Anda di halaman 1dari 13

ndice

Introduccin............................................................................................... 3
Conceptos Bsicos de Probabilidad..................................................................5
Probabilidad Clsica..................................................................................... 5
Axiomas de Probabilidad............................................................................... 7
Teoremas:.................................................................................................. 8
Teorema 1 regla general de la adicin............................................................8
Teorema 2: Regla de complementacin..........................................................9
Teorema de la multiplicacin.....................................................................10
Probabilidad Condicional............................................................................. 11
Conclusin.............................................................................................. 13
Bibliografa.............................................................................................. 14

Introduccin
Tanto el cientfico como el ciudadano de a pie estn sometidos a una permanente
recepcin de informaciones, observaciones, que se pueden presentar bajo modos
muy dispares: los resultados de un experimento, percepciones sensoriales, datos
numricos, hechos histricos, opiniones personales, etc.
Es, y ha sido siempre, una constante el que las personas hayan querido interpretar
sus observaciones, experiencias, para aprehender el mundo que les rodea. Y
siempre ha dirigido parte de sus esfuerzos a encontrar tcnicas, mtodos,
procedimientos, o como quiera que se les denomine, para poder interpretar sus
observaciones.
Un fenmeno determinista es aquel que, cuando se reproduce en la mismas
condiciones, podemos predecir con certeza cul va a ser el resultado, la
observacin que derivar. Por el contrario, el fenmeno aleatorio es el que en cada
manifestacin, aunque se produzca bajo idnticas condiciones, el resultado no se
puede predecir con certeza, y slo es conocido despus de su realizacin.
Precisamente este tipo de fenmenos aleatorios son el objeto de la Estadstica, y la
incertidumbre que implican hasta que se plasman en algunas observacin o
resultado concreto, es la esencia de dichos fenmenos.
No obstante, y reconociendo la presencia de incertidumbre siempre que nos
enfrentamos a un fenmeno aleatorio, no es menos cierto que, en la mayora de
los casos, podemos establecer de antemano todas las categoras potenciales en que
puede devenir, es decir, cuntas manifestaciones diferentes puede presentar. Estos
posibles resultados son denominados sucesos aleatorios o eventos; y como hemos
sealado constituyen las categoras potenciales del fenmeno, de forma que
alguno de esos sucesos, despus de la realizacin del fenmeno, se transformar
en observacin o resultado.
Para intentar acotar el grado de incertidumbre que producen los fenmenos
aleatorios siempre ser til estudiar sus posibles concreciones, es decir, los
diferentes sucesos que pueden producirse.
Pero una mayor reduccin de nuestro nivel de incertidumbre no solo se logra con
la enumeracin del conjunto de sucesos aleatorios que puedan manifestarse sino
asignando a cada suceso un indicador de las posibilidades que tiene de acontecer:
ese indicador no es otra cosa que los que denominamos probabilidad.

La teora de probabilidad es un sistema matemtico compuesto de trminos


definidos e indefinidos y de un conjunto de suposiciones relativas a ellos. Es una
disciplina abstracta que usamos como modelo para hacer deducciones relativas a
eventos que posiblemente pueden suceder en una operacin fsica real o
imaginaria.
La estadstica implica procesos repetitivos. Se podra decir entonces, que en la
teora de la probabilidad empezamos con leyes de azar supuestas que utilizamos
como modelo para guiarnos al predecir los resultados de ciertos experimentos, En
la estadstica, examinamos los resultados de operaciones repetitivas y despus
intentamos interpretarlos con la ayuda de las probabilidades estimadas.

Conceptos Bsicos de Probabilidad


Experimento: Es cualquier proceso al azar que produce un resultado.
Resultado: Efectos obtenidos del experimento.
Espacio muestral: Es el conjunto de todos los posibles resultados de un
experimento estadstico, tiene relacin con el conjunto universal de la teora de
conjuntos. Se representa con la letra mayscula S.
Evento: Es un subconjunto del espacio muestral que puede tener 1 ms
elementos. Se denotan con letras maysculas similares a los subconjuntos de la
teora de conjuntos.
Puntos muestrales: Es el nmero de posibles resultados que hay en un espacio
muestral.

Probabilidad Clsica
Durante la segunda mitad del siglo XVII se inician los primeros intentos
cientficos de medir la probabilidad de un suceso (Pascal, Fermat, Huygens,
Bernoulli, Leibniz, etc.) pero es con Laplace en 1812 cuando, con su definicin de
probabilidad conocida como clsica, comienza el definitivo arranque del Clculo
de Probabilidades.
Laplace define la probabilidad de un suceso como el cociente entre el nmero de
casos favorables y el nmero total de casos, siempre que todos sean igualmente
posibles.
Ejemplo
La probabilidad de extraer un as de una baraja perfecta de cuarenta cartas se
calcula de la siguiente forma: el nmero de casos favorables es cuatro, us en la
baraja hay cuatros ases, y el nmero de casos posibles es cuarenta, las cuarentas
cartas que pueden extraerse, por lo cual la probabilidad de obtener un as es igual a
4/40 = 1/10.
De la definicin clsica de la probabilidad se desprenden una serie de
propiedades:

P(S) 0. La probabilidad se ha definido como el cociente del nmero de


casos favorables al suceso S y el nmero de casos posibles, por lo que el

cociente no puede ser negativo, y su lmite inferior 0 se alcanza cuando el


nmero de casos favorables sea nulo.
P(S) 1. El nmero de casos favorables nunca puede ser mayor que el
nmero total de casos, a lo sumo igual.

Ejemplo 1
Si el suceso es obtener cualquier nmero del 1 al 6, suceso cierto, el nmero
de casos favorables (6) coincide con el total (6) y su cociente es la unidad. Si,
por el contrario, el suceso consiste en que no salga ningn nmero del 1 al 6,
suceso imposible, su probabilidad es cero, pues en el espacio muestral no hay
ningn suceso que cumpla esta condicin siendo, por tanto, el nmero de
casos favorables cero.
Ejemplo 2
Sea el experimento aleatorio consistente en arrojar un dado solamente una vez
y el suceso de inters obtener nmero par. En el experimento el espacio
muestral est integrado por los seis primeros nmeros enteros, E= {1, 2, 3, 4,
5, 6}. El suceso concreto, que denominaremos S, es un suceso compuesto, S =
{nmero par} = {2, 4, 6}, es decir, obtenido siempre que al arrojar el dado el
nmero resultante sea 2 o 4 o 6. Planteando as el experimento, el nmero total
de casos que pueden darse es seis, {1, 2, 3, 4, 5, 6}, y el de favorables tres, {2,
4, 6}. Si suponemos que utilizamos un dado idea (por lo cual todos los
elementos del espacio muestral {1, 2, 3, 4, 5, 6} son igualmente posibles,
ninguno se manifiesta con ms o menos intensidad que otros), la teora clsica
define la probabilidad del suceso S, P(S), como el cociente del nmero de
casos favorables, tres, respecto al del nmero total de casos posibles, seis.

P(S) = P(nmero par) =

N mero de casosfavorables 3 1
= = =
P(2) + P(4)
N mero total de casos
6 2

+ P(6)
El resultado 1/2 es la probabilidad buscada, indicando que de cada dos casos
uno puede ser nmero par. Es importantes tener presente que el resultado no
dice que siempre que se lance un dado dos veces una de ellas ser
necesariamente nmero par, sino que debemos interpretar 1/2, en el sentido
que en una larga serie de tiradas aproximadamente la mitad de ellas ser par o,
dicho de otro modo, que la probabilidad que en la tirada siguiente salga
nmero par es 1/2.

La probabilidad clsica supone que el nmero de casos totales (posibles) sea


finito, lo que implica otra limitacin de su campo de aplicabilidad.
Otra situacin para la cual la teora clsica no tiene respuesta es, por ejemplo,
el clculo de la probabilidad de que el nio nazca en el ltimo instante del ao
sea varn.

Todas las circunstancias expuestas, que limitan la utilizacin de la


probabilidad clsica en las ciencias empricas, conducen a la exigencia de un
nuevo concepto de probabilidad que d respuesta a las objeciones planteadas.

Axiomas de Probabilidad
Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y
Teoremas que a continuacin se enumeran.
Sea S un espacio muestral y A un evento en S.
1) La probabilidad de que ocurra el espacio muestral S debe de ser 1.
P(S) = 1
La probabilidad del espacio muestral es exactamente 1.
2) La probabilidad de que ocurra un evento A cualquiera se encuentra entre
cero y uno.
0 > P(A) > 1
No es posible asignarle una probabilidad a un evento que sea negativo.

3) P(A B) = P(A) + P(B) Si A y B son eventos mutuamente excluyentes,


es decir P(A B= .
Generalizando:
El axioma 3 dice que si dos eventos A y B son mutuamente excluyentes, entonces
la probabilidad de su unin es la suma de sus probabilidades individuales.

P(Ai)

P(A1 A2 ......... An) = p(A1) + p(A2) + .......+ p(An) =

i=
1
Sucesos mutuamente excluyentes o incompatibles son aquellos
que no pueden

ocurrir al mismo tiempo, por ejemplo que una persona sea hombre y mujer al
mismo tiempo, que una persona tenga el grupo sanguneo 0 y el B, que al tirar un
dado salga el nmero 5 y una cifra par al mismo tiempo, etc.
El primer Axioma indica que el mximo valor que puede tomar la probabilidad de
un suceso es 1, esto ocurre cuando el suceso es seguro.
El segundo axioma india que el mnimo valor que puede tomar la probabilidad es
cero, y por lo tanto no puede ser negativo.
El tercer axioma que desde un punto de vista formal debera haberse enunciado en
principio como una sucesin infinita de sucesos, por motivos didcticos y
teniendo en cuenta que los espacios muestrales que se utilizan en estadstica
aplicada, en general, son finitos, se ha aplicado el axioma a espacios muestrales
finitos directamente. Si tenemos una sucesin y es una coleccin de infinita de
elementos excluyentes que no comparten nada entre ellos, se calcula como la
suma de probabilidades individuales.
Los axiomas tienen una serie de aplicaciones al clculo de probabilidades que
pueden demostrarse de forma inmediata.

Teoremas:

Teorema 1 regla general de la adicin


Si A y B son dos sucesos cualesquiera:
P(A B) = P(A) + P(B) P(A B)
Este importante teorema es conocido con el nombre de regla general de adicin
por su trascendencia en el clculo de probabilidades.
Ejemplo
Si el experimento es lanzar un dado una vez, el espacio muestral es:
S = {1,2, 3, 4, 5, 6}
Si el evento A es caer un nmero par

A = {2, 4, 6}
Si el conjunto B es un nmero menor de 3
B = {1, 2}
Cul ser la probabilidad de que suceda alguno de estos dos eventos?
Primero identificamos que es lo que queremos, la probabilidad de que sea par o
menor de tres.
Es decir: P(A B)
Ya que identificamos lo que queremos ahora debemos saber lo que conocemos.
La probabilidad de A y la probabilidad de B es:
P(A) =

3
6

= 0.50

P(B) =

2
=0.33
6

Para aplicar este teorema es necesario conocer la probabilidad de la interseccin


de estos dos eventos si se quiere conocer la probabilidad de la unin, o de manera
inversa, conocer la probabilidad de la unin para calcular la probabilidad de la
interseccin.
En este caso queremos saber la unin, entonces es necesario conocer la
interseccin que es nmero par y menor de 3.
A B = {2} entonces P(A B) =

2
6

= 0.33

Si aplicamos la regla de adicin:


P(A B) = P(A) + P(B) P(A B)
P(A B)= 0.50 + 0.33 0.33 = 0.5
Dato: Las leyes de Morgan declaran que el complemento de la interseccin de dos
sucesos es igual a la unin de cada complemento de cada suceso, y que el
complemento de la unin de dos sucesos es igual a la interseccin del
complemento de esos sucesos.
A B =AU B
AU B = A B

Teorema 2: Regla de complementacin


La probabilidad de que el complemento de un evento ocurra est dada por la
siguiente ecuacin:
P() = 1 P(A)

Ejemplo
En el experimento de lanzar un dado y registrar que cara es la de arriba, si el
suceso A = es menor de tres, entonces la probabilidad de =no sea menor de
tres es:
P(A) = 2/6 = 0.33
P() = 1 - 0.33 = 0.67
Teorema 3 Regla de la multiplicacin
Teniendo en cuenta:
P(A B) = P(A) P(B/A)
La expresin anterior tiene una gran importancia en el clculo de probabilidades,
y es conocido como teorema de la multiplicacin.
Ejemplo:
En un servicio de medicina interna el 40% de los pacientes ingresados es a causa
de enfermedades infecciosas. La probabilidad de que un paciente sea diabtico
sabiendo que tiene una infeccin, es del 25%.
Calcular la probabilidad de que un paciente ingresado en un servicio de medicina
interna sea diabtico y tenga una infeccin.
En este caso, el suceso A es tener un proceso infeccioso cuya probabilidad P(A) =
0.4 y el suceso B probabilidad de ser diabtico, cuya probabilidad se desconoce,
sin embargo se conoce la probabilidad de ser diabtico sabiendo que el paciente
padece de una infeccin P(B/A) = 0,25; aplicando el teorema de la multiplicacin
se puede calcular la probabilidad pedida, que es la de la interseccin P(A B). La
probabilidad de que un individuo ingresado en dicho servicio de medicina tenga
una infeccin y sea diabtico segn este teorema seria:

P(A B) = P(A) P(B/A) = 0,4 . 0,25 = 0,1


El 10% de los pacientes ingresados son diabticos y tienen una infeccin.

Probabilidad Condicional
La probabilidad de que un evento B ocurra cuando se sabe que ya ocurri algn
evento A se llama probabilidad condicional y se denota por P(B/A). El smbolo
P(B/A) por lo general se lee la probabilidad de que ocurra B dado que ocurri A
o simplemente La probabilidad de B, dado A.
Ejemplo 1
Se realiza una encuesta de mercado a 1000 hogares, 250 de estos hogares
planearon comprar un equipo de televisin pantalla grande, y solo 200 hogares lo
compraron. Calcule la probabilidad condicional de que un hogar compre un
equipo de televisin pantalla grande.
En relacin con el escenario de Uso de estadstica que se refiere a la compra de
un equipo de televisin de pantalla grande, suponga que en cierto hogar se planea
comprar un equipo de televisin de pantalla grande. Ahora, cul es la
probabilidad de que en ese hogar se compre realmente el equipo de televisin? En
este ejemplo el objetivo es encontrar P(compra real Planea comprar). Aqu se le
proporciona la informacin de que el hogar planea comprar el equipo de televisin
de pantalla grande. Por lo tanto, el espacio muestral no consiste en todos los 1000
hogares de la encuesta. Consiste solo en aquellos que realmente compraron el
equipo de televisin de pantalla grande. De 250 de esos hogares, 200 compraron
realmente el equipo de televisin de pantalla grande. Por lo tanto, la probabilidad
de que en un hogar realmente se compre un equipo de televisin de pantalla
grande dado que lo plane comprar es:
P(realmente compr plane comprar) =

Plane y realmente compr


Plane comprar

200
=0.80
250

Tambin es posible usar la ecuacin para calcular el resultado:


10

P(BA) =

P ( A y B)
P( A)

Donde:
Evento A = plane comprar
Evento B = realmente compr
Entonces:
P(realmente compr Plane comprar) =

200 1000 200


=
=0.80
250 1000 250

Ejemplo 2
Se realiz una encuesta sobre hbitos de lectura que se resume por medio de la
tabla.
Calcular:
Hombre
Mujer
Total

Le gusta leer
40
50
90

No gusta leer
20
10
30

Total
60
60
120

a) La probabilidad de que si elegimos una persona al azar entre las 120 sea
mujer:
P(M) =

60
=0.50
120

b) Cul es la probabilidad de que una persona elegida al azar le guste leer y


sea mujer:
P(L M) =

11

50
=0.42
120

c) Cul es la probabilidad de que si elegimos una persona al azar le guste leer


dado que es una mujer:
P(LM) =

P ( L M )
P( M )

0.42
0.50

= 0.84

Nota: La probabilidad de A dado B no representa lo mismo que B


dado A.

Conclusin

Parece evidente que la idea de probabilidad debe ser tan antigua como el hombre.
La idea es muy probable que llueva maana la deba pensar y trasmitir el
hombre prehistrico.
Pero es recin en 1654 que comienza a desarrollarse el clculo de probabilidades,
cuando Fermat (1601-1665) y Pascal (1623-1662) en 1654, en correspondencia no
publicada, comienzan a aplicar mtodos matemticos para resolver problemas de
juegos de azar con cartas y dados. Otros nombres destacados en el desarrollo del
clculo de probabilidades son Jakob Bernoulli (1654-1705) (Ars Conjectandi,
publicado pstumo en 1713, que contiene la hoy llamada ley de los grandes
nmeros de Bernoulli) y Abraham de Moivre (1667-1754) (Doctrina de las
Chances, 1718). En el siglo siguiente se destaca Laplace (1749-1827) y su obra
Teora analtica de la probabilidad (1812).
Despus de un lento progreso, se acelera el desarrollo de la teora de
probabilidades a mediados del siglo XIX. Tchebycheff (1821-1894) es el primero
de la escuela rusa que contribuy mucho al desarrollo de la teora de
probabilidades, con matemticos como Markov (1856-1922) y Kolmogorov
(1903-1987)). Problemas de gentica que se plantearon a fines del siglo XIX
(Galton) y el rpido desarrollo al comienzo del siglo XX en Fsica de las teoras
de movimiento browniano y mecnica estadstica le dieron a la teora de
probabilidades fuentes de nuevos problemas.
La definicin que se usa actualmente de Probabilidad fue dada recin en 1933, por
Kolmogorov. Es una definicin axiomtica, similar a la definicin de medida de la
teora de la medida (teora desarrollada en 1898 por Borel (1871-1956) y que sirve
de base a la teora de integracin de Lebesgue (1910)(1875-1941). Adems de sus
aplicaciones a la gentica, fsica, tecnologa, etc., la teora de probabilidades sirve
de base a la teora de inferencia estadstica, ya que en inferencia estadstica se
mide la probabilidad de equivocarse al hacer una inferencia inductiva.
12

Bibliografa
Elementos de Probabilidad y Estadstica. Elmer B. Mode. Editorial
Revert. Ao 1982.
Fundamentos de Probabilidad. Fco. Javier Martn-Pliego y Luis
Ruiz-Maya Prez. 2da Edicin. Editorial Thomson. Ao 2006.
Probabilidad y estadstica para ingenieros. Ronald E. Walpole,
Raymond H Myers, Sharon L. Myers. Sexta edicin. Perarson
Educacin. Ao 1998.
Estadstica para administracin. Mark L. Berenson, David M.
Levine, Imothy C. Krehbiel. Mexico.
Estadstica aplicada a las ciencias de la salud. Rafael lvarez
Cceres. Ediciones Daz de Santos. Ao 2007.

13