Está en la página 1de 5

PROBABILIDAD CAPITULO I

QU ESTUDIA LA PROBABILIDAD?
En la naturaleza tienen lugar fenmenos que pueden ser descritos satisfactoriamente mediante modelos matemticos determinsticos, llamados as porque una vez conocidas las condiciones bajo las que ocurren, es posible predecir el resultado. Por ejemplo, Cuando dejamos caer una piedra o la lanzamos y conocemos las condiciones iniciales de altura, velocidad, etc., podemos predecir dnde caer o cunto tiempo tardar en caer; tambin, si enfriamos agua hasta cero grados centgrados bajo presin atmosfrica normal sabemos sin duda alguna que se formar hielo. Otros ejemplos de modelos determinsticos muy conocidos son: las Leyes de Kepler que describen el movimiento de los planetas alrededor del sol y la Ley de la Gravitacin Universal que modela la fuerza de atraccin entre dos cuerpos. Existen en cambio otros fenmenos que no pueden ser representados mediante modelos matemticos determinsticos porque el conocer las condiciones bajo las que ocurren no permite predecir el resultado, sino nicamente que el resultado es uno de entre una serie de resultados posibles. A estos fenmenos se les denomina fenmenos aleatorios y se llaman as porque es impredecible o al azar lo que ocurrir cuando se presenta el fenmeno. Entre estos fenmenos se encuentran aquellos experimentos, llamados experimentos aleatorios, que bajo el mismo conjunto de condiciones iniciales, pueden presentar resultados diferentes, es decir, no se puede predecir el resultado exacto de cada experiencia particular; el ejemplo clsico de estos experimentos es el lanzamiento de una moneda. Los siguientes son algunos ejemplos de fenmenos aleatorios que se presentan en diferentes mbitos de la vida diaria: En Fsica: la resistencia a la tensin de una barra de acero En Poltica: el nmero de integrantes del padrn electoral que votarn por un cierto candidato. En Educacin: el nmero de alumnos de primer ao de secundaria del estado, que aprobarn su curso de matemticas. En biologa: el conteo por unidad de volumen del nmero de bacterias en el agua de un cenote; la concentracin de una enzima en una cierta poblacin de algas. En Agricultura: La altura al cabo de un ao de un rbol de naranja despus de que se le administra un nuevo fertilizante. En ingeniera: la carga que un puente puede soportar antes de desplomarse en un ro. En computacin: el nmero de llegadas de usuarios a un servidor Web en un intervalo de tiempo fijo. En Actuara: Las prdidas por el impacto de fenmenos naturales en el estado durante este ao. En produccin: El nmero de artculos defectuosos en una lnea de produccin durante un cierto perodo de tiempo. Hay que aclarar que el que un fenmeno sea aleatorio no necesariamente es una propiedad del fenmeno mismo, sino que podra provenir de la posicin relativa del observador. Por ejemplo, un eclipse solar ha dejado de ser aleatorio porque con las leyes de la mecnica celeste hoy da se le puede predecir con entera certeza, pero para alguien que no conoce de mecnica celeste, el eclipse solar es esencialmente un fenmeno aleatorio; los nmeros aleatorios generados por una computadora en el fondo no son aleatorios, porque se producen en forma recursiva, pero al no conocerse explcitamente dicha funcin recursiva, s resultan aleatorios en el sentido de que no podemos predecir la secuencia. Ante lo impredecible del resultado de la ocurrencia de un fenmeno aleatorio la humanidad no se resign a no hacer nada y simplemente dejar que ocurra para conocer su resultado. Hace mucho tiempo ya que el azar fue enfrentado, hoy contamos con una aproximacin cientfica, denominada probabilidad, universalmente aceptada para estudiarlo y cuantificarlo. Aunque en estas notas no sern consideradas, hay que mencionar que al margen de

la ciencia existen otras aproximaciones que tambin pretenden enfrentar la incertidumbre, ejemplos de esto son la astrologa y la adivinacin. En resumen se puede decir que: La probabilidad es una rama de la ciencia que estudia tcnicas matemticas para medir la incertidumbre. La probabilidad mide la incertidumbre a travs de un modelo matemtico cuyo objetivo es modelar la aleatoriedad; el resultado de la aplicacin de este modelo es la asignacin de un valor al resultado cuya incertidumbre se desea medir, este valor es denominado la probabilidad de ocurrencia de dicho resultado. Pero es posible modelar el azar? Bueno, hay fenmenos aleatorios para los que el azar no es tan azaroso como uno pudiera inicialmente creer; tiene algo que puede cuantificarse e inclusive predecirse. Este algo suele ser denominado en la bibliografa como regularidad estadstica y con ello se intenta describir que resultados individuales no pueden predecirse, pero que dentro de un gran nmero de realizaciones de experimentos aleatorios s es posible predecir satisfactoriamente qu va a ocurrir. Por ejemplo, en una gran cantidad de lanzamientos de una moneda justa, aproximadamente la mitad de las veces saldr guila. Otro ejemplo, una compaa de seguros no puede predecir si una persona en particular va a morirse a los 50 aos, pero puede predecir muy satisfactoriamente cuntas personas del pas morirn a esa edad durante, por ejemplo, este ao. Esta regularidad estadstica fue conocida desde los inicios de la probabilidad, en las mesas de los juegos de azar. Actualmente se reconocen tres tipos de probabilidad: la probabilidad clsica o a priori, la probabilidad de frecuencias o a posteriori y la probabilidad axiomtica.

PROBABILIDAD CLSICA O A PRIORI


La asociacin de la probabilidad a los juegos de azar, fue lo que dio lugar a la definicin de probabilidad clsica. An cuando en los juegos de azar el resultado de un solo ensayo es incierto, los jugadores reconocan que en un nmero grande de ensayos el resultado de lanzar un dado o una moneda legal es predecible. As, saban que en una gran cantidad de lanzamientos de una moneda legal, aproximadamente la mitad de las veces saldra "guila". El gran logro de la probabilidad clsica fue el ir ms all de las mesas de juegos de azar al introducir un proceso lgico para estudiar la incertidumbre. Este proceso considera, como lo hicieron los jugadores de juegos de azar, que la "regularidad estadstica" permite usar argumentos como el que sigue: supongamos que queremos hallar la probabilidad de que al lanzar una moneda legal (significa que no tiene tendencia a caer ms hacia un lado que hacia el otro cuando se repite el experimento) salga "guila"; como slo hay dos maneras de que caiga una moneda, guila o sol, y puesto que la moneda es legal, uno esperara que sea tan frecuente el que salga guila como que el salga sol en un nmero grande de tiradas; entonces, al evento de que salga "guila" debe asignrsele el valor e igualmente al evento de que salga sol debe asignrsele tambin probabilidad de ocurrencia 1/2. Anlogamente para el caso de un dado, en donde la regularidad conducira a que a cada cara se le asigne probabilidad 1/6 de ocurrencia. Partiendo entonces de que la regularidad proporciona la probabilidad asociada con cada uno de los posibles resultados experimentales, la probabilidad clsica asume que todos los resultados experimentales son igualmente probables y concentra sus esfuerzos en desarrollar un sistema lgico para obtener probabilidades de grupos particulares de observaciones, por ejemplo, para obtener la probabilidad de que al lanzar dos monedas ambas muestren la misma cara, determinar tales probabilidades, en general, no es un problema trivial. El proceso queda expresado en forma completa en la siguiente definicin. Definicin: Si en un experimento aleatorio pueden resultar n observaciones mutuamente excluyentes e igualmente probables y si de esos resultados hay una cantidad nA que tiene una caracterstica A, entonces la probabilidad de que ocurra la caracterstica A es la fraccin

nA / n .

Nota: La denominacin a priori se debe a que los clculos se realizan sin necesidad de llevar a cabo el experimento. Ejemplo. Se lanza un dado ordinario. Entonces, hay 6 resultados posibles. Estos 6 resultados son mutuamente excluyentes pues si ocurre un resultado dado no puede ocurrir ningn otro. Como el dado es legal los 6 resultados son igualmente probables, es decir, se espera que cada cara aparezca tan frecuentemente como cualquier otra al repetir el experimento un gran nmero de veces. Ahora, supongamos que queremos hallar la probabilidad de que el resultado del lanzamiento sea un nmero par. Tres de los 6 resultados posibles tienen esta propiedad. Por lo tanto, la probabilidad de que salga un nmero par cuando se lanza un dado es 3/6, o 1/2. Similarmente la probabilidad de que salga el 5 es 1/6, y la probabilidad de que salga un nmero mayor que 2 es 2/3. Una definicin como la dada en probabilidad clsica para calcular probabilidades tiene claramente muchas limitaciones: No puede ser aplicada cuando el nmero de resultados posibles del experimento es infinito: ejemplo, cuando el experimento consiste en lanzar una moneda hasta que salga guila. No puede ser aplicada cuando los resultados posibles del experimento no son igualmente probables: ejemplo, se lanza una moneda ilegal, esto nos indica que la oportunidad de obtener guila es diferente a la de obtener sol.

Ante esta situacin requerimos alterar o extender nuestra definicin de modo que podamos incluir dentro del marco de la teora a este tipo de problemas. Esta extensin aplicable al concepto de probabilidad es la llamada probabilidad a posteriori, o frecuentista. PROBABILIDAD FRECUENTISTA O A POSTERIORI Cuando en la probabilidad clsica establecemos que la probabilidad de que al lanzar una moneda salga "guila" es 1/2, llegamos a ello mediante razonamientos puramente deductivos, y por tanto no requerimos de que sea lanzada alguna moneda y ni an que tengamos a la mano una moneda. En la probabilidad a posteriori es diferente. La probabilidad frecuentista usa el concepto de frecuencia relativa para cuantificar la incertidumbre. Para describir este concepto, consideremos un experimento que puede ser repetido un nmero grande de veces. La frecuencia relativa de un resultado particular del experimento en una sucesin de repeticiones de ste, es la fraccin del nmero total de repeticiones del experimento en que se obtuvo el resultado deseado. Por ejemplo, si la sucesin de resultados al lanzar cinco veces una moneda es guila, Sol, Sol, Sol, guila, la frecuencia relativa de guila es 2/5, mientras que si la sucesin hubiese sido Sol, guila, Sol, guila, guila, la frecuencia relativa de guila sera 3/5. La experiencia sugiere que conforme se incremente el nmero de repeticiones del experimento, la frecuencia relativa asociada con un resultado particular converge a un valor. Por ejemplo, la frecuencia relativa de guila se aproxima a conforme el nmero de lanzamientos de la moneda se incremente, suponiendo desde luego que la moneda es legal. Este valor al que converge la frecuencia relativa es precisamente la probabilidad de que ocurra el resultado deseado. Pero la Probabilidad Frecuentista no calcula este valor de convergencia como probabilidad, en su lugar usa la frecuencia relativa obtenida de realizar el experimento un nmero grande de veces como un estimado de este valor. De este modo, aunque considera que la probabilidad de ocurrencia de un cierto resultado del experimento es un nmero fijo*, en cambio el estimado de dicha probabilidad puede cambiar de un conjunto de datos experimentales a otro.
*Cabe mencionar que existe otra perspectiva, conocida como interpretacin Bayesiana, en la cual las probabilidades son consideradas como un valor obtenido de una creencia personal. Desde esta perspectiva, la probabilidad asignada a un resultado particular de un experimento, puede ser diferente para dos personas diferentes y pueden cambiar con el tiempo al incorporar nueva informacin.

Ejemplo Supongamos que tenemos una moneda, no necesariamente legal, y que se pretende conocer la probabilidad de que al lanzarla salga guila. El procedimiento es, se lanza una moneda muchas veces, digamos 1000

veces, y se tabulan las frecuencia relativas obtenidas. De estas frecuencias relativas se obtendr la probabilidad buscada. Por ejemplo si las tabulaciones son: Resultado Frecuencia Frecuencia Relativa A NA N A /1000 S Total

NS
1000

N S /1000
1

La probabilidad de que salga guila es entonces su frecuencia relativa correspondiente, es decir : P ( A) = N A /1000 Si N A =550, la Probabilidad Frecuentista concluye que un estimado para la probabilidad de que salga guila es 0.55, mientras que la verdadera probabilidad permanece desconocida. Si ahora al experimentador le llega la informacin de que en otros 1000 lanzamientos de la moneda se observaron 510 guilas, el frecuentista concluye que el estimado para esta probabilidad es ahora de 0.51, mientras la probabilidad desconocida de que salga guila es la misma de antes. Aunque un proceso frecuentista para calcular probabilidades ya no tiene los problemas que presentaba la probabilidad clsica, en cambio, presenta otros: qu tan grande debe ser el nmero de repeticiones? hay situaciones que legtimamente deben ser estudiadas bajo el enfoque de probabilidad pero que no es posible analizarlos en el marco de experimentos repetibles, por ejemplo si se quiere responder a la pregunta cul es la probabilidad de que la tercera guerra mundial empiece antes del 2010?. Para responder casos como estos, se involucra otro tipo de probabilidad conocida como probabilidad axiomtica. PROBABILIDAD AXIOMTICA Actualmente existe una teora de probabilidad lo suficientemente rica para incluir la probabilidad a priori, la a posteriori y que adems permite estudiar problemas que no quedan en el marco de la repetibilidad, se denomina Probabilidad Axiomtica. En el mbito de esta probabilidad se desarrollan estas notas que presentan una introduccin a la probabilidad, con nfasis en el clculo de probabilidades. La probabilidad axiomtica se desarrolla a partir de un modelo matemtico integrado por una terna (, A, P). Como su nombre lo indica, su estudio parte de un conjunto de axiomas, y de ellos se obtendrn nuevas proposiciones que son las que precisamente nos sern tiles para el clculo de probabilidades. A (, A, P) se le llama espacio o modelo de probabilidad. En las siguientes secciones es tratado de cada uno de los elementos de un espacio de probabilidad. Espacio Muestral Primer elemento de la terna del espacio de probabilidades Espacio Muestral: Se dice que el conjunto es un espacio muestral si es el conjunto de todos los resultados posibles de un experimento aleatorio. Evento Simple: A cada resultado posible del experimento es denominado Evento simple o punto muestral. Evento: Es un subconjunto del espacio muestral , o bien conjunto de eventos simples. Clase: Es un conjunto de subconjuntos del espacio muestral, o bien un conjunto de eventos del espacio muestral . Clase potencia: Dado un espacio muestral , la clase potencia de consiste de todos los subconjuntos de (incluyendo mismo y ), y este espacio es denotado por 2. Un experimento aleatorio puede dar lugar a tres tipos de espacios muestrales segn la cantidad de elementos que componen dicho espacio, estos son: - Espacios muestrales con puntos muestrales numerables, estos pueden ser finitos o bien infinitos. - Espacios muestrales con puntos muestrales no numerables (infinitos) Espacios muestrales numerables (finitos o infinitos)

1. 2. 3. 4.

A) Experimentos que generan espacios muestrales finito El lanzamiento de una moneda El lanzamiento de una moneda cuatro veces y se observa la sucesin de guilas y soles obtenidos. (Mendenhall 2.13).Cuatro personas de igual preparacin solicitan dos puestos idnticos en una compaa. Los puestos se otorgan seleccionando dos de los aspirantes al azar. Determine el espacio muestral del experimento. (Mendenhall 2.17). Lo enfermos que acuden a una clnica, sin ser hospitalizados ah, pueden elegir a una de tres secciones para ser atendidos. Suponga que los mdicos son asignados aleatoriamente a tales secciones y que por esto los pacientes no presentan preferencia alguna con respecto a alguna seccin. Tres pacientes acuden a la clnica y se observa a la seccin que eligen. Determinar el espacio muestral que genera el experimento.

B) Experimentos que generan espacios muestrales numerables infinitos 5. El lanzamiento de una moneda hasta que salga guila (a-gula, s-Sol) 6. El 40% de una poblacin de adultos tiene cierta enfermedad. Un centro de salud se toma la tarea de aplicar anlisis a la poblacin, pues desean detectar al primer adulto con indicaciones positivas de esta enfermedad para realizar ms pruebas. Determine el espacio muestral de este experimento. SOLUCIN DE LOS EJEMPLOS Ejemplo 1. El lanzamiento de una moneda ={a,s} Ejemplo 2. El lanzamiento de una moneda cuatro veces y se observa la sucesin de aguilas y soles obtenidos ={aaaa, aaas, aasa, asaaa, saaa, ssaa, sasa, saas, aass, assa, asas, sssa, ssas, sass, asss, ssss}={x1,x2, x3, x4}| xi=s o xi=a i=1,2,3,4} Ejemplo 3. (Mendenhall 2.13). Cuatro personas de igual preparacin solicitan dos puestos idnticos en una compaa. Los puestos se otorgan seleccionando dos de los aspirantes al azar. Determine el espacio muestral del experimento. Solucin: Denotemos a los candidatos por C1, C2, C3 y C4. Aqu ={ (C1,C2), (C1,C3), (C1,C4), (C2,C3), (C2,C4), (C3,C4) } Ejemplo 4. (Mendenhall 2.17) Lo enfermos que acuden a una clnica, sin ser hospitalizados ah pueden elegir a una de tres secciones para ser atendidos. Suponga que los mdicos son asignados aleatoriamente a tales secciones y que por esto los pacientes no presentan preferencia alguna con respecto a alguna seccin. Tres pacientes acuden a la clnica y se observa a la seccin que eligen. Determinar el espacio muestral que genera el experimento. Solucin: Considerando que llegan los pacientes, la posicin indica el orden en que llegan y cada paciente tiene la opcin de seleccionar a cualquiera de las tres secciones, Seccin 1 (denotado por 1), Seccin 2 (denotado por 2), Seccin 3 (denotado por 3) . El espacio muestral resulta: ={ (1,1,1), (1,1,2), (1,1,3), (1,2,1), (1,2,2), (1,2,3), (1,3,1), 1,3,2) , (1,3,3), (2,1.1), 2,1,2), (2,1,3), (3,1,1), (3,1,2), (3,1,3), (2,2,1), (2,2,2), (2,2,3), (3,2,1), (3,2,2), (3,2,3), 2,3,1, (2,3,2), (2,3,3), (3,3,1), (3,3,2) (3,3,3) } Donde (1,3,1) indica: Paciente 1 seleccion seccin 1. Paciente 2 seleccion seccin 3 Paciente 3 seleccion seccin 1 Algunas veces no puede ser expresado explcitamente el espacio muestral, pero debe estar implcito en el contexto. Como se muestra para el ejemplo 2. El lanzamiento de una moneda cuatro veces y se observa la sucesin de guilas y soles obtenidos. ={x1,x2, x3, x4}| xi=s o xi=a } Ejemplo 5. El lanzamiento de una moneda hasta que salga aguila(a)={a,sa,ssa,sssa,} es un espacio muestral infinito numerable.