentos, entendidos como forma de entender una
realidad concreta a partir de la observacin y la posterior interaccin con esta,
se pueden dividir en muchos grupos, de los cuales ahora expondr dos.
3.3.1.1. Tipo de experimentos:
-Experimentos deterministas o determinados. Este tipo de experiencias
consisten en la observacin de una determinada realidad que es en cierta
medida tangible y deducible, la medida de esta realidad y el posterior anlisis,
interpretacin, clasificacin y representacin de la informacin recopilada.
La medida de la velocidad de un coche a partir de clculos fsicos (que
requieren cierto apoyo matemtico, obviamente) en una carretera o dejar caer
una bola de plomo al agua, sabiendo que se hundir, constituyen dos claros
ejemplos de este tipo de experiencias.
-Experimentos aleatorios o probabilsticos. Como el nombre ya indica, estos
experimentos u observaciones implican aleatoriedad, que, al fin y al cabo,
simboliza la incertidumbre y el azar. Por tan, se puede decir que son
experiencias en las cuales se conocen todos los resultados posibles pero no se
sabe qu de ellos suceder. Otra caracterstica es que en estos experimentos,
se puede prever (con mayor o menor precisin, pero casi nunca con certeza
absoluta) qu acontecimientos tienen ms posibilidades de suceder y qu
tienen menos. Esta mayor o menor posibilidad se denomina probabilidad.
Calcular qu apuesta es ms razonable en un juego al casino o prever cul
ser la evolucin de la cotizacin en bolsa de una empresa son dos ejemplos
que pertenecen a este grupo de experiencias.
Un golpe hecho esta divisin, se puede observar que ambos tipo de
observaciones tienen una cierta vinculacin con dos grandes formas de
entender la realidad. Los primeros, pueden englobarse en el conjunto de la
visin emprica de la realidad, basada en todo aquello que es fsicamente
perceptible y conocido. En cambio, los segundos se asocian ms bien con un
enfoque filosfico, a la permanente y eterna incertidumbre que rodea todas las
cosas.

29

3.3.2. El lenguaje de los sucesos


3.3.2.1. Introduccin a los conceptos
En todo problema de probabilidad y por tan en todo experimento aleatorio, la
unidad bsica que representa una sola (que, como ya veremos, puede ser
posible, segura, etc.) se denomina suceso elemental.
-Un suceso elemental es cada uno de los posibles resultados de un
experimento aleatorio E. Hay que destacar que los sucesos elementales son
excluyentes entre ellos.
Tambin en todo experimento donde interviene la probabilidad, es necesario
conocer el conjunto de todos los resultados posibles. Este conjunto, llamado
espacio muestral o universo, es el intervalo que delimita el total de sucesos que
pueden ocurrir en el experimento E.
-El conjunto de todos los sucesos elementales se conoce como espacio
muestral y se representa con la letra .
Dentro de este espacio muestral, encontramos subgrupos o subconjuntos, que
no dejan de ser una unin de varios sucesos elementales. Cualquiera de estos
subconjuntos dentro del universo se denomina suceso.
-Un suceso es la unin de varios sucesos elementales que pertenecen al
mismo espacio muestral, y siempre teniendo en cuenta que el suceso
(subconjunto) tiene que abrazar un nmero igual o menor de valores que el
universo.

Ejemplo de espacio muestral


3.3.2.2. Tipo de suceso
Un golpe definido el concepto de suceso, entendido como todo subconjunto del
espacio muestral, hay que diferenciar entre estos propios sucesos, puesto que
no son todos iguales, ni se relacionan todos de igual forma ni representan
todos el mismo tipo de realidad.
He aqu algunos tipos de sucesos diferentes:
-Suceso seguro. El suceso seguro representa una realidad que siempre se
verifica y que siempre ocurre. Por tanto, coincide con el espacio muestral .
-Suceso imposible. Es el opuesto al anterior. Este suceso representa una

30

cierta realidad que se encuentra fuera del espacio muestral y que, por tan, no
tiene ninguna posibilidad de ocurrir.
-Suceso probable. Es aquel que su probabilidad de ocurrir es ms grande que
la probabilidad que no ocurra.
-Suceso improbable. Es el opuesto al anterior, aquel que tiene ms opciones
de no ocurrir que no de hacerlo.
-Suceso equiprobable. Dos sucesos o ms son equiprobables cuando tienen
las mismas probabilidades de suceder. Cmo veremos ms adelante, estos
sucesos forman parte de una de las frmulas ms til e importando de la
probabilidad.
3.3.2.3. Relacin entre sucesos
Los sucesos se relacionan de forma inevitable entre ellos, ya sea porque
representan realidades cercanas, opuestas, semblantes o simplemente porque
unos representan realidades que se engloban en otros de mayores.
No obstante, existen varios tipos de relacin que unen y excluyen los diversos
sucesos que se proponen.
Algunas de estas formas de interrelacin se plantean a continuacin:
-Sucesos iguales. Dos sucesos A y B son iguales si siempre que se verifica A
tambin se verifica B y al revs. A y B, pues, tienen los mismos puntos
muestrales. Por el hecho de ser iguales, a menudo estos sucesos representan
la misma realidad.
-Sucesos complementarios o contrarios. (fig.1) Se llama que el suceso A es
complementario de B si A contiene todos los elementos de que no
pertenecen a B. Es decir, A abraza una parte de la realidad total (universo) y B
abraza el resto de esta misma realidad.
-Inclusin de sucesos. (fig.2) Decimos que A est contenido en B si siempre
que se verifica A tambin se verifica B. De todos modos, se diferencian de los
sucesos iguales porque en este caso no siempre que se verifica B se verifica
necesariamente A.
-Sucesos incompatibles o disjuntos o mutuamente excluyentes. (fig.3)
Dados los sucesos A y B, se consideran incompatibles si no contienen ningn
punto muestral en comn.
Por el contrario, sern compatibles si comparten una parte del espacio
muestral.

Figura 1

Figura 2

Figura 3

31

3.3.2.4. Operaciones con sucesos


En muchos casos, si no en todos, la resolucin de un problema de probabilidad
requiere el trabajo constante con los sucesos. Un golpe son conocidos factores
como el tipo de suceso o qu relacin tiene con otros sucesos hace falta
tambin saber operar con l. A menudo es necesario combinar varios sucesos
para formar de ms grandes o de ms pequeos, o simplemente para
encontrar la representacin de una realidad concreta que ningn suceso refleja
por s solo.
Las principales operaciones con sucesos son las siguientes:
-Unin de sucesos. (fig.4) Dados dos sucesos A y B, la operacin unin es
otro suceso constituido por todos los elementos que pertenecen al suceso A o
al B (como mnimo a uno de estos).
-Interseccin de sucesos. (fig.5) Dados dos sucesos A y B, la operacin
interseccin es otro suceso constituido por los elementos comunes en los dos
(A y B).

Figura 4

Figura 5

3.3.2.5. Propiedades de la unin y de la interseccin de sucesos


Las operaciones que acabamos de ver, tienen asociadas una serie de
propiedades que facilitan el clculo y permiten ampliar y mejorar el trabajo con
sucesos en un experimento aleatorio.
A continuacin veremos estas propiedades:
1- Idempotente

2-Conmutativa

AA=AiA A=A
BA
3- Asociativa

B=BAiAB=

4- Distributiva

B) C = A (B C)
(A C)
(A

(A B) C = A (B C)
C)
5. De los elementos neutros y universales.

(B C) = (A B)

A (B

C) = (A B) (A

32

= A; A = A; A = ; A =

7- De la complementacin
A

= ; A = ; A = A

3.4. Probabilidad de sucesos


3.4.1. Frecuencias y propiedades

6- Leyes de Morgan

33

En todo experimento aleatorio, existe la necesidad de contabilizar los


resultados: los posibles, los que a la hora de realizar la experiencia ocurren,
etc. Es en esta vertiente de la probabilidad que, como ya hemos visto, se
incorporan algunos conceptos propios de la estadstica tiles para la resolucin
de problemas. Es el caso de las frecuencias, que recopilan los diferentes
sucesos y expresan cuntos golpes se repite cada uno de ellos, etc.
- 3.4.1.1. Frecuencia absoluta. Se denomina frecuencia absoluta de un
suceso Al nmero a veces nA que se verifica A, cuando se realizan n
repeticiones de un determinado experimento aleatorio.
- 3.4.1.2. Frecuencia relativa. En cambio, se da el nombre de frecuencia
relativa de un suceso A al cociente entre la frecuencia absoluta de A y el
nmero a veces n que se repite el experimento.
-Propiedades de la frecuencia relativa:
1) [0 f(A) 1 para cualquier suceso A S .]
2) [f () = 1 y f () = 0.]
3) [Si A y B son sucesos incompatibles, f(A B) = f(A) + f (B).]

3.4.2. Probabilidad de un suceso


Un golpe tratados los diversos tipos de sucesos que existen a nuestra realidad,
estudiadas las relaciones entre estos y tambin las operaciones que se
derivan, hace falta finalmente conocer, por ejemplo, cul es la probabilidad
prctica de que un suceso llegue nunca a suceder, o qu es la probabilidad que
sucedan dos sucesos a la vegada, etc.
3.4.2.1. Probabilidad de sucesos equiprobables
Si nos remontamos en el siglo XVII, y ms concretamente a los estudios de
Laplace, que figuran en este mismo trabajo, observamos que este brillante
cientfico enuncia en su momento una serie de definiciones como la definicin
de Laplace. Es una definicin, pero, que slo es aplicable en problemas
probabilsticos concretos. De hecho, tan slo proporciona resultados fiables
cuando se plantean sucesos equiprobables (con la misma probabilidad de
ocurrir).

3.4.2.2. Propiedades de la probabilidad


La probabilidad tiene una serie de propiedades, que establecen como calcular
la probabilidad de determinados sucesos en funcin de cmo se relacionan con

34

los otros o de qu tipo son.


Las propiedades son las que siguen:
1. Si A y B son dos sucesos tales que A B, entonces p(A) p (B).
1.1. Si A B B = A (B A) y A (B A) =, y por el tercer axioma e la
probabilidad tenemos:
p [A (B A)] = p(A) + p(B A).
2. Si dos sucesos A y son complementarios, sabemos que:
2.1. p (A) + p () = 1, y por tanto p () = 1 p(A).
2.2. A = y A =.
2.3. p(A ) = p(A) + p () = p () [= 1].
3. De las expresiones anteriores se deduce que:
3.1. p () = 1 y p() = 0, puesto que = , y se deduce pues, que p() = p()
4. Si A y B son dos sucesos compatibles, A B , entonces:
4.1. p(A B) = p(A) + p (B) p(A B)
4.2. Cmo se puede observar a la figura 6, p [A (A B)] = p(A) p(A B)

Figura 6

3.5. Introduccin a la probabilidad condicionada


En los experimentos de probabilidad o experimentos aleatorios, los sucesos,

35

como ya hemos visto, tienen relaciones de dependencia o independencia,


segn los casos. Pues bien, la probabilidad condicionada refleja la influencia
que tiene un suceso para que ocurra otro que le est vinculado y le es
dependiente.
Consideramos que A y B son dos sucesos del espacio de sucesos S de un
experimento aleatorio, tal que la probabilidad de A es diferente de cero.
Entonces, se denomina probabilidad de B condicionada a A, y se simboliza por
p (B/A) lo cociente:

Se trata, sencillamente, de tener en cuenta una determinada informacin


respecto de un suceso que se sabe que ha ocurrido para determinar la
probabilidad de otro suceso la probabilidad del cual vara en funcin de si
sucede o no el primero. A veces, pero el hecho que tenga lugar un determinado
suceso no influye en las probabilidades que ocurran o no otros. Cuando es as,
hablamos de sucesos independientes. Esta independencia entre sucesos es
mutua: es decir, A es independiente de B como B lo es de A.
Si A y B son dos sucesos independientes, se verifica que el clculo de la
probabilidad de la interseccin entre estos sucesos es lo siguiente:
P(A B) = p(A) p (B)

36

4-Introduccin al experimento aleatorio


4.1. Bases de los experimentos aleatorios
4.1.1. Introduccin
Cuando se realizan experimentos y observaciones probabilsticos, se
acostumbran a seguir una serie de protocolos que hacen que la obtencin de
los resultados en estos experimentos sea ms fiable y cuidadosa, el ms
prxima posible a la realidad. Estos pasos a seguir son, a grandes rasgos, la
preparacin de la experiencia, la observacin de esta (y la repeticin, en caso
necesario), la recogida de datos, su posterior anlisis y las conclusiones
finales.
No obstante, hay que tener en cuenta que en toda experiencia relacionada con
el mundo de los sucesos hay cierta diferencia entre los clculos matemticos y
la realidad observable en la puesta en prctica del experimento (ver mesa 1).
A veces, esta diferencia se corrige de forma automtica con la repeticin del
experimento numerosas veces (ver mesa 2). Por otro lado, pero, hay que tener
en cuenta que son muchos los factores que influyen en el resultado de una
experiencia aleatoria, y que, por pequea que sea la influencia de cada uno de
estos factores, hay que conocerlos para acercar la realidad al clculo terico el
mximo posible y obtener una fiabilidad mayor en la obtencin de resultados y
conclusiones.
Es el caso, por ejemplo, del lanzamiento de un dado 6 veces, donde la
probabilidad terica indica que todos los sucesos son equiprobables y, en
cambio, pueden salir cuatro resultados iguales consecutivos.
Cara del dado

Veces que se tendra que


repetir el resultado en 12
tiradas

Veces que se repite el


resultado en 12 tiradas

1
2
3
4
5
6

2
2
2
2
2
2

4
2
3
1
0
2
Taula 1

Cara del
dado

Veces que se
tendra que
repetir el
resultado en 12
tiradas

Veces que se
repite el
resultado en 12
tiradas

Veces que se
tendra que
repetir el
resultado en 48
tiradas

1
2
3
4
5
6

2
2
2
2
2
2

4
2
3
1
0
2

8
8
8
8
8
8

Veces que se
repite el
resultado en 48
tiradas

9
7
10
7
6
9
Taula 2

37

4.1.2. La fsica de los experimentos aleatorios


La fsica se ocupa de conocer, de medir y acotar los procesos que ocurren en
nuestro mundo. Se puede afirmar, con toda certeza, que la fsica es
omnipresente, es decir, en todas partes y en todo suceso, tambin en los
sucesos de los experimentos aleatorios. Por tanto, surge as la inevitable
pregunta de Cmo puede la fsica medir de forma tangible la incertidumbre?
Bien pues, el caso es que, en muchos casos, los clculos probabilsticos
prevn con ms o menos exactitud qu hechos pueden suceder.
Aparentemente, la funcin de la fsica es muy opuesta, es decir, medir los
hechos cuando estos ya han tenido lugar de forma externa.
De todos modos, la fsica (ya no como ciencia, sino como natura universal)
incide en cualquier proceso, incluido, por ejemplo, en el lanzamiento de un
dado. Veamos pues, un ejemplo de todos los procesos fsicos que
aparentemente tienen lugar simultneamente al lanzamiento de un dado y que
influyen en el resultado de este.
- Inclinacin con que el dado es lanzado.
- Trayectoria aproximada que se le obliga a seguir (parablica, lineal).
- Fuerza con que se lanza el dado.
- ltima parte del dado en contacto con el lanzador. (Parmetro que lo hace
girar sobre s mismo).
- Aire en movimiento que impacta contra el dado mientras este es al aire.
- Superficie donde este rebota: dureza, maleabilidad, rugosidad, etc.
4.1.2.1. Factores determinantes, Factores condicionantes y Factores
negligibles
Cmo hemos visto, hay una gran cantidad de factores que intervienen en
cualquier experiencia. El caso, pero es que muchos de estos factores pueden
ser considerados casi irrelevantes, y otros, simplemente, inmensurables (cmo,
por ejemplo, la fuerza humana con que la mano tira un dado).
Por lo tanto, los factores fsicos se pueden dividir segn tres tipos diferentes:
-Factores determinantes. No son muy corrientes en las experiencias
aleatorias, puesto que estos tipos de factores determinan un resultado
determinado, y, por tan, eliminan todo azar o incertidumbre. Esto, obviamente,
no ocurre sacado de los sucesos con
probabilidad 1.
-Factores condicionantes. Son aquellos que influyen con ms o menos
bastante respeto el resultado final, pero que no determinan un de concreto.
Muchos de los factores puestos como ejemplo anteriormente pertenecen a este
conjunto.
-Factores negligibles. Son factores la influencia de los cuales sobre el
resultado final es tan pequea que muchos golpes no se tienen en cuenta. A
veces hay factores que, como ya he comentado, no se pueden acotar y
tambin se negligen.
Hay que decir, en conclusin, que la medida a partir de clculos fsicos de los
procesos y experimentos aleatorios resulta, en general, muy imprecisa y poco
fiable, por lo cual no se acostumbra a realizar. As, por ejemplo, es ms til

38

realizar un clculo probabilstico sobre los resultados ms probables de una


ruleta, que estudiar los engranajes en detalle y las posibles irregularidades de
estos.

39

4.2. Un juego de azar clsico


4.2.1. Introduccin
Cmo hemos visto repasando a grandes rasgos la historia y la evolucin de la
probabilidad, desde antiguo los juegos de azar han sido insignia de la
incertidumbre. De hecho, los primeros interesados al medir la incertidumbre,
abordaron en primer lugar los problemas relacionados con los juegos de dados,
etc. Podemos decir, pues, que el lanzamiento de dados y las incgnitas que de
este juego se derivan, son un ejemplo formidable para representar los orgenes
de la incertidumbre presente en el cotidiano humano. Todo ello, sin olvidar que
hoy en da los dados siguen siendo parte del ocio de cualquiera.
Propongo, pues, llevar a cabo observaciones diversas relacionadas con los
dados (concretamente con tres tipos de dados diferentes). La explicacin
detallada de la experiencia lo escribo a continuacin.

4.2.2. Material, hiptesis, objetivos y pautas de trabajo


4.2.2.1. Material utilizado para el experimento aleatorio
Ante todo, hay que precisar con qu material llevaremos a cabo la experiencia.
Trabajaremos con tres tipos diferentes de dados, que sern estudiados y
comparados:
-Dado de juego de mesa. (fig.1) Estos dados son los ms comunes, los que
se utilizan para juegos de mesa y otras actividades cotidianas. Su fabricacin
es masiva y, por tan, la perfeccin de uno de estos dados no se puede
garantizar.
-Dado de casino. (fig.2) Son dados especialmente diseados y fabricados para
los casinos, puesto que se producen con unos materiales determinados* que
proporcionan una mxima fiabilidad a la hora del juego, puesto que a menudo
de ellos dependen importantes movimientos de dinero.
-Dado electrnico. (fig.3) Estos dados no requieren de ser lanzados. A partir
de un chip programado, proporcionan resultados similares a los de un dado
mecnico, pero no son muy corrientes ni empleados con mucha frecuencia.

Figura 1

Figura 2

Figura 3

40

4.2.2.2. Objetivo de la experiencia


Una vez explicado brevemente con qu tipo de dados trabajaremos, expongo
ahora qu estudio har sobre los resultados que nos proporcionar cada uno
de los dados.
La idea principal es la de estudiar la equiprobabilidad entre los seis resultados
del espacio muestral del experimento: lanzar un dado. En principio, para
cualquier tipo de dado hay las mismas probabilidades que salga cualquier de
los seis valores que contiene. De todos modos, la realidad no siempre se tan
precisa como los clculos a priori. Tambin forma parte de la teora
probabilstica el hecho que la repeticin prolongada del mismo experimento
acerca el resultado de este a los clculos tericos realizados.
4.2.2.3. Propuesta de Hiptesis
En toda experiencia aleatoria y, en general, en toda experiencia cientfica, se
plantean una serie de hiptesis, y estas se verifican o falsen con la puesta en
prctica de dicha experiencia. Pues bien, las hiptesis que yo pretendo
comprobar son las siguientes:
Un dado de casino proporciona resultados ms aleatorios que cualquiera otro
tipo de dado.
Los dados electrnicos no proporcionan resultados realmente aleatorios
debido a la carencia de factores externos que intervienen en el lanzamiento
de estos.
Un dado resulta ser ms aleatorio cuando ms veces se observan sus
resultados.
4.2.2.4. Pautas de trabajo
Para llevar a cabo la prctica hay que redactar las pautas de trabajo que se
seguirn con la mxima exactitud para conseguir as resultados y conclusiones
verdicas. El proceso que se seguir de forma metdica en el transcurso de la
experiencia constar de los pasos que figuran continuacin:

Pasos
Verificacin

Lanzamientos

Anlisis

Conclusin

Explicacin del proceso


Antes de realizar lanzamientos, se
verificar que todos los factores externos
que intervienen son supresos o
sometidos a control.
Se realizarn los lanzamientos anotando
simultneamente los resultados,
alternando los diversos tipos de dado
Los resultados anotados en apoyo
informtico se tratarn para representar
las diferencias, regularidades e
irregularidades observadas.
Finalmente habr que verificar o falsar las
hiptesis iniciales, extrayendo
conclusiones del experimento realizado.

41

4.2.4. Lanzamientos de los dados y recopilacin de datos


4.2.4.1. El dado cotidiano o de juego de mesa
Lanzamiento
s

10

Resultad
o

Frec.
absoluta

Frec.
relativa

Prob.
terica

0,3

1/6

0,1

1/6

0,2

1/6

0,3

1/6

1/6

0,1

1/6

Total=1
0,34

Total=1
1/6

0,08

1/6

0,08

1/6

0,14

1/6

0,12

1/6

12

0,24

1/6

Total=50
22

Total=1
0,22

Total=1
1/6

10

0,1

1/6

19

0,19

1/6

11

0,11

1/6

28

0,28

1/6

12

0,12

1/6

Total=100

Total=1

Total=1

Total=10
17

50

100

Media

Terica:

1,6

Desv.
de frec.
rel.
+0,14
-0,066
+0,033
+0,14

Relativa
al valor:
1/4

-1,166
-0,066

Desv. total= 0,573


+0,18
Terica:
-0,086

8,3

-0,086
-0,026

Relativa
al valor:
1

-0,046
+0,08

Desv. total=0,504
+0,054
Terica:
-0,066
16,6

+0,024
-0,056

Relativa
al valor:
1

+0,11
-0,04

Desv. total=0,340

42

4.2.4.2. El dado de casino


Lanzamiento
s

10

Resultad
o

Frec.
absoluta

Frec.
relativa

Prob.
terica

0,4

1/6

0,2

1/6

0,2

1/6

1/6

0,1

1/6

0,1

1/6

Total=1
0,18

Total=1
1/6

12

0,24

1/6

10

0,2

1/6

0,16

1/6

0,1

1/6

0,12

1/6

Total=50
13

Total=1
0,13

Total=1
1/6

10

0,1

1/6

20

0,2

1/6

18

0,18

1/6

22

0,22

1/6

17

0,17

1/6

Total=100

Total=1

Total=1

Total=10
9

50

100

Media

Terica:

1,6

Desv.
de frec.
rel.
+0,23
+0,033
+0,033
-0,166

Relativa
al valor:
1

-0,066
-0,066

Desv. total= 0,594


+0,01
Terica:
+0,073

8,3

+0,033
-0,003

Relativa
al valor:
2

-0,066
-0,046

Desv. total=0,261
-0,036
Terica:
-0,066

16,6

+0,033
+0,013

Relativa
al valor:
5

+0,05
+0,01

Desv. total=0,208

43

4.2.4.3. El dado electrnico


Lanzamiento
s

10

Resultad
o

Frec.
absoluta

Frec.
relativa

Prob.
terica

0,2

1/6

0,1

1/6

0,1

1/6

0,2

1/6

0,2

1/6

0,2

1/6

Total=1
0,08

Total=1
1/6

10

0,2

1/6

13

0,26

1/6

0,12

1/6

0,18

1/6

0,16

1/6

Total=50
14

Total=1
0,14

Total=1
1/6

22

0,22

1/6

18

0,18

1/6

0,09

1/6

20

0,2

1/6

17

0,17

1/6

Total=100

Total=1

Total=1

Total=10
4

50

100

Media

Terica:

1,6

Desv.
de frec.
rel.
+0,033
-0,066
-0,066
+0,033

Relativa
al valor:

+0,033
+0,033

Desv. total= 0,264


-0,086
Terica:
+0,033

8,3

+0,1
-0,04

Relativa
al valor:

+0,02
-0,006

Desv. total=0,285
-0,02
Terica:
+0,06

16,6

+0,02
-0,07

Relativa
al valor:

+0,033
+0,01

Desv. total=0,213

44

4.2.5. Conclusin del experimento


Esta experiencia nos ha permitido poner en prctica tres tipos de dados
diferentes. Los dados, uno de los aparatos de juego ms antiguos y a la vez
uno de los ms usados de la historia, se comportan de forma diversa en
funcin de su composicin, forma, etc.
El que en un principio pretenda con este sencillo experimento, era comprobar
qu eran las diferencias que surgan al lanzar tres tipos de dados diferentes
muchas veces.
La estabilidad de medias nos dice que cuanto ms veces realizamos un
experimento, la probabilidad de cada suceso (del que podemos calcular la
probabilidad real), se va acercando a la probabilidad terica de este suceso.
Esto se observa claramente en los lanzamientos y se comprueba con el clculo
de desviacin, que figura en cada mesa de valores. La desviacin nos indica si
los valores tericos y reales son ms parecidos o menos, y al aumentar el
nmero de lanzamientos (10, 50,100...) esta diferencia entre teora y realidad
se va tirando pequea. Esto sucede con cualquier de los dados que se somete
a estudio.
Por otro lado, las mesas de valores reflejan notables diferencias segn los
dados que lanzamos.
- El dado de mesa, como la parrilla de recogida de datos nos muestra, es el
que proporciona resultados ms imperfectos, menos aleatorios. Cmo
observamos en la mesa de valores, este dado da una desviacin relativamente
grande al hacer pocos lanzamientos. De todos modos, a partir de 100
lanzamientos parece corregir la desviacin de forma sorprendente hasta
minimizarla.
- El dado de casino, es el dado ms preciso de los tres que se han sometido a
estudio. Las grficas nos indican que este dado da muy poca desviacin desde
el momento en que se tira unas cuntas veces. La curiosidad es que no se
requieren muchos lanzamientos porque la desviacin se estabiliza en los
mnimos, y esto da resultados realmente aleatorios, con frecuencias relativas
prximas a la teora.
- El dado electrnico, a pesar de generar nmeros aparentemente aleatorios,
tiene algunos inconvenientes: a veces se estanca en un determinado valor
repitindolo muchas veces, o bien parece que reinicia una sucesin de
resultados concreta, etc. Hay que tener en cuenta, pero que el dado electrnico
corrige sus tendencias de forma sorprendente al hacer muchos lanzamientos.
Podramos decir, que va desapareciendo su desviacin cada vez ms rpido
con el aumento de lanzamientos, a pesar de podamos ver que parece ser ms
aleatorio al hacer 10 lanzamientos que 50.

45

5- Referencias
http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.html
http://www.vitutor.net/1/52.html
http://www.cimat.mx/ciencia_para_jovenes/otra_cara/Juegos_de_Azar_y_Proba
bilidad.pdf
http://www.estadisticaparatodos.es/historia/histo_proba.html
http://estudiosestadisticos.ucm.es/data/cont/docs/12-2013-02-06CT01_2011.pdf
Llibre: Slanskys Theory of Poker