TEMA 3:
NOCIONES DE PROBABILIDAD
Los metodos descriptivos estudiados en los dos temas anteriores solo nos permiten analizar
y extraer la informacion contenida en un conjunto de datos de tamano manejable, pero su
alcance no va mas alla de dicho conjunto de datos. Ahora bien, recordemos que el objetivo
ultimo que persigue la Estadstica es el de ver como se pueden derivar las conclusiones
obtenidas en un conjunto pequeno de individuos a un conjunto de datos mas amplio. Para
poder generalizar las conclusiones obtenidas en la muestra a la Poblacion objeto de estudio
es indispensable que dicha muestra se haya seleccionado de forma aleatoria (al azar). De
este modo, el Calculo de Probabilidades proporcionara modelos matematicos que actuaran
de puente entre lo observado (Muestra) y lo desconocido (Poblacion).
1
al final de la cual obtenemos un resultado, cuyo valor es, a priori, impredecible,
pero pertenece a un conjunto que se puede describir completamente antes de
realizar el experimento.
1. El lanzamiento de un dado.
1. = {1, 2, 3, 4, 5, 6}.
2. = [0, [.
Como puede apreciarse con los ejemplos, los espacios muestrales pueden ser: finitos o
infinitos.
Definicion 3 Suceso.
A cualquier subconjunto* que se pueda considerar del espacio muestral se le llama suceso.
Se representa por una letra mayuscula.
2
Ejemplo 3 Consideremos el experimento aleatorio del lanzamiento de un dado, donde el
espacio muestral asociado es = {1, 2, 3, 4, 5, 6}. En este experimento, nos puede interesar,
por ejemplo, estudiar los siguientes sucesos:
A =el resultado obtenido es un numero impar. Nos interesamos, as, por el suceso
A = {1, 3, 5}.
Nos interesa encontrar una medida numerica que refleje la probabilidad (la posibilidad)
de que ocurra un determinado suceso A cuando se realiza un experimento aleatorio. A esta
medida la llamaremos probabilidad del suceso A, y la denotaremos por P (A).
REGLA DE LAPLACE:
En 1812, Laplace define la probabilidad de un suceso A como el cociente entre el numero de
casos favorables a dicho suceso (es decir, el numero total de elementos que tiene el suceso A)
y el numero total de casos posibles del experimento (es decir, el numero total de elementos
que tiene el espacio muestral), siempre y cuando todos los resultados posibles del
experimento sean igualmente probables.
no casos favorables a A
P (A) =
no casos posibles del experimento
Ejemplo 4 Si lanzamos al aire una moneda que no este trucada, que probabilidad hay de
que salga cara?, y de que salga cruz?
3
Ejemplo 6 En un dado no trucado, donde todas las caras del dado tienen la misma proba-
bilidad de aparecer, calcular:
P () = 1
4
Ejemplo 7 Se lanza al aire una moneda trucada, donde la probabilidad de obtener cara es
doble que la de obtener cruz. Que probabilidad hay de que salga cruz al lanzar la moneda?,
y de que salga cara?
Ejemplo 8 En una clase el 20% de los alumnos tienen los ojos azules y la probabilidad de
que un alumno tenga los ojos verdes es la misma de que los tenga marrones. Si se toma al
azar un estudiante, que probabilidad hay de que tenga los ojos verdes?
5
3.2 VARIABLE ALEATORIA.
Como vimos en la seccion anterior, los posibles resultados asociados a un experimento aleato-
rio son, a veces, de naturaleza cualitativa, lo que dificulta su tratamiento matematico. Por
ejemplo: el lanzamiento de una moneda tres veces, cuyo espacio muestral asociado es
= {(C, C, C), (C, C, X), (C, X, C), (X, C, C), (C, X, X), (X, C, X), (X, X, C), (X, X, X)}.
As, es de gran interes cuantificar dichos resultados cualitativos, asignandoles valores
numericos con el fin de poder utilizar todas las herramientas el analisis matematico. El
concepto que nos permitira asignar un valor numerico a los resultados de un experimento
aleatorio es el de variable aleatoria, que de aqu en adelante denotaremos por v.a.
Definicion 6 Una variable aleatoria es una funcion matematica que asigna un valor
numerico a cada posible resultado del espacio muestral. Se representan por letras mayusculas
(X, Y, Z, . . .).
Ejemplo 9 En el experimento aleatorio del lanzamiento de una moneda tres veces, podemos
estar interesados en contabilizar el numero de caras obtenidas en los tres lanzamientos. En
consecuencia, definimos la variable aleatoria X = numero de caras obtenidas en los tres
lanzamientos Que valores posibles puede tomar esta variable aleatoria?
Las variables aleatorias se clasifican en: discretas y continuas (tal y como ocurra con las
variables estadsticas estudiadas en el Tema 1).
Ejemplo 10 La v.a X = numero de caras obtenidas en los tres lanzamientos de una moneda,
es una v.a discreta, ya que el conjunto de posibles valores que esta toma es {0, 1, 2, 3} que
tiene un numero finito de elementos.
Ejemplo 11 La v.a X = tiempo que dedica un alumno para resolver un examen cuya du-
racion maxima es de 120 minutos, es una v.a continua, ya que puede tomar cualquier valor
dentro del intervalo [0, 120].
Al igual que ocura con las variables estadsticas, estamos interesados en resumir los
valores de la variable aleatoria en un unico valor que nos de una idea aproximada de entre que
valores se distribuye nuestra variable. Para ello usaremos la esperanza o valor esperado.
6
Definicion 7 Se define la esperanza de una variable aleatoria como el valor que se espera
obtener al realizar el experimento aleatorio. Se representa por o por E[X]. Es el equivalente
a la media.
3. Que probabilidad hay de que el numero de partidos perdidos sea mayor de 4 y menos
de 9?
Ejemplo 13 Se sabe que el numero medio de saques directos que logra meter un tenista en
6 juegos de un partido es de 7.8 saques.
1. Que probabilidad hay de que en 6 juegos meta exactamente 8 saques directos?
3. Que probabilidad hay de que en un juego meta por lo menos 1 saque directo?
7
Nosotros solo comentaremos brevemente el caso del modelo Normal asociado a una variable
de tipo continuo, ya que dicho modelo juega un papel fundamental en la parte de Inferencia
Estadstica.
DISTRIBUCION NORMAL
Es la distribucion continua mas importante que se conoce, ya que aparece de manera
natual en multitud de variables (como el peso, la altura, la calificacion obtenida en un exa-
men, errores de medida, distribuciones Binomiales con n grande...).
Fue introducida por Gauss en el siglo XIX y presenta la propiedad de que su funcion
de densidad es simetrica respecto a un valor central, alrededor del cual toma valores con
gran probabilidad y en la que apenas aparecen valores extremos. Como consecuencia de la
simetra, Moda, Mediana y media coinciden.
Una v.a. de distribucion Normal vendra caracterizada por su media y desviacion tpica,
y la denotaremos por X N (, ).
Ejemplo 14 Los tiempos, en minutos, que tardan unos ciclistas de un determinado club
en realizar un recorrido completo siguen una distribucion Normal con media 60 minutos y
varianza 81.
1. Que probabilidad hay de que un ciclista de ese club tarde entre 54 y 66 minutos en
realizar el recorrido?
2. Cual es el tiempo maximo que tardan en realizar el recorrido el 35% de los ciclistas
que menos tiempo tardan?
3. A partir de que tiempo un ciclista se considera del 15% de los que mas tiempo tardan
en realizar el recorrido?
8
Por que es importante la distribucion Normal?
La distribucion Normal juega un papel muy importante en la Inferencia Estadstica
que estudiaremos en los temas siguientes. La razones por las que dicha distribucion es tan
importante son las siguientes: