Documente Academic
Documente Profesional
Documente Cultură
Probabilidad
2.1. Introduccin
Nuestra experiencia nos dice que el resultado un experimento cuando ste se repite
varias veces no siempre es el mismo, incluso, cuando las condiciones del experimento se han mantenido lo ms controladas posible. La razn de esto es simple,
en general, algunos de los factores que afectan a los experimentos no pueden ser
controlados. Un ejemplo clsico es el lanzamiento de un dado o una moneda. Desde el punto de vista de la mecnica clsica, si se conocen las condiciones iniciales
del dado o de la moneda, en principio, es posible determinar el resultado del lanzamiento puesto que la evolucin del dado y de la moneda estn dadas por las
leyes de Newton. Por desgracia, en la prctica no se tiene acceso a informacin
tan detallada. Sabemos que las condiciones iniciales pueden medirse dejando cierta incertidumbre debido a las limitaciones de los instrumentos de medida. Estas
pequeas variaciones en las condiciones iniciales cambian el resultado del experimento a este fenmeno usualmente se le llama sensibilidad a las condiciones
iniciales.
Otro enfoque a este tipo de problemas consiste en preguntarse por el resultado
de un ensamble de experimentos en lugar de preguntarse por el resultado de uno
solo de ellos. En trminos del experimento con el dado esto quiere decir que nos
preguntamos por el nmero
nc
c hacia arriba al
de los experimentos se les llama eventos simples. Note que los eventos simples son
53
Probabilidad
Captulo 1.
54
mutuamente excluyentes entre s, por ejemplo, si el dado cae con la cara tres hacia
arriba esto automticamente descarta las otras posibilidades.
De forma general consideremos la variable aleatoria
resultados
R x1 , x2 , .
por ejemplo, en el caso de la moneda los resultados son cara o sello, esto es,
x1 = cara
x2 = sello.
xi = i
i = 1, , 6.
con
Cuando
esto ocurre se dice que la variable aleatoria es discreta. Sin embargo, tambin es
posible que la variable aleatoria sea continua. Por ejemplo, si nuestra variable es
la posicin
~r = (rx , ry , rz )
dimensiones
Lx , Ly , Lz ,
entonces,
E R.
Fi (N ),
P (E),
de eventos simples de
se denota
P (E).
de un evento simple
y por lo tanto
es decir,
Hay bsicamente
ni (N )
,
N
(2.1)
R,
una funcin de
0 < rz < Lz .
Fi (N ) =
en donde
F i(N )
i.
ni (N )
es el nmero
En general,
ni (N )
es
10
15
20
Fi (N )
3/5
5/10
8/15
11/20
si ustedes repiten el experimento obtendrn, en general, una tabla diferente. De hecho, puede probarse que las uctuaciones del cociente
lo tanto, en el lmite
i, P i,
F i(N ).
pi = lm Fi (N )
N
(2.2)
Captulo 1.
Si el evento
del evento
Probabilidad
55
entonces la probabilidad
es:
P (E) =
Pi
(2.3)
iE
A su vez, hay dos formas experimentales de calcular esta probabilidad. Una es usar
un solo montaje y repetir en
P i.
P (E)
1.
2.
Normalizacin :
Pi = 1,
R.
Captulo 1.
3.
Probabilidad
56
en donde tanto
como
(2.4)
P (A) =
E , P (E),
Pi
(2.5)
iE
sultado sea un nmero par o impar. Dos eventos compuestos pueden tener o no
eventos en comn. Dos eventos son disyuntos si no tienen elementos en comn, es
decir, si su interseccin es nula. Consideremos tres eventos compuestos,
tales que
AC = AB = 0
B C 6= 0,
A, B
que:
(2.6)
Captulo 1.
Probabilidad
57
Esquema del espacio muestral compuesto por varios eventos simples. Las lneas de colores encierran los eventos compuestos A, B y C .
Figura 2.2:
P (B C)
C,
es igual a:
P (B C) = p(B) + p(C) P (B C)
(2.7)
7.
Entonces,
P (A |B ) es la probabilidad de que un dado caiga con la cara dos hacia arriba dado
que se sabe que la suma de los nmeros de los dos dados es siete. En general, la
probabilidad condicional est dada por:
P (A |B ) =
Notemos que si la
A B = 0,
entonces,
ocurre
P (A B)
p(B)
P (A |B )
(2.8)
AB = 0
y por lo tanto
P (A B) = P (A)P (B).
P (A |B ) = P (A).
Concluimos que,
Captulo 1.
Probabilidad
los eventos
58
no afecta el obtener
viceversa.
Ejemplo
Desarrollo
(5, 1).
5/36.
Sea
pi = 1/36
p(A) =
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2) y (6, 1)
luego
(2.9)
p(B) = 1/6.
c) Sean
(3, 4)
(4, 3).
Por lo tanto
P (A |B ) = 2/11.
p(B) = 11/36
P (A |B ) = 2/11.
Otra forma de
p(A B) = 2/36
Captulo 1.
Probabilidad
59
Figura 2.3:
d) De la misma forma
Es
P (A |B ) 6= p(B A).
Ejemplo
1, 2, 3
4,
el primero
se elige al azar mientras que el segundo es elegido tambin al azar entre los tres
dgitos restantes. Los eventos simples son entonces pares ordenados
(4, 2),
etc.
A:
3. Determine
P (A B).
P (A B)
P (A B).
Muestre que
B:
el primer dgito es
P (A B) = P (A) + P (B)
Captulo 1.
Probabilidad
60
C:
A, B , C
D:
el ltimo
D.
6. Determine la probabilidad de que el primer dado se impar dado que el segundo es par
7. Cul es la probabilidad de que el primer dgito se impar dado que la suma
es par?
Desarrollo . . .
Ejemplo
Nc = 63 = 216
(2.10)
(1, 1)
dades, el tercer dado puede caer 1, 2, 3 o 4. Se puede hacer el mismo anlisis con
las otras conguraciones mostradas en la gura. Podemos ver que la probabilidad
tener seis o menos al lanzar tres dados es simplemente:
Captulo 1.
Probabilidad
61
P (S 6) =
5
10 + 6 + 3 + 1
=
216
54
(2.11)
n 1,
n!,
veamos
el tercero
n2
y as sucesivamente.
n! = n (n 1) (n 2) 1
El nmero de formas de arreglar
(2.12)
idnticos es
n!/p!.
Para entender esto, consideremos todas las formas posibles de arreglar las letras
A, A, B
C.
4!
si todas las letras fueran diferentes puesto que los cambios de la forma:
AAB C AAB C
(2.13)
llevan a la misma conguracin. Como veremos en captulos posteriores, los efectos de la indistinguibilidad de partculas tienen gran importancia en mecnica
estadstica. Las
4!/2! = 12
AAB C
AAC B
AB AC
ABC A
AC AB
AC BA
B AAC
BAC A
B C AA
C AAB
C AB A
C B AA
objetos,
de un tipo,
de otro tipo,
de otro y
n!
p! q! r!
(2.14)
Captulo 1.
Probabilidad
62
n r.
n.
objetos de un total de
A, B , ,
y que de entre ellas tenemos que elegir tres. Para la primera letra tenemos 10
10 9 8.
y para la tercera
8.
Luego, el nmero
10 9 8 =
10!
.
7!
(2.15)
Prn =
A la cantidad
Prn
n!
.
(n r)!
se le denomina permutacin de
(2.16)
elementos tomados
a la
vez. Notemos que en este caso, el orden de eleccin es importante. Sin embargo,
hay algunas ocasiones en donde no importa el orden de eleccin de los elementos.
Consideremos por ejemplo un conjunto de tres letras
ces combinaciones de la forma
A, B
C.
Tenemos enton-
A B C , A C B , B C A, B A C , C A B
CBA
las
objetos tomados
dado por:
Crn =
n!
.
(n r)! r!
(2.17)
objetos tomados
a la vez.
P (S)
de tener un total
Captulo 1.
Probabilidad
63
10
11
12
Figura 2.4:
En donde se
de
P (S)
S<2
S.
hsi =
como:
s P (s).
(2.18)
Ms generalmente se dene el
m-simo
momento de
como:
Captulo 1.
Probabilidad
64
hsm i =
sm P (s).
(2.19)
f (s)
ecuacin:
hf (s)i =
f (s) P (s).
(2.20)
(2.21)
hc f (s)i = c hf (s)i .
(2.22)
hsi
Var(s) = s2 = (s hsi)2 = s2 hsi2 .
Una consecuencia de la ecuacin anterior es que
Var(s):
(2.23)
hs2 i 0.
Como mencionamos anteriormente, en algunos casos la variable no puede ser indexada. Un ejemplo es el caso una partcula que se mueve a lo largo del eje
Como la variable
x.
x + x.
se hace ms pequeo
Puesto que
P (x, x)
P (x, x)
depende de
x,
a medida que
tendiendo a cero
podemos escribir:
P (x, x)
.
x0
x
P (x) = lm
(2.24)
Captulo 1.
Probabilidad
Figura 2.5:
65
P (x)
dx P (x) = 1
P (x) 0
x.
En general, las deniciones que vimos antes para los valores medios son vlidas
tambin en el caso de variables continuas. Simplemente debemos cambiar la suma
por un integral tal y como se muestra a continuacin.
dx
(2.25)
a x b.
Q(y)
a x y,
es decir
Q(y) =
dx P (x).
(2.26)
a
Note que esto inmediatamente implica que
Q(a) = 0
Q(b) = 1.
Es claro que,
Q(y) es siempre una funcin monotonamente creciente. Adems P (x) y Q(y) estn
relacionadas de acuerdo a:
P (y) =
Sea
f = F (x)
que
f [f, f + df ]
dQ(y)
.
dy
(2.27)
x.
La probabilidad
R(f ) df
de
R(f ) df =
X
i
P (xl ) dxl
(2.28)
Captulo 1.
con
xl
Probabilidad
66
R(f ) =
F (x) = f .
X
l
De forma equivalente:
dx
P (xl )
.
dF x=xl
(2.29)
Ejemplo
persona que est jugando muere. Tenga en cuenta que antes de cada disparo el
tambor se hace girar.
turnos?
Desarrollo
a) La probabilidad de que la bala salga disparada en un intento es 1/6. Naturalmente, la probabilidad de sobrevivir es
1 1/6.
Sea
la probabilidad sobrevivir y
turnos es simplemente:
N
5
PS (N ) =
,
6
(2.30)
en donde hemos considerado que los disparos son eventos independientes debido
que el tambor siempre se hace girar antes de cada disparo.
b) La probabilidad de sobrevivir
1
PM (N ) = p PS (N ) =
6
es fcil ver adems que
N !/(N 1)!1!
N =1
PM (N ) = 1.
formas de ordenar
es simplemente:
N 1
5
,
6
(2.31)
elementos con
N 1
de un tipo y
N =
de otro
tipo. Sin embargo, este factor est ausente en la Ec. (2.31) puesto que solo la
conguracin en la cual el disparo se de al nal de los
intentos cuenta.
Captulo 1.
Probabilidad
67
N 1
X
N 5
hN i =
N PM (N ) =
,
6
6
N =1
N =1
(2.32)
1
d
hN i =
lm
6 a5/6 da
!
aN
(2.33)
N =1
1
d
hN i =
lm
6 a5/6 da
1
1a
1
1
=
= 6.
6 (1 a)2 a=5/6
(2.34)
Ejemplo
Sea
P (x) = C ea x
la distribucin de la variable
x [0, ).
1. la constante de normalizacin
2. el valor medio de
F (x) = x2
una funcin de la
Determine:
como funcin de
a.
F (x).
3. la desviacin estndar de
x.
4. la densidad de probabilidad
R(f ).
Desarrollo
1.
dx P (x) =
Por lo tanto
dx C ea x
0
C a x
= e
a
0
C
=
a
dx P (x) =
C = a.
(2.35)
Captulo 1.
Probabilidad
2. El valor medio de
68
hxi =
dx x P (x).
De esta forma
dx x a ea x
0
Z
a x
= a
dx e
a
0
eax (1 + a x)
=
a
hxi =
1
=
a
Por su parte,
hF (x)i
(2.36)
dx x2 a ea x
0
Z
2
a x
dx e
= a 2
a
0
2
= 2
a
hF (x)i =
3. La desviacin estndar de
(2.37)
es simplemente
x2 = x2 hxi2
(2.38)
x2 =
4. La densidad de probabilidad
2
1
1
2 = 2
2
a
a
a
R(f )
(2.39)
obtiene a partir de
dx
R(f ) =
P (xl )
dF x=xl
l
p
1
= P( f)
2 f
a
= ea f
2 f
X
(2.40)
R(f )
para la distribucin
Ejemplo
P (x) = C e
a |x|
con
x (, )
F (x)
y calcular
Captulo 1.
Considere
Probabilidad
69
x1 , x2 , , xN
variables aleatorias
Q(r)
p(x).
Determine, en funcin de
xi
la densidad de
x1 , x2 , , xN
es igual a
p (x) = e
p(x),
r.
sea igual
Especialice su
x > 0.
, con
Desarrollo
P (x1 , x2 , , xN ) =
N
Y
x1 , x2 , , xN
p(xi ).
es:
(2.41)
i=1
Por su parte, la densidad de probabilidad solicitada
Q(r) =
N Z
X
j=1
N
X
Q(r)
0
N Z
Y
p(xj = r)
j=1
dxi p(xi )
(2.42)
i=1
i6=j
Q(r) = N p(x1 = r)
N
Y
q(r > xi ).
(2.43)
i=2
note que el primer factor
objetos tomados
q(r > xi ),
N=
N!
es el nmero de conguraciones posibles de
(N 1)!1!
es la probabilidad de que
x<r
Z
Q(r) = N p(x1 = r)
N 1
dx p(x)
(2.44)
0
En el caso particular de
P (x) = e x
N
tenemos
Z
Q(r) = N e
r
x
N 1
dx e
(2.45)
0
Desarrollando la integral se tiene
Q(r) = N e r 1 e r
N 1
(2.46)
Captulo 1.
Probabilidad
Q(r)
Note que
70
resolver el mismo problema para el caso en que ms de una de las variables pueda
tomar el valor de
r.
Ejemplo
probabilidad
dada sea
r.
p(0) (r) dr
p(1) (r) dr
r.
Desarrollo
La probabilidad de tener
es
px = N (x)/N (L)
con
N (x)
L,
N (L)
(2.47)
de longitud
N (L)
E(x) =
N (L)
(1 px ) =
i=1
i=1
y x,
por lo tanto
E(x) = eN (x) = e
La probabilidad
(2.48)
Rx
0
ds
= e x .
(2.49)
en el origen, su primer vecino este a una distancia r . Consideremos una red discreta,
n1
z }| {
(0)
sea qn = P rob( ). El nmero total de conguraciones es
Captulo 1.
Probabilidad
71
n1
z }| {
(0)
qn
n1
z }| {
En En+1
n1
(2.50)
z }| {
En En+1
n1
z }| {
En+1
n1
z }| {
En1
(2.51)
(2.52)
(0)
(0) 1
qn = x pn
. En
2 E(r)
p (r) =
r2
(0)
E(r) = e r
se encuentra
(2.53)
p(0) (r) = e r .
p(1) (r)
tiene la forma
Z rZ
(1)
p (r) =
0
2 dx dy e x e y (r (x + y))
(2.54)
p(1) (l) =
R
0
dy el y p(1) (y),
(1)
Z rZ
p (l) =
0
de esta forma
relacin se obtiene P (B | A) =
n1
z }| {
P rob( ) y P (B) = x.
(2.55)
P (AB)
P (B) ,
(2.56)
Captulo 1.
Probabilidad
72
p(0) (l) =
. Lo que lleva a
+1
(1)
p (l) =
+1
2
(2.57)
p(1) (r) = 2 r e r
Puede generalizar el resultado para el caso del
(2.58)
n-simo
vecino?
P (k),
P (k) = ei k x =
Naturalmente, es posible recobrar
de una distribucin
P (x)
dx p(x) ei k x .
de acuerdo a:
(2.59)
1
P (x) =
2
Los momentos de
P (x)
dk P (k) ei k x .
pueden obtenerse de
P (k)
(2.60)
P (k) =
*
X (i k)n
n=0
de esta forma, el
m-simo
n!
+
xn
X
(i k)n
n=0
n!
hxn i .
(2.61)
hxm i =
Los cumulantes
hxm ic
m
P (k = 0)
(i k)m
(2.62)
lnP (k) =
X
(i k)n
n=1
n!
hxn ic .
(2.63)
Captulo 1.
Probabilidad
73
P (x).
Para
X
(ik)n
lnP (k) = ln
hxn i
n!
n=0
recordando que
ln(1 + ) =
= ln 1 +
X
(ik)n
n!
n=1
!
hxn i
(2.64)
n+1 n
se obtiene:
n=1 (1)
n
lnP (k) =
X
(1)n+1
n=1
X
(ik)n
n=1
n!
!n
hxn i
(2.65)
X
(ik)n
n=1
n!
!1
hxn i
X
(ik)n
n=1
n!
(2.66)
= k 2 hxi2 + i k 3 hxi x2 +
(2.67)
!2
hxn i
X
(ik)n
n=1
k2
2 i k3
3
x +
x +
2
6
= i k hxi
n!
!3
hxn i
= i k 3 hxi3 +
(2.68)
k3
k3
k2
2 i k3
3 k2
x +
x +
hxi2 i hxi x2 + i hxi3 +
2
6
2
2
3
(2.69)
se obtiene
hxic = hxi
x c = x2 hxi2
x c = x3 3 x2 hxi + 2 hxi3
.
.
.
(2.70)
P (x)
P (k) = e
n=1
(i k)n
hxn ic
n!
(2.71)
Captulo 1.
Probabilidad
74
P (k) =
(i k)n
hxn ic
n!
(2.72)
n=1
expandiendo en series de Taylor la funcin exponencial
P (k) =
Y
n=1 mn
1
mn !
=0
(i k)n n
hx ic
n!
mn
(2.73)
simplicando se tiene
P (k) =
Y
(i k)n mn n mn
hx ic
mn
m
!n!
n
n=1 m =0
(2.74)
X
(i k)n
n=0
n!
Y
(i k)n mn n mn
hx i =
hx ic
mn !n!mn
n=1 m =0
n
(2.75)
lo que conduce a
hxi
2
x
3
x
4
x
= hxic
= x2 c + hxi2c
= x3 c + 3 x2 c hxic + hxi3c
= x4 c + 4 x3 c hxic + 3 x2 c + 6 x2 c hxi2c + hxi4c
.
.
.
(2.76)
n-simo
puntos en gru-
puntos en
n = 3.
mn
agrupamientos de
un agrupamiento de tres puntos y tambin solo hay una forma de elegir tres agrupamientos cada uno de un solo puntos. Sin embargo, hay tres formas de elegir un
agrupamiento de dos puntos y el resultante de un solo punto, ver gura.
Captulo 1.
Probabilidad
Figura 2.6:
75
Esta interpretacin es muy til puesto que permite escribir rpidamente de forma
diagramtica la Ec. (2.76) tal y como se indica a continuacin:
hxi
2
x
3
x
4
x
=
= +
= + 3 +
= +4 + 3 + 6 +
(2.77)
(2.78)
Como veremos en el siguiente ejemplo los cumulantes son muy tiles a la hora de
especicar una distribucin.
Ejemplo
p(x) = C e
(x)2
2 2
(2.79)
en trminos de
y
. Realice un esquema
p(x)
est
dx p(x) = C
dx e
(x)2
2 2
=C
2 2 = 1
(2.80)
Captulo 1.
Probabilidad
76
C = 1/ 2 2 .
P (k) =
1
2 2
dx e
(x)2
i k x
2 2
(2.81)
P (k) =
2
2 2
(x)
k
+ i
i k k 2
dx e
2 2
(2.82)
k
P (k) = ei k 2
(2.83)
k22
ln P (k) = i k
2
n > 2.
(2.84)
hxic = , hx2 ic = 2
hxn ic = 0
Demuestre que si
R(f ) =
P (x)
f = F (x)
es
hf F (xl )i.
Desarrollo
Sabemos que
1
R(f ) =
2
Z
dk e
ikf
R(k)
=
2
Z
dk e
ikf
X
(i k)n
n=0
n!
hf n i .
.
R(k)
(2.85)
Usando la
1
R(f ) =
2
Z
dk e
ikf
X
(i k)n
n=0
n!
dx P (x)
X
l
F (xl )n
(2.86)
Captulo 1.
Probabilidad
77
reagrupando factores
1
R(f ) =
2
1
2
dk e
ikf
XZ
dx P (x)
X
(i k)n F (xl )
dk ei k f
n!
n=0
XZ
dx P (x) ei k F (xl )
Z
Z
1 X
=
dx P (x) dk ei k f i k F (xl )
2 l
(2.87)
Z
R(f ) =
dx P (x)
(f F (xl )) =
hf F (xl )i
(2.88)
m l = l(nL nR )
donde
q.
Deseamos determinar la
m l al cabo de N
pasos. El desplazamiento
l.
nL
nR
nR + NL .
N =
z }|L { z }|R {
q q p p = q nL pnR
(2.89)
en donde hemos considerado que cada uno de los pasos son independientes entre s.
Naturalmente hay muchas conguraciones con igual nmero de pasos al izquierda
y a la derecha. Ya hemos visto que el nmero de conguraciones de
con
nR
elementos de un tipo y
nL
nR
elementos
Z=
La probabilidad de tener
N!
nR !nL !
(2.90)
N , PN (nR ),
Captulo 1.
Probabilidad
78
N!
q N nR pnR
nR !(N nR )!
PN (nR ) =
o en trminos de
(2.91)
PN (m) =
N m
2
N m N +m
N!
N +m q 2 p 2
! 2 !
(2.92)
nR
i k nR
N
X
nR
N!
q N nR pnR ei k nR
n
!(N
n
)!
R
R
=0
N
X
nR
n
N!
q N nR p ei k R
n !(N nR )!
=0 R
(2.93)
N
P (k) = ei k nR = q + p ei k
(2.94)
Los dos primeros momentos se calculan fcilmente por medio de las derivadas
P (k)
hnR i =
k
i k
=e
i k
Np e
N 1
p+q
= pN
(2.95)
k=0
k=0
2
nR =
2 P (k)
k 2
= e
i k
k=0
N p ei k p + q
N 2
N ei k p + q
= p N (N p + q)
(2.96)
k=0
(2.97)
La desviacin estndar
2 = hn2R i hnR i2 = q p N .
Captulo 1.
Probabilidad
79
hnR i =
N
X
nR
N!
q N nR pnR
nR !(N nR )!
nR
N!
d
q N nR (pnR ) p
nR !(N nR )!
dp
nR =0
N
X
nR =0
(2.98)
hnR i = p
N
N!
d X
nR
q N nR pnR
dp n =0
nR !(N nR )!
R
= p
d
(p + q)N = p N (p + q)N 1 = p N.
dp
(2.99)
hn2R i
como:
N
X
N!
q N nR pnR
n
!(N
n
)!
R
R
nR =0
N
X
N!
d
d
2
N nR
nR
=
nR
q
p
p
p
nR !(N nR )!
dp
dp
n =0
2
nR =
n2R
(2.100)
n2R
2
d
(p + q)N = p N (p + q)N 1 + p2 N (N 1)(p + q)N 2
=
p
dp
= p N (N p + q)
(2.101)
2.9. Incertidumbre
Consideramos que tenemos un dado justo, es decir, un dado en el cual la probabilidad tener cualquiera de las caras en un lanzamiento igual
consideramos otro dado en el cual
1/6.
p6 = 1
pi = 0
para todo