Introduccin

Este documento presenta brevemente los principios de la teora de la probabilidad. Dicha teora
representa una de las herramientas matemticas ms importantes para la fsica, en especial para
la teora de la Mecnica Cuntica, as como en los desarrollos de la Fsica Estadstica. La teora
de la probabilidad se presenta en forma de apuntes esquemticos y sin demostraciones.

3.1. Interpretacin de la probabilidad

Probabilidad clsica (a priori):
Asigna una probabilidad a un suceso antes de que este ocurra, basndose en el principio
de simetra (casos favorables entre casos totales).
Probabilidad frecuencial:
La probabilidad de un suceso es la frecuencia con la que se observa.
Probabilidad subjetiva:
Se asigna la probabilidad a partir de la informacin previa.
Probabilidad como lgica:
Basada en razonamientos lgicos.
Probabilidad geomtrica:
Basada en una medida de los sucesos (medida de los sucesos favorables entre medida
total).

3.2. Probabilidad axiomtica

Definicin 3.2.1. (Espacio muestral, E) Conjunto de resultados posibles, mutuamente
excluyentes, de un una variable aleatoria.
Definicin 3.2.2. (lgebra de sucesos, ) Conjunto de todos los sucesos (subconjuntos) que se
pueden formar a partir de E. Si sus elementos son finitos se llama lgebra de sucesos de Boole,
si son infinitos pero numerables, se le llama -lgebra.
La definicin axiomtica de la probabilidad es:
Definicin 3.2.3. (Medida de la probabilidad) A una funcin
se le llama medida de la probabilidad si cumple las siguientes condiciones:
1. Si

, entonces existe un valor

, al que llamaremos probabilidad de S.

2. La probabilidad del suceso seguro (espacio muestral) es

3. Dada una sucesin numerable de sucesos disjuntos (mutuamente excluyentes dos a dos)
, entonces:

A partir de estos axiomas, se pueden demostrar las siguientes propiedades de la probabilidad.

Teorema 3.2.4. (Probabilidad del suceso imposible) La probabilidad del suceso imposible
(conjunto vaco), es

Teorema 3.2.5. (Suma finita) Para toda coleccin finita de sucesos disjuntos
cumple:

Teorema 3.2.6. (Probabilidad de la unin) Para todo par de sucesos

En general, para una coleccin finita de sucesos

, se cumple:

, se tiene:

Teorema 3.2.7. (Ordenacin) Para todo par de sucesos que cumplen

cumple:

Teorema 3.2.8. (Cota) Para todo suceso

, se

, su probabilidad cumple

3.3. Probabilidad condicionada

, entonces, se

La probabilidad de que se verifique un suceso

probabilidad de

condicionada a

sabiendo que ha ocurrido un suceso

de llama

, que se define de la siguiente manera.

Definicin 3.3.1. (Probabilidad condicionada) La probabilidad de

condicionado a

, si

se define:

Las principales propiedades de la probabilidad condicionada son:

Teorema 3.3.2. (Probabilidad condicionada) La probabilidad condicionada, definida de esta
manera, cumple los axiomas de probabilidad, y es una medida de la probabilidad del espacio
muestral reducido

Teorema 3.3.3. (Regla de la multiplicacin) Dada una sucesin finita de sucesos

se cumple:

Teorema 3.3.4. (Probabilidad total) Dados un suceso

y una coleccin finita de sucesos

tal que cumplen:

1. Mutuamente disjuntos,
2. Recubren el espacio muestral
3. Tienen partes comunes con

Entonces, se verifica

El teorema de la probabilidad total proporciona una manera de calcular la contribucin de cada

una de las causas (

) a la probabilidad de la consecuencia (

).

Teorema 3.3.5. (de Bayes o de las hipotesis) Sea una coleccin de sucesos
que
cumplen las condiciones para que el teorema de la probabilidad total se verifique. Entonces,

Donde

es la probabilidad a posteriori o hiptesis; y

es la verosimilitud.

3.4. Independencia de sucesos

Definicin 3.4.1. (Dos sucesos independientes) Dos sucesos
solo si se cumple

son independientes si y

Esta definicin no es suficiente si tenemos un mayor nmero de sucesos.

Definicin 3.4.2. (Sucesos mutuamente independientes) Los sucesos de una coleccin finita
son mutuamente independientes si cumplen

3.5. Variable aleatoria o estocstica discreta

Estudiaremos una variable aleatoria
que puede tomar un conjunto de valores
numerable
(finito o infinito).
Definicin 3.5.1. (Distribucin de probabilidad discreta) La funcin de distribucin de
probabilidad de una variable discreta

, asigna a cada valor

de la variable la probabilidad

del suceso que consiste que la variable tome dicho valor

La funcin de distribucin de probabilidad discreta debe verificar:

1. Cota:
2. Normalizacin
Algunas definiciones de utilidad:
Definicin 3.5.2. (Valor esperado o media) El valor esperado, o media, de una distribucin se
define mediante la expresin:

Definicin 3.5.3. (Momentos de la distribucin) El momento de orden

define como el valor esperado de
:

de una distribucin se

Definicin 3.5.4. (Varianza y desviacin tpica) La varianza de una distribucin se define:

La desviacin tpica se define como la raz cuadrada de la varianza:

Algunas propiedades del operador valor esperado vienen dados por el siguiente
Teorema 3.5.5. (Propiedades de
valor esperado cumple:

) Para una distribucin bien definida, el operador de

1. Escala:
2. Adicin:
3. Independencia:
4. Composicin:

si

son independientes.

5. No desviado:
Por ltimo, veamos algunas propiedades de la varianza:
Teorema 3.5.6. (Propiedades de la varianza) Para una distribucin bien definida, la varianza
cumple:
1. Origen:
2. Adicin:

si

son independientes.

3. Escala:

3.6. Variables aleatorias continuas

Para una variable aleatoria que puede tomar cualquier valor dentro de un rango (que puede ser
infinito), se definen las funciones de densidad de probabilidad y de distribucin acumulada.
Definicin 3.6.1. (Funcin de densidad de probabilidad) Para una variable aleatoria continua
X, el valor

identifica la probabilidad del suceso que se verifica cuando el valor de X

est en el intervalo

, es decir:

La funcin de densidad de probabilidad

1. No negatividad:
2. Normalizacin:

3. Probabilidad:

debe cumplir:

Definicin 3.6.2. (Funcin de distribucin acumulada) La funcin de distribucin acumulada

se define como la probabilidad de que la variable
En concreto:

tenga un valor inferior o igual a

La funcin de distribucin acumulada debe cumplir:

1. Lmite inferior:
2. Lmite superior:
3. Monotona:

es creciente.

4. Probabilidad de un rango:
Igual que para las distribuciones discretas, podemos definir los momentos de una distribucin:
Definicin 3.6.3. (Momentos de una distribucin continua) El momento de orden n de una
distribucin continua se define:

El valor esperado se define como el momento de orden

La varianza y la desviacin tienen la misma definicin que en el caso discreto.

Otra definicin de inters resulta la funcin caracterstica de la distribucin:
Definicin 3.6.4. (Funcin caracterstica) La funcin caracterstica de una distribucin se
define mediante:

El desarrollo de Taylor de la exponencial muestra que los momentos de cada orden son los
coeficientes de la expansin:

Por la definicin de valor esperado, podemos ver que la funcin caracterstica es la

transformada de Fourier de la funcin de densidad de probabilidad, por tanto, esta ltima se
puede calcular de la primera mediante:

3.7. Ejemplos de distribuciones

3.7.1. Distribuciones discretas
3.7.1.1. Pruebas de Bernoulli
Experimento con dos resultados posibles (1 y 0, con probabilidades respectivas y
).
La probabilidad de obtener n veces el valor 1 en un orden concreto de N tiradas viene dado por:

3.7.1.2. Distribucin binomial

Una variable discreta
sigue la distribucin binomial si representa el nmero de xitos en una
N pruebas de Bernoulli independientes. Enonces, tenemos:

La distribucin normal tiene por valor esperado

, su momento de orden 2 es

y su varianza es

3.7.1.3. Distribucin geomtrica

La distribucin geomtrica representa la probabilidad de que, en una serie de pruebas de
Bernoulli, el primer xito (1) se obtenga en la n-sima tirada. La funcin de distribucin es:

Su valor esperado es

y su desviacin tpica

3.7.1.4. Distribucin de Poisson

Una variable aleatoria discreta
es:

donde

sigue la distribucin de Poisson si la funcin de distribucin

es el valor esperado y la varianza de la distribucin.

3.7.2. Distribuciones continuas. Distribucin Gaussiana y

normal
La versin discreta de la distribucin normal es:

La variante continua de la distribucin Gaussiana, con parmetros y (valor esperado y

desviacin tpica), viene definida por la funcin de densidad Gaussiana:

Por cambios de variables, se puede reducir a la distribucin normal, un caso especial donde
y

. Los momentos de la distribucin normal vienen dados por: