Con Mi Profe: Julio Hurtado Marquez; EMAIL_TAREAS: juliohurtado210307@gmail.com
📜 HISTORIA DE LA PROBABILIDAD
La teoría de la probabilidad es una rama de las matemáticas que estudia los fenómenos aleatorios. Su desarrollo ha sido impulsado por la necesidad de comprender y modelar situaciones inciertas, desde juegos de azar hasta fenómenos naturales y sociales.
🎲 Orígenes en los Juegos de Azar
Aunque los juegos de azar existen desde la antigüedad, el análisis matemático del azar comenzó en el siglo XVII. En 1654, los matemáticos franceses Pierre de Fermat y Blaise Pascal intercambiaron correspondencia sobre problemas relacionados con juegos de dados, sentando las bases de la teoría de la probabilidad. Uno de los problemas discutidos fue el “problema de los puntos”, que trata sobre cómo dividir las apuestas de un juego interrumpido.
📘 Avances en los Siglos XVII y XVIII
El siglo XVIII vio avances significativos:
• Jacob Bernoulli: Publicó Ars Conjectandi en 1713, introduciendo el Teorema de los Grandes Números, que establece que la frecuencia relativa de un evento converge a su probabilidad teórica a medida que aumenta el número de ensayos.
\[ \lim_{n \to \infty} \frac{S_n}{n} = p \]
• Abraham de Moivre: En The Doctrine of Chances (1718), introdujo la distribución normal como una aproximación a la distribución binomial para un gran número de ensayos, anticipando el Teorema Central del Límite.
\[ \lim_{n \to \infty} P\left( \frac{S_n - np}{\sqrt{np(1-p)}} \leq x \right) = \Phi(x) \]
• Thomas Bayes: Desarrolló el Teorema de Bayes, que permite actualizar la probabilidad de una hipótesis a la luz de nueva evidencia.
\[ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \]
📐 Formalización en el Siglo XX
A principios del siglo XX, la teoría de la probabilidad carecía de una base axiomática rigurosa. En 1933, el matemático ruso Andréi Kolmogórov publicó Fundamentos de la Teoría de la Probabilidad, donde estableció una axiomatización basada en la teoría de conjuntos y la medida, proporcionando una base sólida para la probabilidad moderna.
Los axiomas de Kolmogórov son:
1. No negatividad: Para cualquier evento \(A\), \(P(A) \geq 0\).
2. Normalización: La probabilidad del espacio muestral es 1, es decir, \(P(\Omega) = 1\).
3. Aditividad: Para eventos mutuamente excluyentes \(A_1, A_2, \ldots\), se cumple:
\[ P\left( \bigcup_{i=1}^{\infty} A_i \right) = \sum_{i=1}^{\infty} P(A_i) \]
Esta formalización permitió el desarrollo riguroso de áreas como la estadística matemática, los procesos estocásticos y la teoría de la información.
🌐 Aplicaciones Modernas
Hoy en día, la teoría de la probabilidad es fundamental en diversas disciplinas:
- Estadística: Inferencia estadística, pruebas de hipótesis y estimación de parámetros.
- Finanzas: Modelado de riesgos, valoración de derivados y teoría de carteras.
- Ingeniería: Análisis de confiabilidad y teoría de colas.
- Ciencias Sociales: Modelos de elección y análisis de encuestas.
- Inteligencia Artificial: Redes bayesianas y aprendizaje automático.
🏭 Aplicación en Ingeniería - Control de Calidad
Un ingeniero industrial utiliza la teoría de la probabilidad para controlar la calidad en una línea de producción. Suponga que la probabilidad de que un producto sea defectuoso es 0.05. ¿Cuál es la probabilidad de que en un lote de 10 productos haya exactamente 2 defectuosos?
Solución: Usando la distribución binomial:
\[ P(X=2) = \binom{10}{2} (0.05)^2 (0.95)^8 = 45 \times 0.0025 \times 0.6634 = 0.0746 \]
Código en Python:
from scipy.stats import binom
# Probabilidad de exactamente 2 defectuosos en 10 productos
prob = binom.pmf(2, 10, 0.05)
print(f"Probabilidad: {prob:.4f}")Código en R:
📊 Aplicación en Ciencias Económicas - Riesgo de Inversión
Un analista financiero evalúa el rendimiento de una cartera de inversiones. Suponga que el rendimiento anual sigue una distribución normal con media 12% y desviación estándar 8%. ¿Cuál es la probabilidad de que el rendimiento sea superior al 15%?
Solución: Calculando el valor Z:
\[ Z = \frac{15 - 12}{8} = 0.375 \]
\[ P(X > 15) = P(Z > 0.375) = 1 - \Phi(0.375) = 1 - 0.6462 = 0.3538 \]
Código en Python:
from scipy.stats import norm
# Probabilidad de rendimiento > 15%
prob = 1 - norm.cdf(15, 12, 8)
print(f"Probabilidad: {prob:.4f}")Código en R:
# Probabilidad de rendimiento > 15%
prob <- 1 - pnorm(15, 12, 8)
print(paste("Probabilidad:", round(prob, 4)))# Visualización de la distribución normal
x <- seq(-10, 34, length.out = 200)
y <- dnorm(x, 12, 8)
plot(x, y, type = "l", main = "Distribución del Rendimiento",
xlab = "Rendimiento (%)", ylab = "Densidad")
polygon(c(15, seq(15, 34, length.out = 50), 34),
c(0, dnorm(seq(15, 34, length.out = 50), 12, 8), 0),
col = "red", border = NA)
abline(v = 12, col = "blue", lty = 2)
legend("topright", legend = c("Media 12%", "P(X > 15%) = 0.3538"),
col = c("blue", "red"), lty = c(2, 1), fill = c(NA, "red"))
👥 Aplicación en Ciencias Sociales - Intención de Voto
Un sociólogo realiza una encuesta a 500 personas para estimar la proporción de votantes que apoyan a un candidato. Si el verdadero apoyo es del 45%, ¿cuál es la probabilidad de que la proporción muestral esté entre 42% y 48%?
Solución: Usando el Teorema Central del Límite:
\[ \sigma_{\hat{p}} = \sqrt{\frac{0.45 \times 0.55}{500}} = 0.0222 \]
\[ P(0.42 < \hat{p} < 0.48) = P\left( \frac{0.42-0.45}{0.0222} < Z < \frac{0.48-0.45}{0.0222} \right) = P(-1.35 < Z < 1.35) = 0.8230 \]
Código en Python:
import numpy as np
from scipy.stats import norm
p = 0.45
n = 500
se = np.sqrt(p*(1-p)/n)
prob = norm.cdf(0.48, p, se) - norm.cdf(0.42, p, se)
print(f"Probabilidad: {prob:.4f}")Código en R:
⚕️ Aplicación en Ciencias de la Salud - Eficacia de Medicamentos
Un laboratorio farmacéutico prueba un nuevo medicamento. La probabilidad de que un paciente se recupere es 0.70. Si se administra a 15 pacientes, ¿cuál es la probabilidad de que al menos 10 se recuperen?
Solución: Usando distribución binomial acumulada:
\[ P(X \geq 10) = \sum_{k=10}^{15} \binom{15}{k} (0.70)^k (0.30)^{15-k} = 0.7216 \]
Código en Python:
from scipy.stats import binom
# Probabilidad de al menos 10 recuperaciones
prob = 1 - binom.cdf(9, 15, 0.70)
print(f"Probabilidad: {prob:.4f}")Código en R:
# Probabilidad de al menos 10 recuperaciones
prob <- 1 - pbinom(9, 15, 0.70)
print(paste("Probabilidad:", round(prob, 4)))# Visualización de la distribución binomial
k <- 0:15
prob_k <- dbinom(k, 15, 0.70)
barplot(prob_k, names.arg = k, col = ifelse(k >= 10, "red", "steelblue"),
xlab = "Número de recuperaciones", ylab = "Probabilidad",
main = "Distribución de recuperaciones (n=15, p=0.70)")
legend("topright", legend = c("P(X ≥ 10) = 0.7216"), fill = "red")
📈 Teorema de Bayes - Diagnóstico Médico
Una prueba para detectar una enfermedad tiene una sensibilidad del 99% (detecta correctamente a los enfermos) y una especificidad del 95% (detecta correctamente a los sanos). Si la prevalencia de la enfermedad es del 1%, ¿cuál es la probabilidad de que una persona con resultado positivo realmente tenga la enfermedad?
Solución: Aplicando el Teorema de Bayes:
\[ P(E|+) = \frac{P(+|E)P(E)}{P(+|E)P(E) + P(+|E^c)P(E^c)} = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0099 + 0.0495} = 0.1667 \]
Código en Python:
# Teorema de Bayes
p_E = 0.01 # Prevalencia
p_pos_E = 0.99 # Sensibilidad
p_pos_Ec = 0.05 # 1 - Especificidad
p_E_pos = (p_pos_E * p_E) / (p_pos_E * p_E + p_pos_Ec * (1 - p_E))
print(f"P(E|+): {p_E_pos:.4f}")Código en R:
1 📌 RESUMEN DE APLICACIONES POR DISCIPLINA
| Disciplina | Aplicación | Concepto Clave |
|---|---|---|
| Ingeniería | Control de calidad | Distribución binomial |
| Ciencias Económicas | Riesgo de inversión | Distribución normal |
| Ciencias Sociales | Intención de voto | Teorema Central del Límite |
| Ciencias de la Salud | Eficacia de medicamentos | Distribución binomial |
| Medicina Diagnóstica | Pruebas médicas | Teorema de Bayes |