TEMAS DE MATEMTICAS (Oposiciones de Secundaria)
TEMA 63 FRECUENCIA Y PROBABILSTICO. PROBABILIDAD. LEYES DEL AZAR. ESPACIO
1. Introduccin. 2. Probabilidad Clsica o A Priori. 3. Probabilidad a Posteriori o Frecuencial. 4. Modelos de Probabilidad. 5. Conjuntos de Puntos. 6. Desarrollo Axiomtico de Probabilidad. 7. Espacio Muestral Discreto con un Nmero Finito de Puntos. 8. Primeras Propiedades de la Familia de sucesos S. 9. Lmites en S. 10. Propiedades de la Funcin de Probabilidad P. 11. Propiedades de Lmite. Bibliografa Recomendada.
1/20
TEMA 63 FRECUENCIA Y PROBABILSTICO. PROBABILIDAD. LEYES DEL AZAR. ESPACIO
1. INTRODUCCIN. Uno de los instrumentos fundamentales de la Estadstica es la Probabilidad, que tuvo sus orgenes en los juegos de azar, en el siglo XVII. Los juegos de azar, como implica su nombre, incluyen acciones tales como girar la rueda de una ruleta, lanzar dados, tirar al aire una moneda, extraer una carta, etc., en las cuales el resultado es incierto. Sin embargo, es sabido que, aun cuando el resultado de una prueba en particular sea incierto, existe un resultado que se puede predecir a largo plazo. En la ciencia experimental se presenta tambin un tipo similar de incertidumbre y regularidad a largo plazo. As, por ejemplo, en gentica es incierto saber si un descendiente ser macho o hembra, pero en un plazo largo se conoce aproximadamente el porcentaje de descendientes que sern machos y el de aquellos que sern hembras. Examinaremos en primer lugar la teora clsica de la probabilidad, o sea de la probabilidad a priori, luego expondremos la teora frecuencial y, finalmente, desarrollaremos un modelo axiomtico.
2. PROBABILIDAD CLSICA O A PRIORI. La relacin entre la probabilidad y los juegos de azar sugiri la definicin clsica. As, por ejemplo, supongamos que queremos hallar la probabilidad de obtener cara en el lanzamiento de una moneda ideal. Razonamos de la siguiente forma: puesto que slo existen dos resultados posibles, cara y cruz, y dado que la moneda est bien equilibrada, cabe esperar obtener cara y cruz con la misma frecuencia, aproximadamente; por tanto, en un gran nmero de pruebas, es de esperar que se obtendr cara alrededor de la mitad de las veces, y as, la probabilidad del suceso obtener cara estar dada por el valor . Esta clase de razonamiento sugiri la definicin: DEF Si un suceso puede ocurrir de n maneras mutuamente excluyentes e igualmente verosmiles y si nA de stas poseen un atributo A, la probabilidad de A es la fraccin nA . n La aplicacin de esta definicin no siempre resulta inmediata. Veamos que significa eso de mutuamente excluyentes y de igualmente verosmiles. Supongamos que deseamos calcular la probabilidad de obtener dos caras lanzando una moneda dos veces. Podra razonarse que los resultados posibles son: Dos caras, dos cruces o una cara y una cruz. Pero este razonamiento es falso porque los tres resultados no son igualmente verosmiles o probables. El ltimo de los tres puede obtenerse de dos formas diferentes. La probabilidad buscada es, por tanto, y no 1/3.
2/20
Si queremos calcular la probabilidad de obtener un As o una espada al extraer una carta de una baraja espaola, podemos razonar que tenemos 4 ases y 10 espadas, luego 1 la probabilidad sera . Pero este razonamiento tampoco es correcto ya que los 14 sucesos no son mutuamente excluyentes, puesto que existe un As de Espadas. nA n debe ser una fraccin propia, ya que el total de resultados posibles no puede ser menor que el nmero de resultados con un determinado atributo. Si un suceso ha de ocurrir con seguridad, su probabilidad es 1. En cambio, si es seguro que no va a ocurrir, su probabilidad es cero. Observemos que la probabilidad es un nmero del intervalo [0,1], La razn Las probabilidades determinadas mediante la definicin clsica se denominan probabilidades a priori. Como en cualquier otra rama de las matemticas, trabajaremos con objetos ideales: monedas equilibradas, lneas de anchura cero, crculos perfectos, etc. Existen varios inconvenientes en esta manera clsica de abordar el problema. Es obvio que la definicin dada de probabilidad tendremos que modificarla de alguna manera cuando el total de resultados posibles sea infinito. Por ejemplo, supongamos queremos calcular la probabilidad de que un nmero natural extrado al azar sea par. La respuesta intuitiva a esta cuestin es . Para justificar este resultado, tomaramos los diez primeros naturales y calcularamos la probabilidad, la cual sale . Luego lo haramos con los 100 primeros, Despus con los 1.000 primeros. Al final, lo hacemos con los 2N primeros naturales y tomamos lmites en N. La razn seguira siendo . El argumento anterior y su respuesta son plausibles, pero su justificacin rigurosa no es algo sencillo. Podemos darnos cuenta que el razonamiento anterior se basa en la ordenacin de los nmeros naturales. Si tuvisemos una ordenacin diferente, no podramos llegar a dicha respuesta. La definicin clsica de probabilidad suscita otra dificultad ms grave an que la que se presenta en el caso de un nmero infinito de resultados posibles. Supongamos que tenemos una moneda con una distribucin de su masa tal que existe un sesgo a favor de las caras. Los dos resultados posibles al lanzar dicha moneda no son igualmente probables. Cul es entonces la probabilidad de obtener cara? La definicin anterior no nos permite responder la pregunta. Nos encontramos an con otra dificultad al tratar de responder preguntas tales como Cul es la probabilidad de que un nio nacido en Madrid sea varn? Cul es la probabilidad de que una mujer muera antes de los 55 aos? Cul es la probabilidad de que una bombilla pueda encenderse al menos 200 veces? Desearamos que todas estas preguntas tuvieran respuesta dentro del marco de a l teora de la probabilidad. Sin embargo, las cuestiones de simetra, igualmente verosmiles, etc. no pueden considerarse como lo seran en un juego de azar. Por tanto, tendremos que alterar o extender la definicin de probabilidad. 3/20
3. PROBABILIDAD A POSTERIORI O FRECUENCIAL. Supongamos que lanzamos una moneda 100 veces, la cual tomamos bien equilibrada y simtrica. Los resultados son 56 veces cara y 44 veces cruz. Un hecho importante en que la frecuencia relativa de caras tiende a estabilizarse en torno al valor . Esto sugiere que la frecuencia relativa obtenida podra utilizarse como una aproximacin de la probabilidad de obtener cara con la moneda empleada. Es razonable suponer que existe un nmero, que designaremos con p, que es la probabilidad de obtener cara. Si la moneda parece verdaderamente bien equilibrada y simtrica, podemos emplear la definicin anterior para establecer que p es aproximadamente . Decir que p es igual a es slo una aproximacin, puesto que para esta moneda en particular no podemos estar seguros de que los dos resultados sean igualmente verosmiles. Pero comprobados el equilibrio y la simetra de la moneda, parece razonable suponer que lo son. Tomemos ahora una moneda desequilibrada, de tal forma que despus de un examen estamos completamente seguros de que los dos sucesos, cara y cruz, no son igualmente verosmiles. Aun en estos casos, puede postularse la existencia de un nmero p como probabilidad de obtener cara, pero para hallar el valor de p no podremos aplicar la definicin clsica. Tendremos que utilizar la teora frecuencial. Concretemos un poco ms. Supongamos que podemos realizar observaciones (o experimentos) bajo condiciones completamente uniformes. Es decir, hecha la observacin, se repite el suceso en condiciones anlogas y se hace otra observacin. al repetir esto muchas veces, aunque las condiciones sean siempre similares, existe una variacin incontrolable que es casual o aleatoria, de forma que no es posible predecir el resultado de las observaciones individualmente. Esto sugiere que definamos un nmero p, llamado probabilidad del suceso, y que lo aproximemos por la frecuencia relativa con que aparece dicho suceso en las repetidas observaciones.
4. MODELOS DE PROBABILIDAD. Uno de los objetivos de la ciencia consiste en predecir y describir sucesos del mundo en que vivimos. Una manera de hacerlo es construir modelos matemticos que describan adecuadamente el mundo real. En la teora de la probabilidad hacemos lo mismo. Construimos un modelo probabilstico que pueda utilizarse para describir sucesos del mundo que nos rodea. As, por ejemplo, puede desearse hallar una ecuacin adecuada para predecir el sexo de cada nacido en cierta localidad. La ecuacin sera muy compleja y no se ha descubierto ninguna. Sin embargo, puede construirse un modelo de probabilidad que, aunque no sea muy til para tratar un suceso individual, sirva perfectamente par ocuparse de grupos de sucesos. Cabe entonces indicar la existencia de un nmero p que represente la probabilidad de que un nacido sea varn. A partir de esta probabilidad fundamental podemos responder a preguntas tales como: Cul es la probabilidad de que de diez nacidos, al menos tres sean varones? Cul es la probabilidad de que hay tres varones consecutivos en los prximos cinco nacimientos? Para contestar a este tipo de preguntas vamos a desarrollar un modelo idealizado de probabilidad.
4/20
Consideraremos una teora de la probabilidad adecuada slo para aquellas situaciones que pueden ser descritas por los resultados de experimentos conceptuales. Es decir, consideraremos nicamente aquellos sucesos cuya repeticin sea concebible bajo condiciones semejantes. Tambin necesitamos que pueda enumerarse cada posible resultado de un experimento. Asociaremos probabilidades solamente con esos resultados. aadiremos, sin embargo, que aun cuando un resultado sea imposible puede ser incluido (su probabilidad es 0). Lo fundamental es recordar que ha de incluirse cada resultado que puede ocurrir. DEF Cada resultado imaginable de un experimento conceptual, que puede repetirse bajo condiciones similares, ser denominado un punto muestral, y la totalidad de los resultados imaginables se llamar espacio muestral, siendo denotado por .
5. CONJUNTOS DE PUNTOS. Vamos a definir ciertas operaciones sobre el conjunto de puntos que forman el espacio muestral y que son necesarias para posteriores estudios. Un conjunto de puntos, llamado a veces simplemente un conjunto, es una coleccin de elementos que tienen ciertas propiedades especficas. Si s es un punto o un elemento que pertenece al conjunto , escribiremos s. DEF Diremos que los conjuntos S1 y S2 son iguales si cada elemento de S1 es tambin un elemento de S2 , y cada elemento de S2 lo es de S1 . Es decir si S1 y S2 tienen exactamente los mismos puntos. DEF Diremos que S1 es un subconjunto de , y se denota por S1 , si cada elemento de S1 es tambin un elemento de . DEF En cada aplicacin de la teora existir un conjunto universal, el propio espacio muestral , tal que todos los dems conjuntos que intervengan en el anlisis son subconjuntos de . Algunas veces puede que no se indique explcitamente el espacio muestral, pero generalmente estar implcito en el contexto de la discusin. DEF El complemento de un cierto conjunto S1 , respecto al espacio muestral , ser el conjunto de puntos que estn en pero no en S1 . Se indicar por S1 , o tambin por S1 . DEF Llamaremos Conjunto Nulo a un cierto conjunto S1 que no contiene puntos. Se denotar por . DEF Un suceso A est definido en el espacio muestral como un subconjunto A de puntos de , y cuando decimos probabilidad de que ocurra A queremos decir probabilidad de que aparezca cualquier punto de A.
5/20
Si el espacio muestral contiene un continuo de puntos, no definiremos todo subconjunto como un suceso, sino slo subconjuntos medibles. DEF Sean S1 y S2 dos elementos de S. Llamaremos Unin de los sucesos S1 y S2 , y se denota por S1 S2 , al suceso formado por todos los puntos de S1 y todos los puntos de S2 . DEF Sean S1 y S2 dos elementos de S. Llamaremos Interseccin de los sucesos S1 y S2 , y se denota por S1 S2 , al suceso formado por todos los elementos comunes a S1 y S2 . De las definiciones anteriores se desprenden los resultados siguientes, donde es el espacio muestral, y S1 y S2 , elementos de . PROP Se verifica: 1) 2) 3) 4) 5) 6) 7) = Si S1 y S2 no tienen puntos comunes entonces S1 S2 =. S1 = S1 S1 = S S1 = S 1 = S1 S1 S1 = S1 S1 S1 = S1
DEF Diremos que un espacio muestral es discreto si verifica una de las dos condiciones siguientes: 1) Un nmero finito de puntos. 2) Un nmero infinito de puntos que pueden ponerse en correspondencia biunvoca con el conjunto de los nmeros naturales. DEF Diremos que un espacio muestral es continuo si contiene un conjunto continuo de puntos.
6. DESARROLLO AXIOMTICO DE LA PROBABILIDAD. En los apartados anteriores hemos visto los conceptos de probabilidad clsica y frecuencial que pueden ayudarnos a resolver importantes problemas de la ciencia experimental. Para coadyuvar a la solucin de estos problemas vamos a desarrollar una teora matemtica de la probabilidad. En primer lugar, vamos a enunciar los axiomas que empleamos para desarrollar la teora. Supondremos un espacio muestral cuyos elementos quedan, de momento, indeterminados. Asimismo, se supondr fijada una familia S de subconjuntos del espacio . S()
6/20
Aqu () es el conjunto de las partes de , es decir, la familia formada por todos los subconjuntos de . Por tanto A() equivale a A Finalmente supondremos dada una funcin P de dominio S que toma valores reales. DEF Diremos que la terna (,S,P) es un Espacio de Probabilidad en , o Distribucin de Probabilidad en , si verifica las condiciones siguientes, estando las tres primeras referidas a S y las tres ltimas a P: S1) S2) S3) P1) P2) P3) S AS A S Ak S k
UA
k =1
P(A) es un nmero real tal que P(A)0 para todo suceso A de S. P()=1 Si S1 y S2 son dos sucesos de S mutuamente excluyentes (S1 S2 =) entonces P(S1 S2 ) = P(S1 ) + P(S2 ).
Estos axiomas, que usaremos para desarrollar el modelo idealizado de probabilidad, estn motivados por las definiciones de probabilidad clsica y frecuencial. Veamos ahora algunos teoremas que son resultado directo de los axiomas anteriores. TEOREMA Sea un espacio muestral y P una funcin de probabilidad en . La probabilidad de que no ocurra el suceso A es 1P(A). Se escribe como P( A) = 1 P ( A) Dem. Sabemos que A A = y que A A = . Aplicando el axioma 2 tenemos que 1 = P( ) = P ( A A) Y aplicando el axioma 3, 1 = P( ) = P ( A A) = P( A) + P( A) con lo que P( A) = 1 P ( A) , quedando as demostrado. TEOREMA Sea un espacio muestral con funcin de probabilidad P. En tal caso 0P(A)1 para cualquier suceso A de S. Dem. Por el axioma 1, P(A)0 7/20
Y aplicando el teorema anterior, como P( A) = 1 P ( A) verificando que P( A) 0 entonces necesariamente se debe dar que P(A)1 TEOREMA Sea un espacio muestral con una funcin de probabilidad P. entonces P()=0. Dem. La conclusin se obtiene de forma inmediata sin ms que tener en cuenta que S = 7. ESPACIO MUESTRAL DISCRETO CON UN NMERO FINITO DE PUNTOS. En ciertos tipos de problemas, entre los cuales los juegos de azar constituyen ejemplos notables, el espacio muestral contiene un nmero finito, n, de puntos, y la 1 probabilidad asignada a cada punto es . Es decir, en ciertos problemas existe un n nmero finito de ordenaciones, y es totalmente realista suponer que la probabilidad de 1 cada ordenacin es . En general, es suficiente para estos problemas la definicin n clsica, y pueden utilizarse los mtodos combinatorios para la enumeracin de las ordenaciones. DEF Sean s1 , s2 , ..., sn los n puntos muestrales de un espacio muestral discreto . Diremos que la funcin P es una funcin de probabilidad de sucesos igualmente verosmiles si satisface las condiciones siguientes: 1 . n 2) Si A es un suceso que contiene nA cualesquiera puntos muestrales, entonces n P( A) = A . n 1) P(s1 )=P(s2 )=...=P(sn )= La primera condicin afirma que cada uno de los n puntos muestrales es igualmente 1 verosmil y, por tanto, que su probabilidad en . n La segunda condicin establece que la probabilidad de un suceso que contenga nA n de los n puntos muestrales es A . n
8/20
Es fcil comprobar que esta definicin cumple los tres axiomas anteriores y es, por tanto, una funcin de probabilidad.
8. PRIMERAS PROPIEDADES DE LA FAMILIA DE SUCESOS S. En lo que sigue supondremos dado un espacio de probabilidad cualquiera (, S, P) al cual se referirn todos los conceptos que desarrollemos. La propiedad S2 de la familia de sucesos S se expresa diciendo que S es una familia de conjuntos cerrada por la operacin de complementario. La propiedad S3 significa que S es cerrada por uniones numerables. Las tres propiedades que contienen los axiomas S1, S2 y S3 caracterizan las familias de conjuntos que se llaman -lgebras en . Veamos a continuacin las primeras consecuencias de estos axiomas. PROP1 Dem. Como = , resulta lo que se desea de S1 y S2. PROP2 entonces Dem. Podemos aplicar S3 donde tomamos Ak = para k>n, obteniendo el resultado pedido. PROP3 entonces Dem. Como se tiene que Ak S , resulta de la proposicin anterior que tomar complementarios se obtiene el resultado deseado. PROP4 La familia S es cerrada por intersecciones numerables. Es decir, si Ak S La familia S es cerrada por intersecciones finitas. O sea, si Ak S para 1kn La familia S es cerrada por uniones finitas. Es decir, si Ak S con 1kn El conjunto vaco pertenece a la familia S, S
UA
k =1
S . En particular, si A,BS se verifica que ABS.
IA
k =1
S . en particular, si A,BS se verifica que ABS.
UA
k =1
y al
para k:1,2,... entonces Dem.
IA
k =1
S .
Similar a la anterior. 9/20
DEF Dados dos conjuntos A y B, llamamos diferencia simtrica de A y B, y se representa por AB, al conjunto AB=(AB)(BA). PROP5 sea, La familia S es cerrada por diferencias ordinarias y diferencias simtricas. O
1) AS, BS ABS 2) AS, BS ABS Dem. 1) Como para la diferencia de dos conjuntos se tiene que A B = A B obtenemos la primera parte de la tesis de la Proposicin 3. 2) Teniendo en cuenta 1) y la proposicin 3 obtenemos el resultado. Como resumen de las propiedades vistas en este apartado, podemos decir que la lgebra S es Cerrada por las operaciones de Complementario, Diferencia y Diferencia simtrica, as como por uniones o intersecciones de un conjunto contable de sucesos. En casos particulares, operando con conjuntos no numerables de sucesos el resultado puede ser un suceso. DEF Diremos que una sucesin (An ) de sucesos es Montona Creciente si se cumple que An An+1 para todo n. DEF n. Diremos que una sucesin (An ) es Montona Decreciente si An+1 An para todo
DEF Diremos que la familia {At : tI}, donde I es un intervalo de la recta real, es una familia Montona Creciente si t1 ,t2 I, con t1 <t2 At1 At 2 DEF Diremos que la familia {At : tI}, donde I es un intervalo de la recta real, es una familia Montona Decreciente si t1 ,t2 I, con t1 <t2 At1 At 2 PROP6 Si {At :t(a,b)} es una familia de sucesos montona creciente, para cualquier sucesin 1) (xn ) tal que a < xn < xn+1 n y Lim x n = b
n
se tiene
a <t <b
U At = U Ax n S
n =1
2) (yn ) tal que 10/20
b > yn > yn+1 n Lim y n = a
n
vale
a <t <b
I At = I A yn S
n =1
Dem. 1) Es inmediato ver que el segundo miembro de la igualdad est contenido en el primero.
a <t <b
U At U Axn S
n =1
Veamos la inclusin contraria, Dado t ' ( a, b) n ' / x n ' > t ' por lo que At ' Axn ' U Axn
n =1
y como t es arbitrario obtenemos
a <t <b
UA UA
t n =1
xn
De las dos inclusiones anteriores obtenemos la igualdad a demostrar. 2) La demostracin la vamos a realizar de forma anloga. En primer lugar, es inmediato ver que
a <t <b
I At I Ay n S
n =1
Para comprobar la inclusin contraria Dado t ' ( a, b) n' / y n ' < t ' por lo que At ' Ay n ' I Ay n S
n =1
y por ser t arbitrario
a <t <b
IA IA
t n =1
yn
demostrando as la igualdad. PROP7 Si {At :t(a,b)} es una familia de sucesos montona decreciente, para cualquier sucesin 3) (xn ) tal que se tiene a < xn < xn+1 n y Lim x n = b
n
11/20
a <t <b
I At = I Ax n S
n =1 n
4) (yn ) tal que b > yn > yn+1 n Lim y n = a vale
a <t <b
U At = U A yn S
n =1
Dem. Definiendo Bt = At , la familia {Bt :t(a,b)} es montona creciente y se le puede aplicar el teorema anterior. Al tomar complementarios en las relaciones que se obtienen para los sucesos Bt , conseguimos las igualdades a demostrar. 9. LMITES EN S. Dada una sucesin (An ) de conjuntos de , podemos definir los siguientes nuevos conjuntos. DEF Llamamos Lmite Inferior de la sucesin (An ) al conjunto Lim An ={: para algn n, y jn Aj}
_____
DEF
Llamamos Lmite Superior de la Sucesin (An ) al conjunto
______
Lim An ={:Para alguna sucesin de enteros n1 <n2 <n3 <... y j1 vale An j }
Podemos decir que el Lmite Inferior est formado por los elementos que pertenecen a todos los Aj desde uno en adelante. En cambio, el Lmite Superior est formado por los elementos que pertenecen a infinitos Aj. PROP Se verifica: 1) Lim An = UI Ap
______ ______ n =1 p n
2) Lim An = IU Ap
n =1 p n
Dem. Inmediatas a partir de la definicin. DEF Diremos que existe el Lmite de An si los lmites superior e inferior son iguales y se escribe LimAn = Lim An = Lim An
____ ____
12/20
PROP El lmite inferior y superior de una sucesin de sucesos es un suceso. Por tanto, cuando existe el lmite de una sucesin de sucesos, dicho lmite es tambin un suceso. Dem. La primera parte es consecuencia de la frmulas demostradas en la ltima proposicin. La segunda parte es obvia. PROP Se verifican las siguientes relaciones: 1) Lim An Lim An
____ ____
2) Lim An = Lim An ____ ____ 3) Lim An = Lim An ____
____
Dem. 1) Se obtiene de forma inmediata a partir de las definiciones. 2) y 3) se obtienen a partir de los resultados de la primera proposicin de este apartado, sin ms que utilizar las leyes de Morgan. Las sucesiones Comprobmoslo PROP Se verifica: 1) Si la sucesin (An ) es montona creciente entonces existe Lim An = U An
n n =1
montonas
son
convergentes,
es
decir,
tienen
lmite.
2) Si la sucesin (An ) es montona decreciente entonces existe Lim An = I An
n n =1
Dem. La demostracin se obtiene fcilmente.
10. PROPIEDADES DE LA FUNCIN DE PROBABILIDAD P. La funcin de probabilidad es No Negativa por el axioma P2. Y por el axioma P3 la funcin P es numerablemente aditiva, o tambin llamada -aditiva. Veamos las primeras consecuencias de los tres axiomas que satisface la funcin P.
13/20
PROP1 Dem.
El suceso vaco, , es un suceso de probabilidad cero o suceso nulo.
Llamando a=P() y aplicando P3 con An = para todo n, obtenemos a = a + a + a + ... igualdad que solamente es cierta si a=0. PROP2 P es Finitamente Aditiva. Es decir, si los conjuntos AjS para j:1,2,...,n son disjuntos, entonces: n n P U A j = P( A j ) j =1 j =1 En particular AS, BS, AB= P(AB) = P(A) + P(B) Dem. Tomando en el axioma P3 los conjuntos Aj del enunciado para j:1,2,...,n y Aj= para j>n, el enunciado de P3 se convierte en la igualdad del teorema. Al ser P finitamente aditiva y numerablemente aditiva, podemos decir que P es Contablemente Aditiva. PROP3 Si AS, BS, AB, entonces se tiene que
1) P es Sustractiva. Es decir, P(BA) = P(B) P(A) 2) P es Montona. Es decir, P(A) P(B) Adems, AS 3) P(A) 1 4) P( A)1 P( A) Dem. 1) Teniendo en cuenta la hiptesis AB podemos deducir B = A(BA) y de aqu obtenemos P(B) = P(A) + P(BA) y de aqu P(BA) = P(B) P(A) y A(BA) =
2) Teniendo en cuenta que P(A)0 para todo suceso A de S, tenemos que P(BA)0, obteniendo fcilmente la expresin a demostrar.
14/20
3) y 4) se deducen de las expresiones 1) y 2) ya demostradas sin ms que tomar B = . PROP4 P es Finitamente Subaditiva. Es decir, para n sucesos cualesquiera Aj, con j:1,2,...,n se verifica: n n P U A j P( A j ) j =1 j =1 En particular AS, BS P(AB) P(A) + P(B) Dem. Para poder realizar la demostracin, definimos los conjuntos Bj como sigue B1 = A1 y B j = A j U Ak
k =1 j 1
con 2 j n
Los conjuntos que acabamos de definir verifican las siguientes propiedades: 1) BjAj, por la propia definicin. 2) Los Bj son todos ellos disjuntos, ya que si h<i se tiene Bh Ah y Bi Ai 3)
UA =UB
j =1 j j =1
Comprobemos que, efectivamente, se verifica la tercera de las propiedades. Para ello, hemos de comprobar las dos inclusiones. La inclusin
UA
j =1
U B j se verifica a partir de la primera de las propiedades.
j =1
Para demostrar la inclusin contraria, lo que vamos a comprobar es U A j
j =1 n
U B j
j =1
Si A1 =B1 , y resulta evidente. Si A1 , existir un cierto j tal que Aj y Ak para k<j. Entonces Bj y por tanto pertenece a la unin de ellos, tal y como queramos ver. Una vez probadas estas propiedades, podemos demostrar la proposicin de la siguiente forma: n n n n P U A j = P U B j = P( B j ) P( A j ) j =1 j =1 j =1 j =1 PROP5 P es Numerblemente Subaditiva. Es decir, para cualquier sucesin de sucesos (An ) se tiene
15/20
P U An P( An ) n =1 n =1 Dem. Al igual que hemos hecho en la demostracin de la proposicin anterior, introducimos los conjuntos Bn definidos de la misma forma y, por tanto, verificando las mismas propiedades. Entonces
P U An = P U Bn = P( Bn ) P( An ) n =1 n =1 n =1 n =1
PROP6
Para dos sucesos cualesquiera A y B se verifica P(AB) = P(A) + P(B) P(AB)
Dem. Podemos establecer las cuatro relaciones siguientes AB = A(BA) B = (AB)(BA) A(BA) = (AB)(BA) =
las cuales nos permiten escribir P(AB) = P(A) + P(BA) y P(B) = P(AB) + P(BA)
De ambas expresiones, eliminando P(BA) obtenemos lo que queremos demostrar. PROP7 Sean A1 , A2 , ..., An n sucesos cualesquiera. Entonces
n n n P U A j = P ( A j ) P( Ai A j ) + P ( Ai A j Ak ) + K + ( 1) n 1 P I A j j =1 j =1 j =1 1i < j n 1i < j <k n Dem. Vamos a realizar la demostracin por induccin en el nmero de sucesos. Supongamos que tenemos n+1 sucesos. Para n=2 la expresin anterior se convierte en la tesis de la prop6. Sea vlida la expresin a demostrar, para n sucesos. Para n+1 tenemos n +1 n n P U A j = P U A j + P ( An +1 ) P U A j An +1 j =1 j =1 j =1
16/20
Aplicando ahora la suposicin de ser cierto para n sucesos completamos la demostracin por induccin. PROP8 Se verifica:
1) Si los sucesos Aj con 1jn son sucesos nulos entonces la unin de todos ellos es un suceso nulo. 2) Si los sucesos Aj con 1jn son sucesos casi seguros entonces la interseccin de todos ellos es un suceso casi seguro. Dem. 1) Para la demostracin, basta tener en cuenta la prop4 en la que vimos que P era subaditiva. n n P U A j P( A j ) = 0 j =1 j =1 2) Para esta parte tomamos complementarios y aplicamos el caso anterior. PROP9 Se verifica:
1) Si (An ) es una sucesin de sucesos nulos, entonces su unin es un suceso nulo. 2) Si (An ) es una sucesin de sucesos casi seguros, entonces su interseccin es un suceso casi seguro. Dem. La demostracin es igual que la de la proposicin anterior, pero utilizando el resultado obtenido en la prop5.
11. PROPIEDADES DE LMITE. PROP1 Se verifica:
1) P es Continua Inferiormente. Es decir, dada una sucesin montona creciente (An ) se verifica que Lim P( An ) = P U An n n =1 2) P es Continua Inferiormente. Es decir, dada una sucesin montona decreciente (An ) se verifica que Lim P( An ) = P I An n n =1 Dem. 1) En el caso de ser la sucesin montona creciente podemos escribir
17/20
An = A1 U ( An +1 An ) U n =1 n =1
verificando los sucesos del segundo miembro que son disjuntos. Por tanto
P U An = P A1 U ( An +1 An ) = P( A1 ) + P( An +1 An ) = n =1 n =1 n= 2 k k = Lim P( A1 ) + P( An +1 An ) = Lim P A1 U ( An +1 An ) = Lim P ( An ) k n n= 2 k n= 2
2) Si la sucesin (An ) es montona decreciente, la formada por los sucesos complementarios es montona creciente y tenemos P U An = Lim P( An ) = Lim (1 P( An ) ) n n n =1 y de aqu obtenemos de forma inmediata la expresin que queremos demostrar. PROP2 Si (An ) es una sucesin de sucesos cualesquiera, se verifica
______ ______ P Lim An Lim P( An ) Lim P( An ) P Lim An ______ ______
Dem. De las relaciones
IA
p n
An U Ap
p n
resulta P I Ap P( An ) P U A p p n p n Si definimos las sucesiones (Bn ) y (Cn ) como Bn = I Ap
p n
Cn = U Ap
p n
podemos comprobar que son montonas, y aplicando la prop1 obtenemos Lim P( B n ) = P U B n = P Lim An Lim P( An ) ______ ______ n n ______ ______ Lim P ( An ) P Lim An = P I Cn = Lim P( Cn ) n n
18/20
PROP3 P es Continua. Es decir, si (An ) es una sucesin de sucesos convergente, tiene lmite, entonces existe Lim P(An ) = P(Lim An ) Dem. La demostracin es inmediata con slo aplicar la proposicin anterior. Aclaracin. En la siguiente proposicin vamos a utilizar el concepto de Lmite Lateral. Para cualquier funcin real f usaremos las notaciones Lim f (t ) = f (c +)
t c +
Para el lmite lateral por la derecha en t=c. Para el lmite lateral por la izquierda en t=c
Lim f (t ) = f (c )
t c
Recordemos la siguiente propiedad que relaciona el lmite aritmtico y el lmite funcional. PROP Para una funcin real f definida al menos en (a, a+h) son equivalentes las dos condiciones siguientes: 1) Lim f (t ) = c
t a +
2) Para cada sucesin (tn ) con a < tn < a+h y tn a se verifica Lim f (t n ) = c
n
Anloga propiedad podemos demostrar para el lmite lateral por la izquierda. PROP4 Sea {At : t(a,b)} una familia de sucesos montona creciente. Entonces: 2) Lim P( At ) = P I At t a + t >a
1) Lim P( At ) = P U At t b t <b
Si la familia de sucesos {At : t3} es montona creciente, se tiene de forma anloga: 1) Lim P( At ) = P U At t + t Dem. Vamos a demostrar las dos primeras, ya que la segunda parte es anloga. 1) La funcin f: (a,b) 3 definida por acotada por lo que existen los lmites. f(t) = P(At ) es una funcin montona 2) Lim P( At ) = P I At t t
Si xn es una sucesin montona estrictamente creciente con lmite b resulta inmediatamente, por la relacin entre el lmite aritmtico y funcional, y el resultado de la prop6 del apartado 8
19/20
Lim P( At ) = Lim P( Axn ) = P U Ax n = P U At t b n n =1 t< b 3) La demostracin de esta expresin se realiza de forma anloga. PROP5 Sea {At : t(a,b)} una familia de sucesos montona decreciente. Entonces: 2) Lim P( At ) = P U At t a + t >a
1) Lim P( At ) = P I At t b t <b Dem.
Se puede obtener de la proposicin anterior utilizando sucesos complementarios.
BIBLIOGRAFA RECOMENDADA. Estadstica Terica. Aut. J.M.Doblado y M.C. Nieto. Edit. UNED Introduccin a la Estadstica Terica. Aut.: G Arniz. Edit.: Lex Nova Estadstica Terica y Aplicada. Aut.: A. Nortes. Edit.: S. Rodrguez. Introduccin a la Probabilidad y la Medida (I). Aut.: P Zoroa y N. Zoroa. Edit.: Maior DM.
20/20
