REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACION SUPERIOR

UNIVERSIDAD “ALONSO DE OJEDA”

CARORA, EDO- LARA

Teoría axiomática de la
probabilidad y variables
aleatorias

JESUS GARCIA

20.942.211
 Introducción

Hoy en día se conoce a la probabilidad como una medida de las posibilidades de

que  ocurra un suceso en un futuro ya sea cercano o no. No es más que estudio de
experimentos aleatorios o libres de determinación de un suceso, es la razón entre el
número de casos favorables y el número total de casos posibles, pero todo esto nos
conlleva a lo que son los axiomas en la teoría de la probabilidad y al tema a definir en
el presente trabajo.

Al igual que las variables aleatorias que se conocen como funciones que asignan uno o
más valores, usualmente numéricos, al resultado de un experimento aleatorio o un
número real como por ejemplo la temperatura máxima medida a lo largo del día en
una ciudad concreta. También así se da a conocer los rasgos pertinentes de las
variables aleatorias y todas sus características y tipos existentes, las cuales dependerán
del estudio para el cual sean recopiladas como información o dato.
La teoría de la probabilidad no es más que una herramienta matemática que establece
un conjunto de reglas o principios útiles para calcular la ocurrencia o no ocurrencia
de distintos sucesos aleatorios y procesos estocásticos.

En decir, la teoría de la probabilidad se compone por todos los conocimientos relativos

al concepto de probabilidad. Se trata de un concepto matemático. Así mismo, la
probabilidad como rama de las matemáticas constituye un instrumento para
la estadística. Conviene destacar que probabilidad y estadística no son la misma cosa.
Son dos conceptos relacionados pero diferentes.

Muchos fenómenos naturales son aleatorios, pero existen algunos como el

lanzamiento de un dado, donde el fenómeno no se repite en las mismas condiciones,
debido a que las características del material hace que no exista una simetría del
mismo, así las repeticiones no garantizan una probabilidad definida. En los procesos
reales que se moldean mediante distribuciones de probabilidad corresponden a
modelos complejos donde no se conocen a priori todos los parámetros que
intervienen; ésta es una de las razones por las cuales la estadística, que busca
determinar estos parámetros, no se reduce inmediatamente a la teoría de la
probabilidad en sí.

La probabilidad como concepto existe desde hace miles de años. Existen evidencias en
la historia, que indican que la primera civilización era capaz de construir dados de 4
caras trabajando con huesos. Más tarde, primero en Egipto y luego en Grecia y Roma,
los juegos de azar se hicieron populares.

Sin embargo, y a pesar de esto, las primeras publicaciones que trataban o intuían el
concepto de probabilidad no fueron escritas si no hasta mediados del siglo XVI.
Concretamente, fue Gerolamo Cardano quién escribió en 1553 un tratado sobre el
juego de dados. Aunque su obra no sería publicada hasta 110 años más tarde, en 1663.

Luego de esto han surgido avances gracias a diversos intelectuales que han permitido
con sus publicaciones aumentar y mejorar el conocimiento de la probabilidad. Ejemplo
de ello son intelectuales como Laplace, Gauss o Kolmogorov.

La teoría de la probabilidad se desarrolló originalmente a partir de ciertos problemas

planteados en el contexto de juegos de azar. Inicialmente, no existía una teoría
axiomática bien definida y las definiciones iniciales de probabilidad se basaron en la
idea intuitiva de un cociente de ocurrencias:

μA
Prob ( A )= lim
N →∞ N

Donde A es un suceso cualquiera, N es el número de veces que se repite una acción u

observación cuyo resultado puede dar el suceso A.
μ A Es el número de veces que se observa A en cualquier conjunto de observaciones.

Este tipo de definiciones si bien permitieron desarrollar un gran número de

propiedades, no permitían deducir todos los teoremas y resultados importantes que
hoy forman parte de la teoría de la probabilidad. De hecho el resultado anterior se
puede demostrar rigurosamente dentro del enfoque axiomático de la teoría de la
probabilidad, bajo ciertas condiciones.

La primera axiomatización completa se debió a Andréi Kolmogórov (quien usó dicho

enfoque por ejemplo para deducir su "ley 0-1 para sucesos cola" y otros resultados
relacionados con la convergencia de sucesiones aleatorias). La definición axiomática de
la probabilidad se basa en resultados de la teoría de la medida y en formalizaciones de
la idea de independencia probabilística. En este enfoque se parte de un espacio de
medida normalizada donde Ω es un conjunto llamado espacio de sucesos.M ∁ P(Ω) es
una σ-álgebra de subconjuntos de Ω y µp: M→R es una medida normalizada( es decir,
µp(Ω)=1).

Los sucesos posibles se consideran como subconjuntos “S” de eventos elementales

posibles: S∈M, S ∁ Ω y la probabilidad de cada suceso viene dada por la medida de
dicho conjunto:

Prob ( S ) =μp ( S ) ∈ [ 0,1 ] Pro

La interpretación de esta probabilidad es la frecuencia promedio con la que aparece

dicho suceso si se considera una elección de muestras aleatorias sobre Ω.

La definición axiomática de probabilidad es una extensión de la teoría de la medida, en

la que se introducen la noción de independencia relativa. Este enfoque permite
reproducir los resultados de la teoría clásica de la probabilidad además de resultados
nuevos referidos a la convergencia de variables aleatorias. Además de los procesos
estocásticos, el cálculo  y las ecuaciones diferenciales estocásticas. Dentro del enfoque
axiomático es posible demostrar que la ley débil de los grandes números implica que
se cumplirá que:

Sn−E(Sn) Var ( Sn)

Prob (| n |)
≥ϵ≤
n2 ϵ 2
→0

Las propiedades que esperamos de una ley de probabilidad las consideraremos como
los axiomas de la definición:

Axioma 1: Para todo evento A, 0 ≤ P [ A ] ≤1

Axioma 2: La probabilidad del evento cierto es 1: P [ Ω ] =1

Axioma 3: Si ( Ai )i ∈N es una sucesión de eventos disjuntos dos a dos ( Ai y A j no pueden
suceder a la vez si i≠j, entonces:

P [ ¿ iϵN Ai ] =∑ P [ A i ]
iϵN

Una consecuencia inmediata de los axiomas 2 y 3 es la relación entre la probabilidad

de un evento A y la de su opuesto denotado Ᾱ.

P [ Ᾱ ] =1−P [ A ]

Definir una variable aleatoria en un experimento aleatorio consiste en asignar un valor

numérico a cada suceso elemental del experimento. Interesa fundamentalmente
asignar probabilidades a dichos valores numéricos

Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de una cantidad
cuyo valor actualmente existente es incierto. Una variable aleatoria puede tomarse
como una cantidad cuyo valor no es fijo pero puede tomar diferentes valores,
una distribución de probabilidad se usa para describir la probabilidad de que se den los
distintos valores. Es decir, una variable aleatoria es una función que está definida
sobre un espacio de una probabilidad.

Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores
aleatorios como valores lógicos, funciones o cualquier tipo de elementos (de un
espacio medible). El término elemento aleatorio se utiliza para englobar todo ese tipo
de conceptos relacionados. Un concepto relacionado es el de proceso estocástico, un
conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo).

Las variables se encuentran clasificadas por varios tipos, entre los que tenemos:

 Variables aleatorias discretas

Se dice que una variable aleatoria es discreta si su recorrido es finito o infinito

numerable.

Generalmente, este tipo de variables van asociadas a experimentos en los cuales se

cuenta el número de veces que se ha presentado un suceso o donde el resultado es
una puntuación concreta. Los puntos del recorrido se corresponden con saltos en la
gráfica de la función de distribución, que correspondería al segundo tipo de
gráfica visto anteriormente.

 Variables aleatorias continuas

Son aquellas en las que la función de distribución es una función continua. Se
corresponde con el primer tipo de gráfica visto. Generalmente, se corresponden con
variables asociadas a experimentos en los cuales la variable medida puede tomar
cualquier valor en un intervalo; mediciones biométricas, por ejemplo. Un caso
particular dentro de las variables aleatorias continúas y al cual pertenecen todos los
ejemplos usualmente utilizados, son las denominadas variables aleatorias
absolutamente continuas.

 Variables aleatorias absolutamente continuas

Diremos que una variable aleatoria X continua tiene una distribución absolutamente

continua si existe una función real f, positiva e integrable en el conjunto de números
reales, tal que la función de distribución F de X se puede expresar como
z
F ( x )= ∫ f (t)dt
−∞

Una variable aleatoria con distribución absolutamente continua, por extensión, se la

clasifica como variable aleatoria absolutamente continua. A la función f se la
denomina función de densidad de probabilidad de la variable X.

Conclusión
Luego de lo expuesto sobre la teoría de la probabilidad, se puede decir que esta
constituye un aparato enteramente matemático. N o es más que una herramienta que
proviene de la ciencia matemática, así mismo, la estadística, por decirlo de alguna
manera, se sirve de dicha herramienta para poder llegar a conclusiones más precisas.
Por tanto, probabilidad no es exactamente lo mismo que estadística. Y de hecho, es
más, ni siquiera es una rama de la estadística, pero es un modelo bastante extenso y
complejo que nos puede servir en la resolución de algún tipo de suceso donde se
requiera calcular un resultado.

Las probabilidades constan de distintas variables, las cuales son los datos recopilados
para poder obtener el resultado requerido, pero existen dos tipos de variables con las
cuales podemos encontrarnos regularmente, las variables continuas y las discretas, y
en un subnivel existe una variable conocida como absolutamente continua. Hay que
hacer notar que no toda variable continua es absolutamente continua, pero los
ejemplos son complicados de comprender.

Igualmente se indica que los tipos de variables comentados anteriormente forman

únicamente una parte de todos los posibles tipos de variables, sin embargo contienen
prácticamente todas las variables aleatorias que encontramos usualmente en los
problemas.