Curso 2016/17

Asignatura: Estadstica Aplicada a la A.F y el Deporte

Estudios: Grado en Ciencias de la A.F y el Deporte
Profesor: Helena Martnez Puertas

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).

3.1 NOCIONES BASICAS DE PROBABILIDAD.

En Estadstica se utiliza la palabra experimento para designar todo acto que proporciona
unos datos. Se van a distinguir dos tipos de experimentos: deterministas y aleatorios.
Los primeros se producen en aquellas situaciones, en las que la realizacion sucesiva de un
experimento en las mismas condiciones, produce el mismo resultado (por ejemplo, la cada
libre de los cuerpos). Los segundos son aquellas situaciones en las que la realizacion
sucesiva de un experimento en las mismas condiciones produce resultados distin-
tos (por ejemplo, el resultado de lanzar una moneda). En los experimentos deterministas las
mismas causas producen los mismos efectos, mientras que en los experimentos aleatorios las
mismas causas producen distintos efectos. Esta distincion lleva a destacar que los resultados
de un experimento determinista, se pueden predecir, no sucediendo as con los de un exper-
imento aleatorio. Al realizar un experimento aleatorio llevamos a cabo una operacion,

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.

Definicion 1 Experimento Aleatorio.

Un experimento se llama aleatorio, si verifica que:

1. Se conocen previamente todos los resultados posibles asociados a dicho experimento.

2. Se puede repetir bajo las mismas condiciones.

3. No se puede predecir el resultado del mismo, antes de realizarlo.

4. Si se repite un numero grande de veces, aparece una regularidad estadstica en los

resultados obtenidos.

Ejemplo 1 Algunos ejemplos de experimentos aleatorios son los siguientes:

1. El lanzamiento de un dado.

2. La duracion de una llamada de telefono

Definicion 2 Espacio Muestral.

Se llama Espacio Muestral, asociado a un experimento aleatorio, al conjunto de todos los

posibles resultados de dicho experimento. Se le denota por .

Ejemplo 2 Los espacios muestrales asociados al Ejemplo 1, son los siguientes:

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.

* Un subconjunto del espacio muestral es cualquier conjunto de menor (o igual) tamano

que el espacio muestral, formado por elementos de dicho espacio muestral.

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}.

B = el resultado obtenido es un numero par. Nos interesamos, as, por el suceso

B = {2, 4, 6}.

C = el resultado obtenido es un numero mayor que 2. Nos interesamos, as, por el

suceso C = {3, 4, 5, 6}.

Definicion 4 Nocion de probabilidad.

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?

Ejemplo 5 En una clase de 50 personas hay 30 mujeres y 20 hombres. Si tomamos al azar

a una persona de dicha clase, cual es la probabilidad de que la persona elegida sea mujer?,
cual es a probabilidad de que sea hombre?

3
Ejemplo 6 En un dado no trucado, donde todas las caras del dado tienen la misma proba-
bilidad de aparecer, calcular:

1. Probabilidad que hay de que al lanzar el dado salga: el 1, el 2, el 3, el 4, el 5 , el 6.

2. Probabilidad de que al lanzar el dado salga un numero par.

3. Probabilidad de que al lanzar el dado, salga un numero mayor que 2.

4. Probabilidad de que al lanzar el dado salga el 1 o el 5.

La definicion de probabilidad proporcionada por Laplace se queda un poco lmitada

ya que como calculamos probabilidades en el caso de que todos los resultados posibles del
experimento no sean igualmente probables?, y si no conocemos el numero de casos favorables
al suceso?. Por este motivo, surge una version mas amplia del concepto de probabilidad.

Definicion 5 Una probabilidad sobre un espacio muestral es una funcion matematica

que analiza cada suceso aleatorio A y le asigna un numero, P (A), que expresa la posibilidad
de su ocurrencia. Dicha funcion debe cumplir las tres propiedades siguientes, conocidas como
los axiomas de Kolmogorov:

1. La probabilidad de que ocurra todo el espacio muestral es 1.

P () = 1

2. La probabilidad de cualquier suceso es siempre un numero entre cero y uno, ambos

inclusive.
0 P (A) 1

3. Si A y B son dos sucesos incompatibles, es decir, no pueden darse a la vez, entonces la

probabilidad de que ocurra A o B es la suma de las probabilidades de que ocurra cada
uno de ellos:
P (AoB) = P (A) + P (B)
Esta tercera afirmacion se puede generalizar para el caso de mas de dos sucesos incom-
patibles.

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).

Variable aleatoria discreta: si el conjunto de posibles valores que esta toma es un

conjunto numerable.

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.

Variable aleatoria continua: si el conjunto de posibles valores que esta toma es

no numerable. Por tanto, son aquellas que pueden tomar cualquier valor de un deter-
minado intervalo.

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.

Como en descriptiva, es importante complementar la informacion que proporciona la me-

dia o esperanza con una medida de la dispersion que nos sirva para interpretar si la media
calculada es o no fiable. Para ello, usaremos las desviacion tpica, que denotaremos por . Si
esta es pequena, los valores mas habituales de X se encuentran muy cerca del valor esperado.

3.3 MODELOS PROBABILISTICOS: DISTRIBUCION

NORMAL.
Una de las condiciones que verifica un experimento para que sea aleatorio es que si se repite
un gran numero de veces aparece algun modelo de regularidad estadstica en el resultado.
As, una de las preocupaciones de los cientficos dedicados al Calculo de Probabilidades fue
la de construir modelos de distribuciones de probabilidad que pudieran representar el com-
portamiento teorico de diferentes fenomenos aleatorios que aparecan en el mundo real.

As, existen modelos de distribuciones de probabilidad que explican el comportamiento

de los fenomenos aleatorios que nos podemos encontrar en el ambito del deporte. Dichos
modelos nos ayudan a resolver cuestiones como las siguientes:
Ejemplo 12 En la temporada anterior, un tenista logro ganar 35 partidos de los 50 dis-
putados. De cara al proximo torneo, que consta de 18 encuentros, estamos interesados en
estudiar los partidos que perdera.
1. Calcular la probabilidad de que pierda la mitad de los partidos disputados.

2. Calcular el numero de partidos que se espera que gane y su desviacion tpica.

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?

2. Calcular el numero esperado de saques directos que metera en un juego, as como su

desviacion tpica.

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 (, ).

Mediante esta distribucion, podramos resolver cuestiones como la siguiente:

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:

Aunque una v.a. no posea distribucion Normal, ciertos estadsticos/estimadores cal-

culados sobre muestras elegidas al azar s que poseen una distribucion Normal. Es
decir, tengan la distribucion que tengan nuestros datos, los objetos que resumen la
informacion de una muestra, posiblemente tengan distribucion Normal (o aproximada).

Teorema Central del Lmite. (IMPORTANTISIMO)

Dada una v.a. cualquiera, si extraemos una muestra de tamano n, y calculamos la
media muestral (que denotaremos por X n ), entonces dicha media muestral tiene dis-
tribucion aproximadamente Normal, es decir:

X n N (, )
n

Las aproximaciones anteriores se hacen exactas cuando n tiende a infinito (n muy

grande).

X n N (, ), n
n
Este teorema justifica la importancia de la distribucion Normal:

Puede garantizar medias muestrales tan cercanas como quiera a la verdadera

media, sin mas que tomar n bastante grande. Se utiliza esta propiedad para
dimensionar el tamano de una muestra antes de empezar una investigacion.
Sea lo que sea que midamos, cuando se promedie sobre una muestra
grande (n > 30) nos va a aparecer de manera natural la distribucion
Normal.