Si quieres saber más sobre lo que es un suceso seguro, un suceso incompatible, el espacio muestral de un experimento y muchos más conceptos de probabilidad, consulta nuestro artículo Experimento aleatorio, donde te explicamos todo esto con ejemplos, para que lo entiendas mejor. Además, en el tema de Permutación y combinación encontrarás todo lo necesario sobre permutaciones, con y sin repetición, así como combinaciones y sus diferentes tipos.
Frecuencia y probabilidad
La probabilidad se ha definido a partir del concepto de frecuencia relativa. Estos dos conceptos están íntimamente relacionados porque, a partir de la frecuencia relativa, podemos intuir lo que significa la probabilidad. Para definir la frecuencia debemos realizar un experimento \(n\) veces.
Frecuencia absoluta
La frecuencia absoluta de un suceso \(A\), escrita como \(f(A)\), es el número de veces que se obtiene el resultado de \(A\).
Si lanzamos una moneda al aire 10 veces y obtenemos 6 caras, la frecuencia absoluta de obtener cara es 6.
En estos casos, realmente no importa cuántas veces se haya realizado el experimento, solo cuántas veces se ha obtenido el resultado que estamos contabilizando.
Frecuencia relativa
La frecuencia relativa de un suceso \(A\), escrita como \(h(A)\), es el cociente entre la frecuencia absoluta del suceso y el número de veces \(n\) que se ha realizado el experimento. La frecuencia relativa tiene la fórmula:
\[h(A)=\dfrac{f(A)}{n}\]
Siguiendo con el ejemplo anterior, la frecuencia relativa de obtener cara sería: \[h(A)=\dfrac{f(A)}{n}=\dfrac{6}{10}=\dfrac{3}{5}\]
Propiedades de la frecuencia relativa
A partir de su definición, podemos observar algunas propiedades de la frecuencia relativa:
Como la frecuencia relativa es el cociente entre la frecuencia absoluta y el número total de veces que se realiza el experimento, esto implica que la frecuencia relativa está comprendida entre el \(0\) —cuando no se ha obtenido el resultado esperado ninguna de las veces que se ha realizado el experimento— y \(1\) —cuando se ha obtenido el resultado esperado todas las veces que se ha realizado el experimento—: \[0\leq h(A)\leq 1\]
Como ya hemos mencionado: si un suceso se obtiene siempre, su frecuencia relativa es \(f(A)=1\).
Si obtener el suceso \(A\) implica que no puede obtenerse el suceso \(B\) —es decir, son sucesos incompatibles—, sus frecuencias \(h(A\cup B)=h(A)+h(B)\).
Probabilidad de un suceso
Con lo que hemos mencionado anteriormente, podemos decir que si realizamos un experimento un número de veces suficientemente grande, veremos cómo la frecuencia de un suceso concreto \(A\) se estabiliza y se mantiene alrededor de un número determinado. Esto es lo que se conoce como regularidad estadística.
A partir de la regularidad estadística se puede dar la siguiente definición frecuentista de la probabilidad de un suceso.
La probabilidad de un suceso \(A\) se define como el límite de la frecuencia relativa de ese suceso, cuando el experimento se realiza infinitas veces. Su fórmula es:
\[P(A)=\lim_{n\to \infty} h(A)\]
Dicho esto, podemos describir la probabilidad de un suceso como el límite al que tiende la frecuencia relativa cuando el experimento se repite infinitas veces.
Por ejemplo, si se lanza una moneda al aire y se cuenta cuántas veces sale cara, la frecuencia relativa tiende a \(0{,}5\) cuantas más veces se lanza la moneda. Por tanto, la probabilidad de que salga cara es de \(0{,}5\).
Definición axiomática de la probabilidad
Como puedes estar pensando, la definición anterior es realmente complicada de aplicar para la mayoría de experimentos. No es posible reproducir un experimento infinitas veces y, por tanto, la probabilidad no queda determinada de manera exacta. Por esto, se definió la probabilidad a partir de unos axiomas: enunciados que se dan por válidos y que no hace falta demostrar.
Esto axiomas son:
La probabilidad está comprendida en el intervalo \([0,1]\).
La probabilidad de un suceso que siempre se cumple, denominado suceso seguro, es \(P(E)=1\).
Si los sucesos en un experimento son incompatibles \(A_1,A_2,...,A_n\), entonces podemos definir la probabilidad como: \[P(A_1\cup A_2 \cup ... \cup A_n)=\sum_j^n P(A_j)\]
Estas propiedades son como las de la frecuencia relativa. Sin embargo, la frecuencia relativa es un resultado experimental, mientras que la probabilidad es un resultado teórico que se conoce antes de realizar el experimento.
Con esta definición, cualquier función que cumpla estos tres axiomas se considera una función de probabilidad.
Propiedades de la probabilidad
Tal como hemos explicado, la probabilidad es una función y, por tanto, tiene unas propiedades que se cumplen. Estas son:
La probabilidad del suceso contrario \(\bar{A}\) de un suceso dado \(A\) es \(P(\bar{A})=1-P(A)\). Como estos dos sucesos son incompatibles, podemos aplicar el tercer axioma para demostrar esto: \(P(A\cup \bar{A})=P(A)+P(\bar{A})=1\Rightarrow P(\bar{A})=1-P(A)\).
La probabilidad del suceso que nunca se obtiene —es decir, el suceso imposible— es \(P(\varnothing)=0\).
Si el suceso \(B\) es un subconjunto del suceso \(A\) —es decir, \(B\) está contenido en \(A\)—, entonces \(P(B)\leq P(A)\).
Cualquier suceso que es un subconjunto del espacio muestral cumple con que \(0\leq P(A)\leq 1\).
Si \(A\) y \(B\) son sucesos cualesquiera, entonces: \(P(A\cup B)=P(A)+P(B)-P(A\cap B)\).
Vamos a ver un ejemplo, para dejar esto más claro.
Un estudiante que termina su grado universitario tiene una probabilidad de \(0{,}7\) de entrar en el mercado laboral. A su vez, tiene una probabilidad de \(0{,}5\) de entrar a un programa de máster. La probabilidad de que no siga ninguna de las opciones anteriores es de \(0{,}2\). De manera aleatoria, se elige uno de estos estudiantes.
Calcula la probabilidad de que:
a) Siga una de las dos opciones.
b) Haga un máster y a la vez se ponga a trabajar.
c) Solo haga un máster.
Solución:
En primer lugar, definimos los dos sucesos:
Suceso \(T\): que el estudiante se ponga a trabajar.
Suceso \(M\): que el estudiante estudie un máster.
\[P(T)=0{,}7\]
\[P(M)=0{,}5\]
\[P(\bar{T}\cap\bar{M})=0{,}2\]
a) La probabilidad de que siga una de las dos opciones —es decir, que trabaje o que entre en un máster— será la unión de los dos sucesos:
\[P(T\cup M)=1-P(\overline{T\cup M})=1-P(\bar{T}\cap\bar{M})=1-0{,}2=0{,}8\]
b) La probabilidad de que a la vez trabaje y haga un máster es la intersección entre los dos sucesos:
\[P(T\cap M)=P(T)+P(M)-P(T\cup M)=0{,}7+0{,}5-0{,}8=0{,}4\]
c) La probabilidad de que solo haga un máster es el suceso \(M-T\):
\[\begin{align} P(M-T)&=P(M\cap \bar{T})=\\&=P(M)-P(M\cap T)=\\&=P(M)-P(T\cap M)=\\&=0{,}5-0{,}4=0{,}1\end{align}\]
Teoría de la probabilidad - Puntos clave
¿Cómo te aseguras de que tu contenido sea preciso y confiable?
En StudySmarter, has creado una plataforma de aprendizaje que atiende a millones de estudiantes. Conoce a las personas que trabajan arduamente para ofrecer contenido basado en hechos y garantizar que esté verificado.
Proceso de creación de contenido:
Lily Hulatt es una especialista en contenido digital con más de tres años de experiencia en estrategia de contenido y diseño curricular. Obtuvo su doctorado en Literatura Inglesa en la Universidad de Durham en 2022, enseñó en el Departamento de Estudios Ingleses de la Universidad de Durham y ha contribuido a varias publicaciones. Lily se especializa en Literatura Inglesa, Lengua Inglesa, Historia y Filosofía.
Conoce a Lily
Control de calidad del contenido:
Gabriel Freitas es un ingeniero en inteligencia artificial con una sólida experiencia en desarrollo de software, algoritmos de aprendizaje automático e IA generativa, incluidas aplicaciones de grandes modelos de lenguaje (LLM). Graduado en Ingeniería Eléctrica de la Universidad de São Paulo, actualmente cursa una maestría en Ingeniería Informática en la Universidad de Campinas, especializándose en temas de aprendizaje automático. Gabriel tiene una sólida formación en ingeniería de software y ha trabajado en proyectos que involucran visión por computadora, IA integrada y aplicaciones LLM.
Conoce a Gabriel Gabriel