La probabilidad

Conceptos básicos

Fabián Abarca Calderón

IE0405 – Modelos Probabilísticos de Señales y Sistemas

1
Tema I

EIE Escuela de
Ingeniería Eléctrica
 Contenido

1 ¿Qué es y para qué sirve la probabilidad?

Aplicaciones de la probabilidad

2 Los conceptos de la probabilidad

Definición clásica de Laplace
Definición estadística de la probabilidad
Definición axiomática según Kolgomorov
Modelo matemático de los experimentos
La probabilidad es una rama de la matemática con
inmensa aplicación práctica en muchas disciplinas:
desde el quehacer personal y doméstico hasta grandes
decisiones sociales. En nuestra disciplina es, además,
fundamental para el análisis de. . . señales y sistemas.
 1654 Siglo XVIII Siglo XX
Correspondencia entre Aportes de Jacob Bernoulli y Definición axiomática por
Blaise Pascal y Pierre de Fermat The Doctrine of Chances Andrey Kolgomorov y aportes
sobre un problema de apuestas de Abraham De Moivre de Fisher, von Mises, Neyman. . .

1650 1660 1700 1750 1800 1850 1900

1657 Siglo XIX
Primer libro de probabilidad Théorie Analytique des Probabilités
por Christian Huygens por Pierre de Laplace y aportes de
De Ratiociniis in Ludo Aleae Pafnuty Chebyshev y Andrey Markov
¿Qué es y para qué sirve la probabilidad?
 ¿Qué es y para qué sirve la probabilidad?

La probabilidad es una medida de la certidumbre de ocurrencia de un evento.

• Permite tomar decisiones en un Universo fundamentalmente incierto.

• Es útil para tratar de
• adivinar el futuro
• adivinar el pasado
• No es posible saber lo que va a pasar, pero podemos modelar y cuantificar lo que
podemos esperar, con base en lo que ya ha sucedido.
Nota al margen: ¿qué hace aleatorio a un fenómeno aleatorio? Puede ser la física (a partir del
principio de incertidumbre), o por ser un sistema caótico (extremadamente sensible a las
condiciones iniciales), o por el conocimiento imperfecto del observador (el fenómeno podría
ser predecible desde algún punto de vista, pero el observador no lo sabe).

◦ ¿Qué es y para qué sirve la probabilidad? 3 / 35

 ¿Qué tipo de cosas vamos a hacer?

• Determinar probabilidades
• Determinar distribuciones de probabilidad

fX (x)

1/ 2πσX2
p

x
µX − σ X µX µX + σ X
Figura: La famosa curva normal o campana gaussiana.

◦ ¿Qué es y para qué sirve la probabilidad? 4 / 35

 ¿Qué aplicaciones tiene la teoría de probabilidad?

• Teoría de la información • Política pública

• Comunicaciones • Aprendizaje automático
• Reconocimiento de patrones
• Epidemias
• Producción industrial
• Finanzas • ...

◦ ¿Qué es y para qué sirve la probabilidad? 5 / 35

Los conceptos de la probabilidad
 Definición clásica de Laplace
¿O de De Moivre?

La probabilidad de un evento A se define a priori (sin experimentación) como

Número de resultados favorables a A

P(A) =
Número total de resultados posibles
(1)
|A| n(A)
= =
|S| n(S)
en el caso de que todos los resultados (o salidas) son igualmente probables.
Operador P(·)

El operador P(·) es una medida de la certeza de la ocurrencia del evento · descrito.

◦ Los conceptos de la probabilidad 6 / 35

 Ejemplo de la caja con bolas blancas y rojas I
Definición clásica de Laplace

Considerar una caja con n bolas blancas y m bolas rojas. En este caso, hay dos
resultados elementales: una bola blanca o una bola roja. ¿Cuál es la probabilidad
de seleccionar una bola blanca?

n
P(seleccionar una bola blanca) =
n+m

◦ Los conceptos de la probabilidad 7 / 35

 Ejemplo de la divisibilidad por un número primo I
Definición clásica de Laplace

Determine la probabilidad de que un número natural cualquiera es divisible por un

número primo n.

• Si n es un número primo, entonces cada n-ésimo número (empezando por n) es

divisible por n.
• Por lo tanto, en n enteros consecutivos hay un resultado favorable, y por tanto:
1
P(un número es divisible por un primo n) =
n

1 2 3 4
5 6 7 8 9
10 11 12 13 14
15 16 17 18 19

◦ Los conceptos de la probabilidad 8 / 35

 Deficiencias de la definición clásica de Laplace

Número de resultados favorables a A

P(A) =
Número total de resultados posibles

• La probabilidad es utilizada para definir la probabilidad (referencia cíclica).

• No puede ser utilizado para situaciones donde los resultados no son igualmente
probables.
• No puede ser utilizado para un número infinito de resultados posibles.

◦ Los conceptos de la probabilidad 9 / 35

 Definición estadística de la probabilidad
Definición y axiomas de la probabilidad

Frecuencia relativa
Un experimento aleatorio se realiza muchas veces, entonces la probabilidad de un
evento A se define como:
n(A)
P(A) = lim (2)
n→∞ n

donde n(A) es el número de ocurrencias de A y n es el número total de “experimen-

tos” o “pruebas”.

Este es un método común para determinación experimental de probabilidades.

◦ Los conceptos de la probabilidad 10 / 35

 Otras probabilidades por frecuencia relativa I

Personas con obesidad

Personas con obesidad

P(ser obeso) = ¿Es correcto decir que tengo
Población mundial
725 039 900 un 9,43 % de probabilidades
= ≈ 9, 43 % de ser obeso y 8,46 % de morir
7 687 217 424
por fumar?
Muertes por fumado
Datos de
Muertes por fumado http://www.worldometers.info/es/.
P(morir por fumar) =
Muertes este año
805 310
= ≈ 8, 46 %
9 514 900
◦ Los conceptos de la probabilidad 11 / 35
 Ejemplo de la divisibilidad por un número primo I
Definición estadística de la probabilidad

Determine la probabilidad de que un número natural cualquiera es divisible por un

número primo n.

• Entre los enteros 1, 2, . . . , m, los números n, 2n, . . . son divisibles por n.

• Por lo tanto, hay bm/nc números divisibles por n entre 1 y m. Entonces

P(un número es divisible por un primo n)

m/n 1
= lim =
m→∞ m n
En el caso anterior se resolvió “analíticamente”, en este caso “probando” todos los
números.

◦ Los conceptos de la probabilidad 12 / 35

 Deficiencias de la definición estadística de la probabilidad

n(A)
P(A) = lim
n→∞ n

• No se pueden realizar infinitos experimentos.

• No puede ser utilizado para un número infinito de resultados posibles.
• Asume eventos equiprobables.

◦ Los conceptos de la probabilidad 13 / 35

 Definición axiomática según Kolgomorov I
Definición y axiomas de la probabilidad

Axioma
Proposición o enunciado tan evidente que no requiere demostración.

Primer axioma La “medida” asignada a un evento que denota su probabilidad es no

negativa.

P(A) ≥ 0 (3)
Segundo axioma La probabilidad de ocurrencia de un resultado que pertenece al
conjunto universal es segura.

P(S) = 1 (4)

◦ Los conceptos de la probabilidad 14 / 35

 Definición axiomática según Kolgomorov II
Definición y axiomas de la probabilidad

Tercer axioma La probabilidad de la suma de eventos mutuamente excluyentes es igual

a suma de la probabilidad de los eventos individuales
N N
!
[ X
P An = P(An ) (5)
n=1 n=1

En el caso especial para dos eventos, A ∩ B = ∅,

P (A ∪ B) = P(A) + P(B)

Un posible mnemónico es PUSuP (Probabilidad de la Unión es la Suma de

las Probabilidades)

◦ Los conceptos de la probabilidad 15 / 35

 Nota sobre los valores de la probabilidad
Fuente común de errores a partir de la definición axiomática

primer axioma −→ 0 ≤ P(·) ≤ 1 ←− segundo axioma

• La medida de la probabilidad es mayor a cero

• La medida de la probabilidad es menor a uno

P(A) = 0,42 1,42



−0,42
(((
P(A)
( ((=(( P(A)
= 

◦ Los conceptos de la probabilidad 16 / 35

 Nota sobre álgebra de conjuntos y aritmética
Fuente común de errores

El tercer axioma es la unión de operaciones de álgebra de conjuntos y

operaciones aritméticas:
N
! N
[ X
P An = P(An )
n=1 n=1

• Los eventos tienen operaciones de álgebra de conjuntos pero no

aritméticas (suma, resta, multiplicación, división).
• Las probabilidades son números (0 < P(·) < 1) con operaciones
aritméticas, pero no operaciones de unión, intersección, complemento.

P(A) P(A) + P(B) P(A +B)

 
 

P(A) ((∪
P(A) (P(B) P(A ∪ B)
(((
(
◦ Los conceptos de la probabilidad 17 / 35
 Ejemplo del lanzamiento de dos dados I

Observar la suma de dos dados que se lanzan

(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6) 2 3 4 5 6 7

(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) 3 4 5 6 7 8
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) 4 5 6 7 8 9
=
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) 5 6 7 8 9 10
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) 6 7 8 9 10 11
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6) 7 8 9 10 11 12

¿Cuál es la probabilidad de estos eventos?

A = {suma = 7}
B = {8 < suma ≤ 11}
C = {10 < suma}

◦ Los conceptos de la probabilidad 18 / 35

 Ejemplo del lanzamiento de dos dados II

Asumiendo que P(Aij ) = 1/36 y dado que los eventos Aij , i, j = 1, 2, . . . , N = 6, son mutuamente
excluyentes, estos deben satisfacer el tercer axioma.
6 6
!
[ X
P(A) = P Ai,7−i = P(Ai,7−i )
i=1 i=1
1 1
 
=6 =
36 6
S6
donde 6 es el número de elementos que satisfacen i=1 Ai,7−i (observable en la tabla anterior) y
36 es el número de eventos posibles (n(S), la cardinalidad del conjunto universal).

◦ Los conceptos de la probabilidad 19 / 35

 Ejemplo del lanzamiento de dos dados III

Con B, hay 9 elementos que satisfacen el requisito B = {8 < suma ≤ 11}

( 6 ! 6
!
[ [
P(B) = P Ai,9−i ∪ Ai,10−i
i=3 i=4
6
!)
[
∪ Ai,11−i
i=5
1 1
 
=9 =
36 4

◦ Los conceptos de la probabilidad 20 / 35

 Ejemplo del lanzamiento de dos dados IV

En C es fácil observar que hay solo 3 resultados elementales coincidentes, por lo que:

1 1
 
P(C) = 3 =
36 12
Adicionalmente,

1 1
 
P(B ∩ C) = 2 =
36 18
10 5
P(B ∪ C) = =
36 18
considerando que

A = {suma = 7} B = {8 < suma ≤ 11} C = {10 < suma}

◦ Los conceptos de la probabilidad 21 / 35

 Consecuencias lógicas de la definición axiomática I
Definición axiomática según Kolgomorov

Las siguientes conclusiones se siguen de los axiomas expuestos:

1 Dado que A ∪ A = S, usando el segundo axioma:

P(A ∪ A) = P(S) = 1

pero A ∩ A = ∅, y utilizando el tercer axioma:

P(A ∪ A) = P(A) + P(A) = 1

⇒ P(A) = 1 − P(A)

2 De forma similar, para cualquier A, con A ∩ ∅ = ∅, entonces

P(A ∪ ∅) = P(A) + P(∅)

pero A ∪ ∅ = A, y así debe cumplirse que P(∅) = 0 .

◦ Los conceptos de la probabilidad 22 / 35
 Consecuencias lógicas de la definición axiomática II
Definición axiomática según Kolgomorov

3 Si A y B no son mutuamente exclusivos, ¿cuál es la probabilidad P(A ∪ B)? Para

resolverlo, se debe volver a expresar esa unión en términos de conjuntos ME
(mutuamente excluyentes), de forma que se pueda utilizar el tercer axioma de la
probabilidad.

A ∪ B = A ∪ AB donde A ∩ AB = ∅ (6)
Utilizando el tercer axioma se tiene que

P(A ∪ B) = P(A ∪ AB) = P(A) + P(AB) (7)

pero también

B = S ∩ B = (A ∪ A) ∩ B = AB ∪ AB (8)

◦ Los conceptos de la probabilidad 23 / 35

 Consecuencias lógicas de la definición axiomática III
Definición axiomática según Kolgomorov

Si AB y AB son ME, se aplica el tercer

axioma (5),
A B
P(B) = P(AB) + P(AB)
P(AB) = P(B) − P(AB)
y sustituyendo en (7) entonces

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

◦ Los conceptos de la probabilidad 24 / 35

 Consecuencias lógicas de la definición axiomática IV
Definición axiomática según Kolgomorov

P(A) = 1 − P(A)

P(∅) = 0

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

◦ Los conceptos de la probabilidad 25 / 35

 Ejemplo del lanzamiento de una moneda I
Definición axiomática según Kolgomorov

Tirar una moneda “justa” indefinidamente y definir el evento A como

A = {escudo aparece, eventualmente}

¿Cuál es P(A)?

La intuición dice que A es un evento con P(A) = 1. Sea

An = {escudo aparece por primera vez

en el n-ésimo tiro}
= {(C, C, C, . . . , C , E)}
| {z }
n−1

◦ Los conceptos de la probabilidad 26 / 35

 Ejemplo del lanzamiento de una moneda II
Definición axiomática según Kolgomorov

Si Ai ∩ Aj = ∅ para 1 ≤ i, j ≤ n (porque cada uno es una secuencia distinta, única),

A1 E
A2 C E
A3 C C E
A4 C C C E
A5 C C C C E
...
se tiene entonces
∞
[
A = A1 ∪ A2 ∪ A3 ∪ · · · ∪ Ai ∪ · · · = Ai
n=1

es decir: “en alguno pega”, eventualmente.

◦ Los conceptos de la probabilidad 27 / 35

 Ejemplo del lanzamiento de una moneda III
Definición axiomática según Kolgomorov
Y el tercer axioma establece que
∞ ∞
!
[ X
P(A) = P Ai = P(An )
n=1 n=1

Con P(C) = P(E) = 1 /2 es posible establecer la probabilidad de un acierto en n intentos

n−1
!
Y 1
P(An ) = P(C) P(E) = n
2
i=1

Combinando y utilizando la serie geométrica, el resultado es

∞ ∞
X X 1
P(An ) = =1
n=1 n=1
2 n

◦ Los conceptos de la probabilidad 28 / 35

 Prueba de equivalencia I
Sumas finitas e infinitas el tercer axioma

El tercer axioma se postuló de esta forma: la probabilidad de la unión de eventos

mutuamente excluyentes es igual a suma de la probabilidad de los eventos individuales
N N
!
[ X
P An = P(An )
n=1 n=1

y aplica tanto para una suma finita como para una suma infinita
∞ ∞
!
[ X
P An = P(An )
n=1 n=1

◦ Los conceptos de la probabilidad 29 / 35

 Prueba de equivalencia II
Sumas finitas e infinitas el tercer axioma

Prueba Si P(∅) = 0, considerar la colección infinita A1 = ∅, A2 = ∅, A3 = ∅, . . . y

dado que ∅ ∩ ∅ = S ∅, los eventos en esta colección son disjuntos (mutuamente
excluyentes, ME) y Ai = ∅.
El tercer axioma entonces afirma que
X
P(∅) = P(∅)

y esto solo puede suceder si P(∅) = 0. Ahora, hay que suponer que A1 , A2 , A3 , . . . , Ak
son ME, y se les une la colección infinita Ak+1 = ∅, Ak+2 = ∅, Ak+3 = ∅, . . .

◦ Los conceptos de la probabilidad 30 / 35

 Prueba de equivalencia III
Sumas finitas e infinitas el tercer axioma

Los eventos A1 , . . . , Ak , Ak+1 , . . . son disjuntos dado que A ∩ ∅ = ∅ para cualquier

evento. De nuevo el tercer axioma dice
∞ ∞
!
[ X
P Ai = P(Ai )
i=1 i=1
Xk ∞
X
= P(Ai ) + P(Ai )
i=1 i=k+1
k
X ∞
X k
X
= P(Ai ) + 0= P(Ai )
i=1 i=k+1 i=1

confirmando la equivalencia.

◦ Los conceptos de la probabilidad 31 / 35

 Creación del espacio de probabilidad I

Un experimento dentro del contexto de nuestro estudio, se definirá con

1 asignación de un espacio de muestras S = {s1 , . . . , sn , . . . , sN } con N el número
total de resultados elementales posibles
2 definición de cierto evento de interés A = {a1 , . . . , am , . . . , aM } con M ≤ N
resultados mutuamente excluyentes, y
3 asignación de probabilidad P = {p1 , . . . , pn , . . . , pN } a los resultados elementales
tal que satisfagan los axiomas
• P(am ) ≥ 0
• P(S) = 1
M
! M
[ X
• P(A) = P am = P(am )
m=1 m=1

◦ Los conceptos de la probabilidad 32 / 35

 Creación del espacio de probabilidad II

Esto define un “espacio de probabilidad” representado como

(S, P)

(s6 , p6 )
A (s4 , p4 )
(s1 , p1 ) (s2 , p2 )
(s3 , p3 ) (s7 , p7 )
S
(s5 , p5 )

y permite un cálculo de probabilidad tal como

P(A) = p2 + p3 + p4

◦ Los conceptos de la probabilidad 33 / 35

 Ejemplo de la escala de Apgar I
Justo después de nacer, los niños son evaluados en una escala llamada la escala de Apgar.
Los posibles valores son 0, 1, . . . , 10, que está determinado por color, tonificación
muscular, esfuerzo respiratorio, ritmo cardíaco y reflejos (el mejor valor posible es 10).
Luego de análisis estadísticos, se determina que su “espacio de probabilidad” es

x 0 1 2 3 4 5 6 7 8 9 10
P(x) 0,002 0,001 0,002 0,005 0,02 0,04 0,18 0,37 0,25 0,12 0,01

¿Cuál es la probabilidad del evento A = {x ≥ 7}?

P(A) = P(x ≥ 7) = P(7) + P(8) + P(9) + P(10)

= 0,37 + 0,25 + 0,12 + 0,01 = 0,75

◦ Los conceptos de la probabilidad 34 / 35

 Videos y referencias en internet

• Probability Part 1: Rules and Patterns

CrashCourse, https://youtu.be/OyddY7DlV58
• Overpopulation – The Human Explosion Explained
Kurzgesagt – In a Nutshell, https://youtu.be/QsBT5EQt348
• The Man Who Invented Modern Probability:
Chance encounters in the life of Andrei Kolmogorov
Slava Gerovitch,
https://getpocket.com/explore/item/the-man-who-invented-modern-probability

◦ Los conceptos de la probabilidad 35 / 35