Pontificia Universidad Católica de Chile

Instituto de Fı́sica
Termodinámica y Teorı́a Cinética FIZ0211 y FIZ0212
Profesor: Marco Aurelio Dı́az (mad@susy.fis.puc.cl).
Ayudantes: Ricardo Cabezón (rjcabezon@uc.cl).

Ayudantı́a 1
Nivelación de probabilidades
Nota: Esta ayudantı́a fue más bien conceptual. Los ejercicios mostrados en este PDF fueron pensados
solo para ilustrar la teorı́a, y por ende, son bastante básicos. No es necesario que repliques los cálculos
por tu cuenta, con echarles una leı́da será suficiente.

Definición formal de probabilidad

Sea Ω un espacio muestral. Una función p : A ∈ Ω → [0, 1] se llama “probabilidad” si satisface
1. p (Ω) = 1
2. Si A y B son mutuamente excluyentes, entonces p (A ∪ B) = p (A) + p (B)

Propiedades de la probabilidad
De la definición anterior se deduce que

p (A ∪ B) = p (A) + p (B) − p (A ∩ B) .

Para demostrarlo, descomponemos A ∩ B en tres subconjuntos mutuamente excluyentes:

C = A ∩ Bc
D =A∩B
E = Ac ∩ B

de modo que A ∪ B = C ∪ D ∪ E. Por definición de p,

p (A ∪ B) = p (C) + p (D) + p (E) (1)

Por otra parte, A = C ∪ D, y como C y D son disjuntos, p (A) = p (C) + p (D). De manera similar,
p (B) = p (D) + p (E). Usando estos resultados en (1), tenemos

p (A ∪ B) = p (A) + p (B) − p (D) .

Por otra parte,

p (Ac ) = 1 − p (A) .
Es fácil ver esto, considerando que Ω = A ∪ Ac , A y Ac son mutuamente excluyentes y p (Ω) = 1.

Por último, si los elementos del espacio muestral Ω = B1 , B2 , . . . , Bn son equiprobables, entonces
p (B1 ) = p (B2 ) = . . . = p (Bn ) = 1/n. Si un evento A puede ocurrir de m formas mutuamente excluyentes,
entonces p (A) = m/n, o sea,

número de formas en las que A puede ocurrir

p (A) = .
número total de resultados posibles

1
Ejemplo: energı́a de un par de moléculas
a) Considere un sistema de 2 moléculas distinguibles, cada una de ellas con tres niveles de energı́a
posibles: −ε, 0, +ε, todos equiprobables. ¿Cuál es la probabilidad de que, al medir la energı́a total E del
sistema, sea ε?

b) ¿Cuál serı́a esta probabilidad si las moléculas fueran indistinguibles?

Solución
Las formas posibles de ordenar las energı́as son las que se muestran en la siguiente tabla:
Molécula 1 Molécula 2 Energı́a total
+ + 2ε
+ 0 ε
+ − 0
0 + ε
0 0 0
0 − −ε
− + 0
− 0 −ε
− − −2ε

Se observa que solo 2 casos (de 9) dan una energı́a total ε. Por lo tanto, la probabilidad deseada es
2
p (E = ε) =
9
Si las moléculas fueran indistinguibles, los pares (+, 0) y (0, +) deberán ser contados solo 1 vez. Lo
mismo ocurrirá con (−, 0) − (0, −) y con (+, −) − (−, +). Por lo tanto, la cantidad de casos posibles se
reduce a 6.
Combinación Energı́a total
++ 2ε
+0 ε
+− 0
00 0
0− −ε
−− −2ε
Por ende, la probabilidad en este caso es

p (E = ε) = 1/6.

Técnicas de conteo
Del ejemplo anterior se pudo ver que calcular probabilidades se reduce a contar casos. En particular,
lo que se hizo ahı́ fue contar la cantidad de pares ordenados de la forma (ε1 , ε2 ) que se pueden armar, y
esta cantidad es un producto simple: son 3 valores posibles para ε1 y 3 para ε2 , ası́ que son 9 casos en total.

En general, si tenemos n1 elementos de un conjunto A1 = a11 , a12 , . . . , a1n , n2 en A2 = a21 , a22 , . . . , a2n ,
y ası́, la cantidad de pares ordenados de la forma (ai , bi ) que se pueden construir son n × m. Este es el
principio multiplicativo.

2
Grupitos
Dado un conjunto de N elementos, ¿de cuántas formas un grupito de n elementos (donde no importe
el orden) es posible crear con ellos (sin reposición)? Calculemos esto usando el principio multiplicativo:
N!
N N −1 N −2 ... N −n+1 =
(N − n)!
Sin embargo, este serı́a el resultado si es que sı́ importara el orden. Cuando no importa el orden de los
elementos del grupo formado, cada n! elementos hay que contar 1. Esto se arregla dividiendo por n!. Por
lo tanto, la cantidad de formas de crear este grupo de n elementos está dada por un coeficiente binomial:
 
N N!
= (2)
n n! (N − n)!

La fórmula anterior sirve cuando queremos formar solo un grupo de n elementos. Pero podrı́amos
preguntarnos por casos más complejos: ¿de cuántas formas es posible crear r grupos de n1 , n2 , . . . , nr
elementos respectivos? Nuevamente, para responder esto, hacemos uso del principio multiplicativo:
N −n1 N −n1 −n2 N −n1 −...−nr−1
Número de casos posibles = nN1





n2 n3 ... nr
(((
(N− (N(− −( .−

N! n)!
1 n(1 ( . .( (
nr−1 )!
=⇒ Número de casos posibles = 
(( . . . ( ( .
(N−
n1 ! n
1 )! n !(N
2 (( −(n(1 −
( n
(
2 )! n r ! (N − n 1 − . . . − n r−1 − nr )!

Pero los {ni }N

i=1 están sometidos a la restricción
r
X
ni = N =⇒ 0 = N − n1 − n2 − . . . − nr−1 − nr .
i=1

Luego,
 
N! N
Número de casos posibles = = . (3)
n1 !n2 ! . . . nr ! n1 n2 . . . nr
Nótese que la fórmula (2) es un caso particular de (3) para r = 2. Este resultado también se puede usar
para calcular la cantidad de permutaciones cuando hay r elementos que se repiten.

Ejemplo: sistema de 7 partı́culas

Un sistema consta de 7 partı́culas idénticas, cada una con una probabilidad 1/5 de encontrarse con
energı́a ε. Calcule la probabilidad de que al menos 3 de ellas tengan dicho nivel de energı́a.

Solución
Digamos que A es el evento en que al menos 3 partı́culas tienen energı́a ε. Lo que se nos pide es hallar
p (A). Sin embargo, es mucho más sencillo calcular la probabilidad de que, a lo más, 2 partı́culas tengan
energı́a ε (esta es, p (Ac )) y luego calcular p (A) como p (Ac ) = 1 − p (A).
Vemos que p (Ac ) es, lógicamente: la probabilidad de que ninguna partı́cula tenga energı́a ε, o solo 1
tenga esa energı́a, o solo 2 la tengan. Recordar que, en probabilidades, los “o” se traducen como sumas:
   
c 4444444 4444441 7 4444411 7
p (A ) = + +
5555555 5555555 1 5555555 2
El coeficiente binomial en, por ejemplo, el último término, se debe a que debemos contar todos los casos
en los que 2 partı́culas tienen energı́a ε. Por lo tanto, hay dos grupos: uno con 5 elementos (los que no

3
tienen dicho nivel de energı́a) y otro con 2 elementos (los que sı́ lo tienen), ası́ que hay que ponderar por
la cantidad de veces que se pueden distribuir las 7 partı́culas en estos dos grupos, o sea, el coeficiente 72 .

Lo mismo pasa con el término del medio.

=⇒ p (Ac ) ≈ 0.85
=⇒ p (A) = 1 − p (Ac ) ≈ 0.148.

Independencia
Sean A y B dos eventos. Por el principio multiplicativo, se deduce inmediatamente la probabilidad de
que ocurran A y B es un producto:

p (A ∩ B) = p (A) p (B|A)

En estricto rigor, Ay B no tienen por qué ser independientes. La ocurrencia de A podrı́a alterar la can-
tidad de elementos del espacio muestral a la hora de determinar la probabilidad para el evento B, y eso
hace que se convierta en un nuevo evento: B|A (“B dado A”).

Cuando p (B|A) = p (B), decimos que A y B son eventos independientes, y en caso contrario, son
dependientes. Los ejemplos tı́picos de eventos dependientes son aquellos donde hay que formar grupos de
personas, pues comúnmente las personas no pueden estar en dos grupos a la vez (y eso hace se reduzca el
espacio muestral en cada probabilidad dentro de una multiplicación).

Ejemplo: la paradoja del cumpleaños

Dado un grupo de N personas, ¿cuál es la probabilidad de que al menos dos de ellas coincidan en su
fecha de cumpleaños?

Solución
Sea A el evento en que al menos dos personas coinciden en su cumpleaños. Conviene calcular primero
p (Ac ), la cual indica la probabilidad de que no haya ninguna coincidencia. Esto se computa como “la
probabilidad de que una persona esté de cumpleaños justo el dı́a de su propio cumpleaños (que trivialmente
es 365/365), y que otra persona esté de cumpleaños un dı́a distinto (364/365), y que otra persona esté
de cumpleaños otro dı́a distinto a los dos anteriores (363/365), ...”, o sea,
365 364 365−N +1
p (Ac ) = 365 365 ... 365

O bien, se puede calcular p (Ac ) directamente con el principio multiplicativo tomando los casos favorables
versus los totales:
1
Número de casos favorables = 365 364 . . . 365 − N + 1
Número total de casos = 365 365 . . . 365

De cualquier forma, ambos métodos (que son equivalentes; al final es una diferencia de escritura) dan
365!
⇒ p (Ac ) =
365N
(365 − N )!
365!
⇒ p (A) = 1 − N
365 (365 − N )!

La siguiente tabla muestra los cálculos de p (A) para distintos valores de N [1].

4
 N p (A)
4 0.016
16 0.284
23 0.507
32 0.753
40 0.891
56 0.988

Se observa que, ya con N = 40 personas, la probabilidad es bastante alta (casi un 90 %).

Variable aleatoria
Nota: Por temas de tiempo, lo que sale en esta sección no se alcanzó a ver en ayudantı́a. No es un
tema estrictamente necesario, pero es bastante útil leerla y genera una visión mucho más formal sobre la
teorı́a de probabilidades. De todas formas, pienso hablar algo de esto en la ayudantı́a 2.

Una variable aleatoria es un número al azar generado a la hora de medir un experimento. En mecánica
cuántica, las cantidades fı́sicas medibles (posición, momentum, energı́a) son variables aleatorias (a dife-
rencia de mecánica clásica, donde dichas magnitudes son números definidos sin aletoriedad).

Digamos que X es una variable aleatoria. Una pregunta válida que podemos hacernos (dado cualquier
contexto) es: ¿cuál es la probabilidad de que X sea un determinado número x? O sea, hallar p (X = x).
Para responder a este problema, primero hay que preguntarse “¿qué valores puede tomar X?” Hay que
analizar esto de manera diferente dependiendo de si X toma un conjunto discreto de valores (tipo Θ =
{1, 2, 3, . . .}) o uno continuo (como Θ = [0, 1]).

Variable aleatoria discreta

Dada una variable aleatoria X ∈ Θ, con Θ un conjunto discreto de números, definimos la función de
distribución f (x) = p (X = x). Esta nos indica inmediatamente la probabilidad deseada. Obviamente,
esta función debe cumplir la condición de normalización:
X
f (x) = 1
x∈Θ

También definimos el valor de expectación de esta variable aleatoria como

X
hXi = xf (x)
x∈Θ

y en general, dada una función continua ϕ : Θ →] − ∞, ∞[,

X
hϕ (X)i = ϕ (x) f (x) .
x∈Θ

La función de distribución acumulada es

X
F (x) = p (X ≤ x) = f (y)
y≤x

la cual cumple con F (∞) = 1 y F (−∞) = 0.

5
Variable aleatoria continua
Si el soporte Θ es un conjunto continuo de números reales, primero hay que definir la función de
distribución acumulada:
F (x) = p (X ≤ x) .
Entonces, la función de distribución f (x) para variables continuas es

dF
f (x) =
dx
Z x
f x0 dx0 , y


Esto requiere que F (x) =
−∞
Z +∞
f (x) dx = 1.
−∞

En base a lo anterior, el valor esperado de la variable aleatoria continua X es

Z ∞
hXi = xf (x) dx .
−∞

Nótese que, a pesar de tener el mismo nombre y letra, la función f tiene significados distintos de-
pendiendo de si la variable aleatoria es discreta o continua. En el primer caso, f (x) entrega de forma
inmediata la probabilidad p (x). Sin embargo, en el segundo, f (x) ni siquiera es una probabilidad, sino
una densidad. Es decir, corresponde a la función que hay que integrar (digamos, en [x1 , x2 ]) para obtener
p (x1 ≤ X ≤ x2 ). ¿Cómo saber si esta función f es una probabilidad o una densidad? Todo está en el
contexto.

Al final, las variables aleatorias son un formalismo que permite asignarle números a los eventos. De
hecho, todos los ejemplos anteriores se pueden redactar de tal forma que hayan variables aleatorias metidas
(es cosa de cambiar los p (A) por p (X = x), con X teniendo un significado distinto según la situación),
pero los ejercicios que involucren este nuevo lenguaje no difieren mucho de lo que se hizo hasta ahora:
sigue siendo todo separar los “y” en multiplicación, los “o” en sumas y considerar si hay independencia
o no.

Referencias
[1] J. A. Rice, Mathematical Statistics and Data Analysis. United States: Thomson Higher Education,
2007, pp. 5-11.