Ejemplo del "pedazo de pizza" para conceptualizar la

probabilidad
Harry y Paula van a una pizzeria. Ellos estn recin empezando una relacin. Paula
ordena la mitad de su pizza con salami y Harry con jamn. Luego ellos comparten su
pizza, en lo que notan que dejan de compartir un pedazo de afuera o un pedazo central
de la pizza. Sin embargo, a Harry que normalmente le gusta mas lo de afuera, no se
preocupa de eso en su actual situacin. Y tambin paula deja su mitad de afuera por
casualidad. Cun grande es verdaderamente la probabilidad, que Harry tenga dos
pedazos de pizza de su preferencia del total?
Archivo:Pizza estadistica.png
Pedazos de Pizza
La respuesta correcta sera 1/4. Pero porque obtenemos la probabilidad precisamente de
1/4?
Obtenemos un proceso: Para inicios iguales (condicin compleja) se puede intentar
intercambiando dos mitades de los pedazos aleatoriamente, haciendolo repetidamente
frecuente a voluntad. Cada ocasin tiene un desenlace incierto. Se trata aqui de una
operacin aleatoria (experimento, intento).
La operacin aleatoria se puede tambien describir a travs de:

Iguales condiciones complejas

Desenlace incierto

Repetidamente frecuente a voluntad

Un determinado par de mitades de pedazos del plato de Harry es un resultado. Un

resultado sera por ejemplo: la primera mitad es un pedazo del borde, y el segundo
pedazo es uno de la mitad,
(R;M) o solo RM (R para el borde y M para la mitad)
donde la parte "izquierda" le corresponderia a Harry y la "derecha" a Paula.
Todos los pares posibles se resumen en el Conjunto solucin :
es tambin el conjunto de todas las posibles soluciones que se puedan
presentar en un proceso aleatorio. Se lleva a cabo este proceso frecuentemente
infinito, debendo resultar presumiblemente en un 25% de todos los intentos dos
pedazos de la mitad. Luego se podra con eso indicar que cada uno en la pareja
tiene la misma probabilidad de sacar un pedazo. El nmero del resultado,
llamado ||, es cuatro. Por eso es la probabilidad para un par de pedazos del
borde

Si ahora resulta para un intento de ejemplo "RM", esto es un acontecimiento.

Para un "RM" se trata de un acontecimiento elemental. Es un acontecimiento que solo
contiene un elemento en el conjunto de resultados.
Hay tambien complicados acontecimientos compuestos:
A: Al menos un pedazo de la mitad: A = {RM, MR, MM}
B: Un pedazo completo: B = {RM, MR}
Estos acontecimientos incluyen mas resultados de ; un acontecimiento es siempre un
subconjunto de .

La probabilidad como concepto terico

Pequea historia general
Hay ahora aplicadas tantas probabilidades como Homo Sapiens existen. El ltimo da de
la batalla en el bosque de Teutoburger (9 d.n.e.) haba una tormenta. Los romanos
interpretaron eso como un aviso ejemplar de Mercuirio, el dios del relmpago y del
trueno. Los germanos miraban eso como el aliento se Tor, dios de la guerra. Como se
conoce, tenan ambas partes la razn.
En el siglo 17, la poca del racionalismo, Blaise Pascal (1623 - 1662) se ocupaba
sistemticamente de la probabilidad de un juego de azar y asi fundament el clculo de
probabilidades como una disciplina autnoma.
Jakob Bernoulli (1654 - 1705) se interesaba asimismo de las preguntas de la
probabilidad discreta y public su primer libro sobre clculo de probabilidades.
Con Abraham de Moivre (1667 - 1754) y Pierre Simon Laplace (1749 - 1827) se
descubri pronto la distribucin normal y Carl Friedrich Gau (1777 1855) contino
su desarrollo.
Richard Edler von Mises (1883 - 1953) proporcion artculos con mucho valor para el
clculo de las probabilidades y de la matemtica estadstica.
En 1933 el matemtico ruso Andrej Nikolajewitsch Kolmogorow (1903 - 1987)
propus una definicin axiomtica de probabilidad, de la que se basa la actual teora
de probabilidades. Esta definicin es una aplicacin de la teora de medidas.

Resultados y Acontecimientos
El concepto actual del clculo de probabilidades se presenta del siguiente modo:

Dado el Conjunto solucin (Espacio de eventos, espacio de pruebas) de un suceso

aleatorio. ste conjunto contiene todas las posibles soluciones que un suceso aleatorio
puede dar. Dependiendo del tipo de suceso aleatorio se puede contemplar diferentes
conjuntos solucin:
contiene muchas fnitas soluciones.
Ejemplos:

Suceso aleatorio: lanzar los dados. = {1, 2, 3, 4, 5, 6}

Suceso aleatorio: color de ojos de la siguiente persona que se presenta en un

casting. = {azules, verdes, cafs, negros}.

contiene un infinito contable de muchos resultados.

Ejemplos:

Suceso aleatorio: nmero de autos que a las 12 del medio dia conducen por un
contador de autos en un determinado lugar. = {0, 1, 2, 3, ...}.

Suceso aleatorio: nmero de requisitos en un servidor en una hora. = {0, 1,

2, .....}.
Se puede contabilizar los resultados pero no se puede designar ningun razonable
limite superior, por eso se deja el lmite superior abierto.

contiene muchos incontables resultados. Se podra tambien decir, el conjunto de los

resultados es un intervalo en los nmeros reales.
Ejemplos:

Suceso aleatorio: una persona adulta sera pesada (en kg). = {x|30 x 200; x
R}.

Suceso aleatorio: el cash-flow de una compaia (en ). = R.

el Cash-flow se describe como la diferencia entre ingresos - egresos.
Aqui no se puede mas contar los resultados. Un pequeo intervalo cualquiera del
conjunto solucin contiene infinito nmero de elementos. Cual es el siguiente
elemento de 50 kg: 51 kg, 50,01kg o 50,00000001 kg? En el intervalo [50, 51]
exiten infinito nmero de elementos.
Se podra aqui objetar que aun en el ejemplo del Cash-flow un centavo sera la
menor unidad, que es sencillamente contable. Por supuesto, pero cuando son
muchos elementos cercanos reunidos se facilita el anlisis se puede suponer el
conjunto como continuo. Se hablara aqui de una cuasicontinuidad.

Si un suceso aleatorio tiene un concreto resultado, se concreta un suceso. Hay sucesos

simples, el nico resultado que contiene es el llamado suceso elemental. Los sucesos
complejos se componen de muchos resultados. Un suceso A es siempre un
subconjunto del conjunto solucin .
Ya que el resultado es un conjunto, se pude utilizar todas las operaciones del Algebra
de Conjuntos, que puede ser igual a la Algebra de Boole (tambin la lgebra de
Schalt). Las operaciones fundamentales para conjuntos en el lgebra de Boole son - (no),
y . Todas las otras operaciones se pueden derivar de llas.
Todas las soluciones de interes se reunen solo en un conjunto solucin llamado E. ste
es tambien un conjunto de subconjuntos. Con esos conjuntos se puede trabajar con el
lgebra de Boole pero se deben cumplir las siguientes exigencias:

Cuando un suceso A esta contenido en E, debe estar tambien contenido su

complemento

Cuando esta contenido A y B, debe tambin estar contenido A B (se puede

calcular que tambin contiene A B).

Debe tambin contener el elemento "nulo" (esto implica que tambin el

"elemento 1" esta contenido, que es el complemento de ).

El extenso conjunto solucin es el conjunto potencia P, ste contiene todos los

subconjuntos de .
Ejemplo de un conjunto potencia: Suceso: En una urna, que contienen pelotas rojas(r),
azules (b) y amarillas (a), se debe sacar una pelota de ahi. Lo que nos interesa es el color
de las pelotitas.
Conjunto solucin: = {a, b, r}
Conjunto potencia: P = {, {r}, {b}, {a}, {r, a}, {r, b}, {a, b}, {a, b, r}}
Kolmogorow construy un axioma para la medida de probabilidad, es decir una
proyeccin del conjunto solucin de el conjunto de los nmeros reales en el intervalo
[0,1]:

F: R; A P(A)
Una funcin P, que cada suceso A de E ordena un nmero real se llama probabilidad
cuando cumple el siguiente axioma:

Axioma de la Probabilidad:
Dados dos sucesos A,B que estan en .
1.

No-negatividad

2.

Nominalidad

3.

si A y B son disjuntas. Aditividad

Este sistema de axiomas se puede contar solo para muchos finitos sucesos. Para muchos
infinitos sucesos Ai (i = 1, 2, ...) se obtiene, en vez del conjunto finito solucin, una Algebra. Se mantienen ampliado todos las propiedades de los conjuntos solucin de
muchos infinitos sucesos Ai. Aqui se detalla el tercer axioma respectivo:
3. Son los sucesos Ai completamente disjuntos en pares, es por su distribucin
en caso de
que Ai sea disconjunto (-Aditividad).

Clculo de la probabilidad de un acontecimiento

Se debe ahora estar provisto de un suceso con probabilidad. Bajo que juicio se debe eso
realizar, no nos viene en un axioma. Hay aqui diferentes procesos. Se mantiene
finalmente la distribucin de probabilidad.
Como asignamos los sucesos con la mejor probabilidad?
Consideremos el ejemplo en el pedazo de Pizza, el suceso A: mnimo un pedazo de la
mitad. Es A = {RM, MR, MM}. Se cubre en tres de cuatro posibles resultados, as
tenemos la probabilidad P(A) = 3/4. La estratega corresponde al clsico concepto de
probabilidad. Se lo designa como principio simtrico o el principio de Laplace:
Cada resultado es frecuentemente igual. |A| es el nmero de resultados que se cubren a
travs de A (nmero de resultados favorables), || es el nmero de todas las soluciones
posibles. Asi

El principio simtrico tiene sobre todo una desventaja que no se puede aplicar para
todos los sucesos aleatorios, p. e.: para muchos eventos infinitos. Frecuentemente se
asigna tambien a un resultado distintas probabilidades, p.e.:

Evento aleatorio: el clima de personas

Conjunto solucin = {bonito, desagradable}
P("bonito") = 0,6, p("desagradable") = 0,4.
Como se llego a esos valores de probabilidad 0,4 y 0,6? se evalo en esos casos casi las
seales del clima de los ltimos 100 aos y se averigu que el porcentaje de los dias
"bonitos" era el 60%. Aqui tenemos una aplicacin del concepto estadstico de
probabilidad: Se lleva a cabo un experimento aleatorio muy seguido. Con el nmero
continuo de los intentos se aproxima el porcentaje de intentos que se han distribuido al
suceso A, la probabilidad "real" P(A) de forma formal es

con n(A) como nmero de intentos que se han surgido del evento A. Se designa ese
conexion como Ley de grandes nmeros. La ley proporciona el razonamiento que se
puede evaluar desconocidas probabilidades con ayuda de una visin emprica, aqui eso
nos sirve de mucha ayuda!.
Para muchas preguntas se rechazan ambos conceptos de probabilidad arriba
mencionados. P.e. para sucesos, que se realizan raramente, no se tiene una una serie de
intentos disponibles; como la probabilidad de exito de un nuevo producto ubicado en el
mercado. Se quier llevar el ejemplo a una compaia de detergente. Se encuentra ante
una alternativa, de hacer publicidad en la televisin o no. Se confronta con los eventos:
Cuando pasa la propaganda televisiva es para la compaia un exito/un fracaso. Cuando
no se pasa la propaganda es para la compaia tambien un exito/ un fracaso. Para estas
cuatro alternativas se debe determinar probabilidad. No se tiene informacion confiable
sobre el evento, no se puede tener datos previos, eventualmente bajo consideraciones de
experiencias parecidas se asigna una probabilidad determinada. Esa forma de proceder
se denomina el concepto subjetivo de probabilidad.
Hay sucesos que se definen como conjuntos, se puden ilustrar tambien en muchos
eventos y en sus probabilidades en un diagrama de Venn. La probabilidad es la
superficie del correspondiente conjunto.

El ejemplo de la pizzera para calcular la probabilidad

Archivo:Pommodore.png
Desglose de las ordenes de los clientes. Wein = Vino, Wasser = Agua
Ahora miremos alrededor de la pizzeria algo mas preciso: El dueo Carlo Pommodore
es un hombre piadoso y acepta tambin a clientes sin mucho dinero que no ordenan
nada. Por eso su local esta lleno con 50 clientes siempre. 20 personas ordenan Pizza y
10 lasagne. La comida llena tanto que nadie avanza a ordenar un segundo plato. 40
clientes beben vino y 20 beben agua mineral, pero 15 toman agua y vino.
Saquemos aleatoriamente a un cliente feliz del estrepitoso conjunto. Cun grande es la
probabilidad de conseguir a uno que comi pizza?

Tenemos || = 50 diferentes resultados. Se puede de ahi sacar que cada cliente tiene la
misma probabilidad de ser escogido.
Definimos ahora los sucesos:
A: El cliente comi pizza; B: El cliente comi lasagne;
C: El cliente tom vino; D: El cliente tom agua.
Se tiene bajo el principio de simetra:

Podemos calcular:

La probabilidad que alguien tome agua y vino:

La probabilidad que en un cliente escogido aleatoriamente no tome agua ( ):

Cantidad de personas que bebieron agua o vino:

Esta relacin siempre vale para dos eventos!

La probabilidad que un cliente coma pizza o lasagne:

Los conjuntos A y B son disyuntos.

La probabilidad que un cliente escogido aleatoriamente no beba ni vino ni agua:

Aqui el directo clculo de la probabilidad es anlogo al realizado anteriormente. Se usa

mejor la regla de DE MORGAN:

Lo que se debe aprender

En un suceso A (A elemento de ) :

Dos sucesos A y B (A,B elementos de ) :

A y B no son en general disyuntos, tambin es la probabilidad que A o B ocurra por el
teorema de adicin para dos sucesos:

En el caso de que A y B sean disyuntos:

La regla de Morgan:

Para tres eventos Ai (i = 1, 2, 3) de vale analogamente a su arriba mencionada

referencia:

Mas sucesos Ai (i finito o infinito):

Si los eventos Ai generalmente en pares son disjuntos, se lo realiza por su distribucin