troduccién a los métodos tadisticos 1 Este libro tiene por objeto el estudio de los sistemas formados por un niimero muy gran- ce particulas. Ejemplos de tales sistemas son los gases, los liquides, los sido, las ra- jones clectromagnéticas (fotones), etc. Como quiera que la mayor parte de los sistemas 05, quimicos o bioldgicos estan formados por muchas moléculas, nuestro estudio abarca a gran parte de la naturaleza, El estudio de los sistemas constituidos por muchas particulas es probablemente la parte js activa de la investigacién en la fisica moderna, fuera del dominio de la fisca de la alta a. En este diltimo dominio, el problema esta en comprender las interacciones funda- niales entre los nucleones, neutrinos, mesones y otras particulas singulares. Pero si se de estudiar 10s s6lidos, los liquides, los plasmas, sistemas quimicos biolégicos u 08 sistemas diversos formados por muchas particulas, nos enfrentamos a una tarea di te, no menos problemética. Aquf hay razones excelentes para suponer que las cono- s eyes de Ia mecéinica cusintica definen en forma adecuada los movimientos de los 4to- 8 las moléculas de tales sistemas; es més, como los nicleos de los étomos no se rompen 3 procesos quimicos y biolégicos ordinarios y, por otra parte, las fuerzas gravitatorias ire Ios étomos son de valor despreciable, las tinicas fuerzas entre los tomos de estos temas nacen de las conocidas interacciones electromagnéticas. En consecuencia, podria ‘optimista sentirse tentado a proclamar que estos sistemas son «eomprendidos, en prin- ~ io», Esta afirmacién puede considcrarse, sin embargo, como vacia y errénea, ya que, inque fuera posible formular las ecuaciones de movimiento para cualquiera de tales sis- as formados por muchas particulas, su complejidad seria tan grande que haria punto que imposible la tarea de deducir consecuencias iiles. Las dificultades existentes son precisamente cuestiones de detalles cuantitativos, ya que éstas podrian ser resueltas na afuerza brutan, aplicando calculadoras mayores y mejores. Ciertamente, aunque las teracciones entre las particulas individuales son més bien simples, la complejidad resul- ame de la interaccién de un gran mimero de ellas puede dar lugar, con frecuencia, a un ;portamiento cualitarivo del sistema totalmente inesperado. Puede necesitarse un ani- is muy profundo para predecir tal comportamiento a parti del conocimiento de las par- ulasindividuales. Por ejemplo, es un hecho chocante, dificil de comprender en su detalle ierose6pico, el que los dtomos simples que forman un gas puedan condensarse brusca- ate para formar un liquido de propiedades muy diferentes. Y todavia es fantisticamente is dic! intentar comprender cSmo un conjunto de ciertas clases de moléculas puede lucir aun sistema eapaz de crecimiento y reproduccién biolégicas 2FUNDAMENTOS DE FISICA ESTADISTICA Y TERMic, « tarea de comprender los sistemas constituidos por muchas particulas dista, py, rucho de ser trivial, incluso cuando son bien conocidas las interacciones entre los étomos, rictamente un problema de evar a cabo ealculos complicados. El objey to principal ex por el contrario, utilizar el conocimiento propio de tas leyesFisicas basic, para desarrollar nuevos concepios que puedan ituminar las caractersticas esenciales dee tos complejos sistemas y, de esta forma, proporcionar el conocimiento suficiente para fac liar el propio pensamiento de forma que puedan reconocerse las relaciones fundamental, 4 hacer prediceiones tiles, Silos sistemas que se consideran no son excesivamente comple jos y sino se desea un nivel de descripcin excesivamente detallado de ellos, puede ade. Tantarse considerablemente por métodos de anilisis relativamente sencillos. TEs util que se establezca aqui una distincién entre los tamafios de los sistemas cuyo cestulio interese, Llamaremos «micrascépico» (esto es, de «escala pequefia>) a un sistema sj tiene aproximadamente dimensiones atomicas o inferiores (del orden de 10 A o inferior, Por ejemplo, el sistema podria ser una molécula, Por otra parte, llamaremos «macroscépico» {esto es, «de gran escalo») a un sistema cuando ¢s lo suficientemente grande como para ser apreciable por los sentidos ordinarios (mayor que 1 micrén, de forma que pueda ser observada, por lo menos, con un microscopio y utlizando luz ordinaria). El sistema esti constituido entonces por muchisimos détomos 0 moléculas. Podria ser, por ejemplo, un Sélido 0 un liquido del tipo de los que encontramos en nuestra experiencia diaria. Cuando hos ocupamos de un sistema macroseépico tal, en general no nos preocupamos del com- portamiento detallado de cada una de las particulas que constituyen el sistema. Norma nente, por el contrario, nos interesamos por ciertos parimetros macroscépicos que curac- terizan al sistema como a un todo, esto es, magnitudes tales como el volumen, la presién, el momento magnético, la conductibilidad térmica, ete. Si los parémetros macroscépicos de un sistema aislado no varian eon el tiempo, se dice que el sistema est en equilibrio. Si un sistema aislado no esta en equilibrio, sus pardmetros, en general, variaran hasta que ‘aleancen los valores constantes correspondientes a una determinada condicién de equil brio. Es evidente que las situaciones o estados de equilibrio podran estudiarse tedricamente mis ficiImente que los estados, mis generales y funciones del tiempo, de desequilibrio. Los sistemas macroseépicos (como gases, liquides o slides) empezaron a ser invest- gados sisteméticamente desde el punto de vista fenomenolégico macroscépico en el siglo pasado. Las leyes asi descubiertas forman la «termodinamicay..En la segunda mitad de dicho siglo, la teoria de la constitucién atémica de la materia encontré general aceptacién y los sistemas macroseépicos empezaron a ser analizados desde un punto de vista microseé- pico como constituidos por un gran nimero de étomos o moléculas. El desarrollo de la ‘mecénica euintica después de 1926 proporcioné una teorfa adecuada para describir los 4tomos, abriendo asi un camino para el anlisis de tales sistemas sobre la base de conceplos microseépicos realistas, Ademis de los métodos més modernos del «problema de varios ‘cuerpos», se han desarrollado varias disciplinas de fisica que se ocupan de sistemas cons- tituidos por un gran niimero de particulas. Aunque los limites entre estas disciplinas no estén muy definidos, podria ser itil sefialar brevemente las similitudes y diferencias entre sus métodos respectivos de enfoque. Ni es tampoco ex 4a) Para un sistema en eguilibrio se puede intentar sentar principios generales respect© a las relaciones existentes entre los parimetros macroscdpicos del sistema. Este es el me todo de enfoque de la «termodinamica» clisica, que es, histéricamente, la disciplina més antigua. La fuerza de este método radica en su gran generalidad que permite establecet principios vilidos basindose en un nimero minimo de postulados sin exigit hipétesis 4 talladas en relacién con las propiedades microscépicas (esto ¢s, moleculares) del sistem La misma fuerza del método implica también su debilidad; a partir de fundamentos ta"INTRODUCCION 4 Los METODOS ESTADISTICOS o enerales solo pueden establecerse relativamente pocos principios, con lo que muchas pro- Piedad interesante dl sistema pueden quedar fica del lence del metodo 5) Para un sistema en equilibrio se puede también intentar establecer principios muy jgenerales basados, de forma consistente, en las propiedades microsc6picas de las particulas ‘cl sistema y en las leyes mecinicas que determinan su comportamiento. Este es el enfoque de Ia «meciniea estadistica». Proporciona todos los resultados de la termodinamica, més lun gran néimero de relaciones generales para cl cilculo de los parimetros macroscdpicos del sistema a partir del conocimiento de sus constituyentes microscépicos. Este método resulta de una gran belleza y potencia, )_ Sil sistema no esta en equilibrio, la tarea es mucho mis dificil. Se puede ain inten- {ar sentar unos principios de gran generalidad sobre tales sistemas y esto conduce a los métodos de la «termodindmica irreversible» o, mis generalmente, al estudio de la «meci- nica estadistica de los procesos irreversibles». Sin embargo, la generalidad y la fuerza de «estos méiodos es mucho mis limitada que en el caso de los sistemas en equilibro, 4) Se puede intentar el estudio devallado de las interacciones de todas las particulas del sistema y caleular asi los parimetros de sigificacién macroscépica. Este es el método de | «teoria cinéticay, En principio es siempre aplicable, incluso cuando el sistema no esti ¢n equilibrio y no pueden utilizarse los poderosos métodos de Ia mecinica estadistica en <1 equilibrio. Si bien ta teoria cinética proporciona la descripcién més detallada de un sis- ema, por esto mismo es el método de més dificil aplicacién, Ademis, su detallado punto de vista tiende a oscurever las relaciones generales de mayor aplicacién. Histéricamente, la termodinémica nacié antes de que se conociera la naturaleza atémi- cca de la materia. La idea de que el calor es una forma de la energia fue sugerida en los tra- bajos del conde Rumford (1798) y Davy (1799). Explicitamente fue establecido por el fisico alemn R. J. Mayer (1842), pero solo fue realmente admitido después de los cuidadosos trabajos experimentales de Joule (1843-1849). EI ingeniero franots $. Carnot raliz6 en 1824 l primer andlisis de una maquina térmica. La teoria de la termodinimica fue formulada de manera consistente por Clausius y Lord Kelvin alrededor de 1850, siendo desarrollada y ampliada posteriormente por J. W. Gibbs en algunos trabajos fundamentales (1876-1878). El enfoque atémico para el estudio de problemas macroseépicos comenzé con el estudio de la teoria cinética de los gases diluidos. Esta materia fue desarrollada a lo largo de los trabajos pioneros de Clausius, Maxwell y Boltzmann. Maxwell descubrié la ley de disti- bucién de las velocidades moleculares en 1859, y Boltzmann, en 1872, formulé su ecuacién fundamental integrodiferencial (ecuacién de Boltzmann). La teoria cinética de los gases adquirié su forma moderna cuando Chapman y Enskog (1916-1917) consiguieron des- arrollar métodos sistemticos para la solucin de dicha ecuacin. 1La disciplina més general que es la mecénica estadistica se desarrollé también a partir de los trabajos de Boltzmann, que, en 1872, logré realizar un anilisis microscdpico funda- ‘mental de la irreversibilidad y de la aproximacién al equilibrio, La teoria de la mecénica cstadistica cobré entonces muevo desarrollo y fuerza gracias a las contribuciones bésicas de J, W. Gibbs (1902). Aunque Ia aportacién de la medica cudntica ha supuesto muchos ‘cambios, la estructura basica de la teoria moderna se ha mantenido tal eomo fue formulada ‘Al estudiar los sistemas constituidos por muchas particulas no pretenderemos recapi- tular el desarrollo histrico de las diversas disciplinas que se ocupan de la deseripcidn fisica de tales sistemas, sino que, desde el principio, adoptaremos un punto de vista moderno, basado en el estado actual de nuestros conocimientos de fisica atémica y mecinica cusintica. Ya se ha mencionado el hecho de que se puede avanzar considerablemente en la compren- sin de los sistemas de muchas particulas por métodos de anilisis més bien sencillos. Esto, a primera vista, puede parecer sorprendente, ya que sistemas tales como liquidos 0 gases, formados por un ntimero de particulas del orden del nimero de Avogadro (10) se presen:eT FUNDAMENTOS DE FISICA ESTADISTICA Y TERMIc, « complicados. Sin embargo, preisamente Ia enorme compl, ia, come res nclave de un mide de atau de notable éxito, Pursto cue ao jad de estas sister namiento dctallado de todas y cada und de las particulas de tals sis. strata dl com argumentos estadisticos. Ahora bien, cualquier jugador, agente temas, s posible pti ©onada con el eéleulo de probabilidades, sabe que los argumen. de seguros 0 Per ds satisfactorios cuando se aplican a mimeros grandes, y Zqué mis tos esaditios 6 Teris aplicar a ntimeros como el de Avogadro? En sistemas tae, ued Pel oso sldoren fs que hay qe tatar con muchsimas patel iden, com gases or eataiticos son, pes, particularmente efeetivs. Esto no signin que cas los arevipjeas desaparezcan; a fsica de 1s problemas de varios cuerpos dan gar toot de 5 cuestiones faccinantes. Sin embargo, muchos problemas importantes ye giplifcan exttaordnariamente cuando se abordan por medios estaisticos tan como tremendament CAMINO ALEATORIO Y DISTRIBUCION BINOMIA 1-1. Conceptos estadisticos elementales y ejemplos Los comentarios precedentes evidencian que las ideas estadisticas jugarén un papel fundamental a todo lo largo de este libro, En consecuencia, dedicaremos este primer cay tulo al estudio de algunos aspectos clementales de la teoria de la probabilidad, que son de gran utilidad. ‘Se supone al lector familiarizado con los conceptos mds rudimentarios de la probabi- lidad. Es importante tener presente que siempre que se desee describir una situacién desde tun punto de vista estadistico (esto es, en términos de probabilidades) es necesario conside- rar una coleccién (0 «conjunto») constituida por un nimero muy grande 9 de sistemas preparados similarmente. La probabilidad de que ocurra un suceso particular se define entonces respecto a este conjunto particular y viene dada por la fraccién de los sistemas en el conjunto, caracterizados por la presentacién del suceso especificado. Por ejemplo, se puede dar una deseripcién estadistica de las tiradas de un par de dados, considerando que tun gran nimero 5 (en principio, {1 +> co) de pares de dados similares se lanzan en cit- ccunstancias también similares. (Como alternativa podemos imaginar que es el mismo par de dados el que se lanza 9. veces seguidas y en circunstancias similares.) La probabilidad de obtener dos ases viene dada por la fraccién de estos experimentos en que el resultado de la tirada es de dos ases. ‘Noétese también que la probabilidad depende en gran manera de la naturaleza del con- junto que se considera al definir dicha probabilidad. Por ejemplo, no tiene sentido hablar simplemente de la probabilidad de que una semilla individual produzca flores rojas. En ‘cambio, si lo tiene preguntarse por la probabilidad de que tal semilla, considerada como riembro de un conjunto de semillas similares producidas por un grupo de plantas, produ ‘a flores rojas. La probabilidad depende esencialmente del conjunto del cual se considere rmiembro a la semilla. Y, asi, Ia probabilidad de que una semilla determinada proporcione flores rojas es diferente, en general, si se considera a dicha semilla como (a) miembro ‘una coleccién de semillas similares que se sabe proceden de plantas que produjeron flores ‘rojas, © como (b) miembro de una coleccién de semillas que se sabe proceden de plantas ‘que produjeron flores de color rosa. Para el estudio siguiente de los conceptos bisicos probabilisticos ser conveniente ‘tenet Presente un ejemplo especifico y sencill, pero importante, el denominado «problems de camino aleatorion. En su forma mis sencilla ¢ idealizada, este problema puede formulas?Fig. 1-1-1. Camino aleatorio de un borracho en una sola dimensiin. en la forma tradicional siguiente: Un borracho parte de una farola de una calle, Cada paso que da es de la misma longitud 1. El hombre esté tan borracho que el sentido en que da cada aso—a la derecha 0 a la izquierda—es completamente independiente del paso precedente, Todo cuanto puede decirse es que cada vez que el borracho da un paso, la probabitidad de que lo dé hacia la derecha es p, y la de que lo dé hacia la izquierda, q = 1 — p. (En el caso mis sencillo, p = q; pero, en general, p # a. Por ejemplo, la calle puede estar incli- nada respecto a la horizontal, de forma que tn paso cuesta abajo, hacia la derecha, sea mis ficil de dar que cuesta arriba, hacia la izquicrda.) ‘Tomando el efe de las x a lo largo de la calle y el origen x = 0 en la posicién de la farola, es evidente que, puesto que cada paso es de longitud /, la posicién del hombre sobre cl eje debe poder definrse por la formula x = mi en la que mes un niimero entero (positi- Yo, negativo o cero). La cuestién que se presenta es Ia siguiente: Después de dar N pasos, {cual es la probabilidad de que el hombre estésituado en la posicién x = ml? La formulacién estadistica del problema implica nuevamente que se considera un gran niimero % de hombres similares, partiendo de farolas similares. (Como alternativa, si la situacién no varia con el tiempo, por ejemplo, si el hombre no recupera gradualmente su sobriedad, se podria repetir también el mismo experimento % veces con el mismo hombre.) Para cada paso se encuentra que una fraccién p de los hombres se mueven hacia la derecha. La pregunta es entonces: {Que fraccién de los hombres estardsituada en la posicién x = ml, después de NV pasos? Este problema monodimensional puede generalizarse fécilmente a mis dimensiones, sean dos (un borracho partiendo de una farola en el centro de una plaza), tres o més. La pregunta es entonces también la de cual seré la probabilidad de que después de N pasos el Fig. 1-1-2, Ejemplo de un camino dateatoria en dos dimensiones.» FUNDAMENTOS DE FISICA ESTADISTICA Y TERMICy hombre estésituado a una distancia determinada del origen (la distancia ya no ser de a forma mi, con m entero). Por supuesto, la fisica no se ocupa de farola hasta su casa, pero ‘el problema, asi ipa de borrachos que se tambalean en el camino de una ustrado, no es ni mas ni menos que el de sumar satorias (0 direeciones especificada Nroeetores de igual fongitud, pero de direcciones aleatorias ( = por alguna distribucién probabilistica), preguntindose por ie probabilidad de que el vec. porary resultante tenga cierto modulo, direoién y sentido (ver Fig. 1-1/2). Seguida. 10 une mencionan unos pocos ejemplos fisicos en los que esta euestin se plantea 4) Magnetismo: Un étomo tiene un spin $ y un momento magnético 1s de acuerdo con ta mevinsca cvintica, su spin puede sefalar hacia «arribay 0 «abajo» respecto a una Gireceién determinada, Si estas dos posiblidades se dan con igual probabilidad, jeudl seri ‘el momento magnético total de NV de tales dtomos? “ 1) Difweion de una mokecula en un gas: Cierta molécula se mueve en tres dimensiones, teniendo un recorrido medio f entre colisiones,con otras moléculas. {Cual seré la distancia probable recorrida después de NY colisiones? ) Intensidad de Ia huz debida a N fuentes de luz no coherente: La amplitud de ta juz debida a cada fuente puede representarse por un vector bidimensional cuya direecién spec la fase de la perturbaciSn. Aqui las fases son aleatoriasy la amplitud resultant, Gque determina la intensidad total de la luz de todas las fuentes, debe caleularse por métodos estadisticos. El problema del camino aleatorio ilustra algunos resultados muy fundamentales dela teoria de la probabilidad. Las tfenicas utilizadas en su estudio son poderosas y basicas {se presentan una y otra vex en la fisica estadistica. Es, por consiguiente, muy instructivo el conseguir tna perfecta comprensién de este problema. 4:2. El problema del camino aleatorio en una sola dimensién Por simplicidad estudiaremos el problema del camino aleatorio en una dimensién. En lugar de hablar de un borracho dando pasos, volvamos al vocabulario menos alcohslico de la fsica y pensemos en tna particula suftiendo desplazamientos sucesivos en una dimen sin, Desputs de NV pasos, cada uno de ellos de longitu J, la particula estar situada en x= ml siendo m un niimero entero de valor -NSms Wir) = NE pry (1-2-6) nalnal4 FUNDAMENTOS DE FISICA FSTADISTICA Y TERMICa, so seni, Consderemas ot caso simple representado eo a Fig, 12-1 para an Cee se septic, Solo bay un forma de que os re pass un ota eM hacia Ia derecha, la probabilidad corespondiente 73) ser simplemente suotivs sr por otra parte, a robabiided de una seouencia de pasos en Gus ds oe sneha uno hacia a izqierda es pg, pero come hay tres de tales pos eee ae tas In probabilidad vendré dada en definiiva por 3p%4. amiento para obtener la Ee. (1°2°S). El problema es contar el ndmero de 10s (0 pasos), de los que m, son indistinguiblemente de ‘pueden colocarse en un total de N= m +m plazas 0 Razé Formas distintas en que N objet ‘un tipo y n, de un segundo tipo, lugares posibles. En este caso ta L¢ plaza puede ser ocupada por cualquiera de los NV objetos 113 Binza puede ser ocupada por cualquiera de los (W — 1) abjetos restantes 1a plaza N-sima puede ser ocupads solamente por el titimo 1 objeto Por tanto, todas las plazas disponibles podran ocuparse de NN = AN = 2) Det maneras posibles. La enumeracién anterior considera a cada objeto como distinguibe Pane can los m, objetas del primer tipo son indistinguibles (por ejemplo, todos son pasos la dorecha) las ny! permutaciones de estos objetos entre sf producen la misma rareeiga, De igual forma ocurre con las na! permutaciones de los abjetos del segundo tipo. En consecuencia, dvidiendo el nimero total de disposiciones de los objetos por cpeamero m,in,! de permutaciones de los objetos de cada tipo se obtiene el numero otal N/m tna! de maneras distintas de disponer N objetos cuando 7m, son de un tipo y nz de otro tipo. “Ejemplo. En cl caso anterior de tes pasos existen N = 3 suces0s (0 plaza) posibles, aque se designan en la Fig. 1-2-2 por B,, By, Bs, que pueden ser ocupadas por tres p sos (u objetos) particulares A,, Ay, 43. El suceso 2, puede presentarse de cualquiera ‘de tres maneras; B,, de dos, y By, de una. Hay asi 3 x 2 x 1 = 3! = 6 secuencias po- Sibles de estos tres pasos. Supongamos ahora que A, y Az designan ambos pasos a la @@®@ [aes a Tr (as Fig, 1-2-2. Diagrama reprsentativo del problema de distibur tes objetos Ay. As. An tnire tres sitios By, Bay By. La pare de (a derecha del digrama relaciona las disposiie~ nes posiles¢ indica, por medio de corchees, aguellas que som idénticas ewando A y 4s se consideran indistinguibles.INTRODUCCION A LOS METODOS ESTADISTICOS 25 derecha (m = 2), ¥ Ayy tun paso a Ia izquierda (ny = 1), Entonces las secuencias de pasos que difieren dnicamente por las dos permutaciones de Ay y A3 son realmente idén- ticas. Solo hay § = 3 secuencias distintas para dos pasos a a derecha y uno a Ia izquierda. La funcién de probabilidad (1-2-6) se llama distribucidn binomia, La razén de esta denominacién es que (1-2-5) representa un término tipico del desarrollo de (p + @y” por el teorema del binomio, Recordemos en efecto que dicho desarrollo viene dado por la formula tor =F aaah (2-7) Ya se ha seftalado en (1-2-3) que, si se sabe que la particula ha realizado 7, pasos hacia la derecha del total de N pasos, su desplazamiento total m desde el origen est determinado. La probabilidad, pues, Py(m) de que la particula se encuentre en la posicién m después de N pasos es la misma Wy(7,) dada en (1-2-6), esto es, Py(m) = Ww(m) (1-2-8) Por (1-2:1) y (1-2-2) se tiene de forma explicita® m=HN+m), n= 4(N-m) (1-2-9) La sustitucién de estas relaciones en (1-2-6) la transforma en NI Palm) = EERO = myn — pyit-mrt (12-10) En el caso especial en que p = g = toma la forma simétrica N! re Pale) = aE way /AIMOT = 72] () Ejemplos. Supongamos que p = = 4 y que N= 3 como en la Fig. 1-2-1, El numero posible de pasos ala derecha es entonces n, = 0, 1, 2 6 3; los desplazamientos correspondientes son m= ~3, 1, 1 6 3; las probabilidades correspondientes son (como es evidente en la Fig. 1-2-1) Waly) = Palm) = 4, 8 $5 (21) La Fig. 1-2-3 representa la distribueiOn binomia para cl mismo caso p = q = 4, pero con ees saa envolvente de los valores diseretos de Py(m) es una curva de forma de cam- pana, Su significado fisico es obvio. Después de W pasos aleatorios, la probabilidad de {gue la partiula esté a una distancia de pasos del origen es muy pequetia, mientras {jue la probabilidad de que est colocadla cerea del origen ¢s mucho mayor. + opsirvese que (1-2-2) demuestra que (+m) y (N ~ m) son enteros pares, puesto que son iguales re: pectvamente a 2m, 9 226 FUNDAMENTOS DE FISICA ESTADISTICA ¥ TeRMICA, wo) Pm 0.20 ais 016 ou on o10 008 06 04 orfs 45678 WN Mis 6 7 6 1 my 20-18 16-14-12 10 -8 0-4-2 0 2 4 6 8:10 18 wo mw fem el caso en que 0 pasos. El grafico muestra le probabilded W(x) den; pasos a la derecha, o lo (que es equivalente, la probebilidad Py(m) de wn desplazamiento neto de m unidades hacia la derecha. 1-3. Estudio general de los valores medios Sea w una variable que puede tomar cualquiera de los M valores dscretos Uy Way ee Ma con las probabilidades respectivas Plu), Pua), «» Pew) El valor medio de w se designa por @y se define por PCa) + Pus)ita + +++ + Pluie Pu) + Plus) + (uta) 0, en notacién abreviada, a3)INTRODUCCION A LOS METODOS ESTADISTICOS n Esc es desde lego, el procedimiento normal de ealcular promedios. Por ejemplo, representa la nota obtenida por un estudiante en nimero de est ef a tun examen y P{u) el mimero de estu- diantes que han obtenido dicha nota, In Ec (13-1) nos die que la nota media se obten, muplande cada nota por el nimero de estudiantes que la han obteido, sumando estos productos y dividiendo la suma por el niimero total de estudiantes. ‘Con mayor generalidad, si fiw) es una funcidn cual ji Ricoe defnido por a funcién cualquiera de u, el valor medio de flu) x Y Peuagtus) ¥ (1-3-2) Pw) Bate exprisn a poode simpler. Camo P(y) sh defiio como won pobablied, el valor 4 Plus) + Pua) + +++ + Plu) = ¥ Pow) representa Ia probabilidad de que u tome uno cualquiera de los valores posibles y debe ser igual a la unidad. De aqui, con toda generalidad, > > Pw) =1 ae Esta es la llamada «condicién de normalizacién» que debe ser satisfecha por toda probabi- lidad. La defniion general (1-2-3) se transforma en la 4 > Ted = ¥ PCuds(u) (1-3-4) ‘Como consecuencias sencillas, obsérvese que si f(u) y g(u) son dos funciones cualesquie- ra dew 2 x u Fay ¥ oe) § Pudi flu) + gud = % Powastud + Y Plwdgcu) a ie o bien > TOF OH) = Feu) + awh (1-3-5) ‘Ain ms, si ces una constante cualquier, es evidente que > Tey = sew (1.3.6) Algunos valores medios sencillos son particularmente itiles para descubrit racteristicas de la distribucién de probabilidad P. Uno de éstos es el valor medio i (por8 FUNDAMENTOS DE FISICA ESTADISTICA Y TERMICA la medida del valor central de ejemplo, la nota media de una clase de estudiantes). Esta es Si se miden los valores de wu a tw alrededor del cual se distribuyen los diversos valores partir de su valor medio i, esto es, si se pone ausu-d (1-3-7) entonces, Me@—Haa-a (1-3-8) Lo que quiere decir simplemente que el valor medio de la desviaein partir del valor me. dio es nul Otro valor medio util es J. Plud(ue — D? 20 (1-3-9) a Gy = ave se denomina «segundo momento de u respecto a su valor medio» o simplemente eis- persidn de u. Este no puede ser negativo, puesto que (A)* = 0, ya que cada termino de fy suma proporciona un ndmero no negativo. Solo sii = & para fodos los valores up se fanulard la dispersién, Cuanto menos agrupados o concentrados estén los valores de u, tespecto de 7, mayor sera la dispersiOn. La dispersién mide asi el grado de agrupamiento Telos valores de la variable respecto a su valor medio (por ejemplo, Ia diversificacion de hrotas respecto a Ia nota media en los estudiantes). La relacién general siguiente se uli frecuentemente en el cilculo de la dispersign y= GSW) =a ae 6 bien > (1-3-10) Como el primer miembro tiene que ser positivo se deduce también que pw (1311) Se pueden definir otros valores medios tales como (Au, «momento enésimo de u re pecto a su valor medio», para nimeros enteros n > 2. Estos son, sin embargo, de mucht menor utilidad. ‘Nétese que el conocimiento de P(u) implica una informacién completa respecto a la ribucién real de los valores de Ia variable u. El conocimiento de algunos momentos, como i y (Au, implica tinicamente un conocimiento parcial, si bien util, de las earacteris- ticas de esta distribueién. El conocimiento de algunos valores medios no es suficiente pare determinar completamente P(u) [a menos que se conozcan los momentos (Au)" para £0 los valores de Pero por la misma razén sucede frecuentemente que el edleulo de la fur. cidn de distribucién de la probabilidad P(u) resulta dificil, mientras que algunos valores medios simples se pueden calcular facilmente sin conocer explicitamente P(u). En las P& ginas siguientes habré ocasién para comprobar estos asertos.INTRODUCCION A LOS METODOS EsTADisticos +4 Caleulo de to : 1 aleatorio * "Motes medios en el problema del camino » En (1:2:6) se ha visto que la probabilidad, en un cia la derecha (y N— n, = m, hacia la izquierda) es total de WV pasos, de que n, se den ha- Wor) mi (1-4-1) (Para mayor simplicidad se omite el subindice confusidn.) Verifiquemos primeramente la normalizacién, N de W cuando de ello no se deriva ninguna esto es, la condicién 1 (1-4-2) lo que nos dice que la probabilidad de dar un nimero cualquiera de pasos a la derecha, entre 0 y NY, tiene que ser igual a la unidad. Sustituyendo (1-4-1) en (1-4-2) obtendremos a (@ +9)" pore torema de! binomio = LY = 1 puesto queg {que comprueba el resultado. {Cuil es el niimero medio A, de pasos a la derecha? Por definicién x y NI a=) Wom = ) aterm 43) 2, mie ap? . ; Si no existiera el factor extra n, en cada término de la éltima suma, se tendria nuevamente el desarrollo del binomio y, por tanto, sera sencilla la suma; pero dicho factor m, complica cl problema. Hay, sin embargo, un procedimiento general muy dtil que permite reducir la suma a una forma més sencilla, Consideremos el problema matemitico puro de calcular la suma que aparece en (1-4"3), tomando a p y ¢ como dos pardmetros arbitrarios cuales- quiera. Obsérvese que el factor n, puede generarse por derivacién a map" = P 5p (P") La suma en cuesti6n puede eseribirse entonees en la forma x x A; Ml angtorm = aw ol os | wom y mi sail eee 2 al — my |? ap "| ito wo ] intercambiando cl orden del y de Ia derivacién por el teorema del binomio f Puesto que este resultado es certo para valores arbitratios de py 4, tiene que ser tambiénFUNDAMENTOS DE FISICA ESTADISTICA y yp, Rie 0 : tiene un valor constantedeterminado yg ~ | encl que nteresaen el due ma en Ia expresiOn sencilla ide 3) se transform i= Np ; (ty) ia hat isto, Como p es la probabilidad de dar w i in i nl ea a 0 medio dF Pao medio de pasos a la izquierda es similarmente Mente vilido en elcas0 au Por tanto, p+ 4 = > Este result derecha, el mimer por N =p. Exidenterent yenos ty Na a4 Por supuesto ithe Npto-N da el nimero total de pasos. an tavamiento(medido hacia la derecha, tomando come uunidad. ta longitud de uy paso) osm =m, ~ My, De aqui se obtene para el desplazamiento medio > femom=th— m= N(p—4 (14.6) Si p = q,emtonces = 0. Esto tiene que ser asi puesto que hay completa simetrs ene Jos sentidos derecha e izquierda. Céteulo de ta dispersiin. Caleulemos ahora (&rr,)". Por (13-10) se tiene Gay} = Ga ty = nt - at (4-7) Ya conocemos iy; negesitamos, por tanto, calcular 1,7, m= SY Wou)ne sido y MN! = > malQVesin tos manele (48) nto Considerando a p y q como parimetr i ‘i ee arbitrarios y.utilizando como antes el artificio & mip = my ( 3) (pm) = (° ay @) la suma de (1-4-8) se transforma en (hawt ( i) Yaya angie imereambiando ol 3 ae ia m)t sumatorio y de la defi = (3) oom er : A) (PN(p + a) = IN (D + gv y PN(N = 1)(p 4 9) ¥—4] : saINTRODUCCION 4 LOS METODOS ESTADISTICOS u El caso de mayor interés en (14:8) e5 aquel en = 1. De esta for * convierte simplemente en ee) mt = plV + pN(W — 1) Noll + pN — p] = Woy +Npq yaquel—p=q ta? + Nog Por (1-4-4) De aqui (1-4-7) da para la dispersion de m, el resultado siguiente > Gay = Ng (1-4-9) {a magnitud (A7r,F es cuadritica respecto al desplazamiento. Su raiz cuadrada, esto es, tn desviacitn media euadritiea A*n, = [(An,F]"* es una medida lineal de la amplitud del recorrido dentro del que m, esta distribuido. Una buena medida de la amplitud relatica de esta distribueién es, Atm _ VNpg _ ve 1 a Np aVN Atm 2 "VF Novtese que cuando N crece, el valor medio fi, aumenta con N, pero A*n, aumenta con N"” En consecuenia, el valor de la ampltud relatiea An, /, disminaye, al aumentar N, pro: porcionalmente a N~"! Se puede calcular también la dispersién de m, esto es, la dispersién del desplazamiento neto hacia la derecha. Por (1-2-3) En particular Parap == 4, m= my — y= 2m, — N (1-410) De aqui se obtiene és Am =m — m= (2m: — N) = (2 — N) = 2m — ma) y (am)? = 4(4n)* 2am. (1-4-1) ‘Tomando las medias, se obtiene por (1-4-9) > (Am)? = 4(Ani)* = 4N pq (14-12) En particular, mies Gay = ee ten, awe tan sale 2 Sea ee ee creme neve ee wae Lai.FUNDAMENTOS DE FISICA ESTADISTICA Y TERMICA, o12s 45 67 § 9 Wd Is 4 15 16 17 18 19D 4, M2 10-8 6-4-2 9 2 4 6 8 1 8 2m Sm = VG = 4.98 m Fig. 1-4-1. Distribucibn de probabiidad binémica para p = 0,6 y q = 0, cuando N = 20 ‘pasos. El grdfco representa nuceamente la probabilidad Win,) de m, pasos a la derecha, o lo ‘que es equvalente, la probabilidad P(m) de un znto neto dem unidades hacia la de- vrecha. También se indican las ealores medios si y (Am). 1:5 Distribucién de la probabilidad para valores de N grandes SiN tiene un valor grande, la distribucién binémica de probabilidad 1(1) de (1-4-1) ‘iende a presentar un méximo pronunciado para un cierto valor n= A y a decrecer ripi- damente al sepatarse de 7, (véase, por ejemplo, la Fig. 1-41). Se puede sacar partido de este hecho para hallar una expresién aproximada de W(n,), que sera valida si N es lo suli- cientemente grande. Si Nes grande y consideramos regiones préximas al maximo de Wen que n, es también ‘grande, la variacién de W al variar n, en una unidad es relativamente pequefa, esto es [Wim + 1) — Wens)| «K Wor) (1-5-1) WY puede, con buena aproximacidn, considerarse, por tanto, como una funcién continua de la variable continua 1, aunque solamente los valores enteros de m, son fisicamente im- Portantes. La posicién n =i del méximo de W viene determinado aproximadamente por Ia condicién IF 0 oo que es equivalents =0 (1-5-2)INTRODUCCION A LOS METODOS ESTADISTICOS 38, en las que kas derivadas se caleulan para x, Won) ea proximidad del maximo, ondemos nt MNS Ba et comPortamisno de Me fit (1-5-3) y desarrollaremos In W(n,) en una serie de Ts a 7 1 serie de Taylor en respecto a fy. La razén de que se des- arrolle ol n W en lugar de desarroliar simplemente IV es que el In W es una funcién de m, que varia mucho mas lentamente que H¥. De esta forma el desarrollo en serie de potencias del In W convergeré mucho més rapidamente que el de W. ‘Un ejemplo cara sto, Supongamo ue se dss demir una expres apo ximada, valida para y << 1, de la funcién ' a+y* cn Ia que Ves grande. FI desarrollo diteto en sere de Taylor (o pore corm del b- nomio) daria " ra & = Ny +a types Puesto que N es grande, Ny Z 1 incluso para muy pequetios valores dey; por tanto, cl desarrollo anterior no converge ya. Se puede soslayar esta dificultad tomando primero Togaritmos Inf=-Nmn+y) Desarrollando en serie de Taylor se obtiene Inf = -N@~ dy ++) ° t e ‘que es vélida, siempre que y <1 Desarrollando el In Wen serie de Taylor, se obtiene In W(ny) = In W(t) + Bn + $Ben? + BB + - * (1-5-4) en la que Bee oer (15-5) ‘ =f, Como se ha desarollado respecto aun la derivada de orden k del In W para my Ay. rt Mani til? debe ser negativo, eso es, By tiene que ser negativo, Para hacer eto expli- bi "Ups La (1'3+4) lea, poniendo W7 = 14.) 8 cito, pongamos Ba os WH eclisalt hawt (1-5-6) Win) = Weber suficientemente pequeiia, los términos cle orden superior del ‘de manera que se obtiene una expresién de la forma sencilla Wns) = Weta (1-5-7) En fa regién en que 1 €3 5 desarrollo pueden despreviarse,u FUNDAMENTOS DE FISICA ESTADISTICA Y TERMICA etudlemos ahora el desarrollo (1°5:4) eon mayor detalle, Por (1-4-1) se tene In Win) = in NY — In mat — ba( = att male + — md Ing (1-5-8) Pero simes un nimero entero grande cualquier, esto es, >> 1, entonces In! puede con. loess una funeiGn eaai continua de n, ya que In m! varia solamente en una pequefa frac. ‘Gon de sf mismo sin varia en un pequefio nimero entero, De aqui din nt ming = na 6 yg OO = n(n + 1) in ' En consecueneia din! para ns> 1 an w inn (1-5-9) ‘De ésta, con fa (1-5-8) se tiene an 2 tom tin —m) +Inp— Ing (1-5-10) Teualando esta primera derivada a cero se determina el valor m, = fy para el que W es maximo. Con esto se obtiene la condicién por tanto. Peeetiaes st > i = Np (1-5-1) yaquep +g=1. Derivando nuevamente la (15-10) se obtiene @nw_ 1 dnt my que para el valor n; = fy, dado por (15:11), dant i+ th 1 Re fde 41" BO Np -aG d Wj a + phe ip N-Np ~~ W\p*q, > B= - xb Naa (1-5-13) or ser p + q = 1. Por consiguiente, B, es efect we cs calitercomsieients, Bs es efeetivamente negative, como er presso part (1-512) Toman srs desvad infos rads se pueden examinr los tino de orden sein ‘del desarrollo (1-5-4). Y asi, derivando (15-12) se obtiene : ta Dene eh sister sees L aa” =a * Wap ~ ° y=! gd Nipig < WipeINTRODUCCION A Los METODOS ESTADISTICOS oe De igual forma, By = = i -a am = 204+) 24 ° (Bl = ae < ye Seve, pues, que el término de orden ken (1-5-4) es de valor més pequefo que n'/(Npq)*~! Despreciar los términos ulteriores a Bay?, lo que lleva a (15:7), esti, por tanto, justfic cado si es sucientemente pequcio, deforma que®™ 11 (15-16) Eo que demuestra que en el dominio completo en que la probabilidad W no es despre- Gablemente pequeta, la expresién (1-5-7) es una buena aproximacin, en tanto que N” sea grande y que ni p ni g sean demasiado pequetios.** El valor de la constante WW en (1-5-7) puede de normalizacién (1-4-2). Como quiera que W y n, pueden considerarse como variables cuasi Continuas, Ia suma de todos los valores enteros de n, puede set remplazado aproni, ‘madamente por una integral, De esta forma, la condicin de normalizacién puede escribir, seen la forma ser determinado a partir de la condicién 3 Won) = f Win) dm= [" Wa tn a=1 as 17) nico {a integral respecto a 1 puede, con excelente aproximacién, extenderse desde —co hasta jt. ya que la contribucion del integrando es despreciable siempre que fil sea sufcien {rents grande para que W esté lejos del valor correspondiente a su miximo. Sustituyendo (1-5-7) en (1-5:17) y utilizando (A-4-2) se obtiene iW [= J Ls condicién (1-5-1) es equvaente a [02m] < W, eto es, a [By] = (1-5-7) y (15°13), Por consiguents, se satisface también ene! dominia (15.1 ued ** Sip << 1, 04 << 1,8 posible obtener una apronimacién diferente 4s llamada adisrbucién de Poitone (vee Prob. 1.9). , Oe en Mal dy wR 1 (ea) *hn] <1 en virtud de ts 14) en que IY no es demasiado pe- ara la dstibucién binémica, a saber,rADISTICA Y TEI 36 FUNDAMENTOS DE FISICA ESTADI: TERMICA Con esto la (1+5+7) se transforma en > Wim) = 2 chain ft (15.18) fr 1 razonamiento que ha levado a la forma lama urieucon de Gaus», ha sido de naturaleza muy general. No © sorprendente, en conse. ibid am ibucionsgaussanas Se presenten con mucha HeeHeACE St al fie siempre que se tala con grandes mimeros. En nuesiro 80 de distribucién bindmice, ta expresin (1-5: 18) se transforma, en virtud de las (105-11) y (1°5°13), en Np)* > W(m) = 22Npa)* oo |- (ute | (1-5-19) ccional (1-57) 0 (1°5:18), Hamada adis. cho més sencila qu Ia (1-41 [Notese que (1-519) 8, para valores grandes de N ym, mucho mis sencilla ‘ i rg de rs gene. Nee tambo aie, por is (44) J ae9), la expresén (1-519) puede esebise en foncidn de los valores medios fi, y (Gn en la forma Se [elon a! ren) = (eta exw [ — Ss 1+6 Distribuciones de probabilidad de Gauss La aproximacién de Gauss (1°5-19) también proporciona inmediatamente la probabi- tidad P(m) de que en un gran nGimero N de pasos el desplazamiento neto sea m. El mimero omrespondiente de pasos a In derecha es, por (1°29), m = HN +m). De aqui, a (15:19) da im) = w (XE) = ntiartene {HEREOF co ya que 1m — Np = S[N +m — 2Np] = S[m — Mp ~ q)]. Por (1:23) se tiene 2m ~ N, de forma que m toma aqui valores enteros separados por una cantidad Am = 2 Este resultado puede expresarse también en funcién del desplazamiento real, variable * z= ml (1-6-2) cen la que /es la longitud de cada paso. Si /¢s pequefia comparada con Ia longitud minim {que interese en el problema fisico® que se considere, el hecho de que x pueda tomar sola ‘mente valores con incrementos discretos de 2/ en lugar de todos los valores de forma con ttinua, carece de importancia. Ademés, cuando WV es grande, la probabilidad P(m) de que se produzca un desplazamiento m no varia de manera significativa desde un valor posible de m hasta su adyacente; esto es, [P(m + 2) — Plm)| << P(m). Por tanto, Ptm) puede considerarse como una funcién continua de x. Un grifico de barras del tipo represent * or sjempo, si se considera el movimiento aleatorio (dfusisn) de un Stomo en un séldo a longi’ 4c orden dt espacio del red, eo es, unos 10" em. Ahora bien, en la esala macrosedpica de medidas perimental: i logitud mas pogueta que puede considers es Ia de 10"* em (I mira).INTRODUCCION A LOS METODOS ESTADISTICOS. Ze P(m) i Bi ai Fig. 1-6-1, Probabilidad P(yn) de un desplazamsento neto de m unidades cuando el niimero ‘otal N de pasos es muy grande y 1a longitud del paso, I, es muy pequeia. en la Fig. 1-4-1 toma, con esto, el aspecto de la Fig. 1-6-1, en la que las barras estin muy concentradas y su envolvente forma una curva continua. En estas circunstancias es posible considerar ax como a una variable continua a escala macroseépica y plantearnos el problema de averiguar la probabilidad de que la particula, después de NV pasos o movimientos, se encuentre entre x y x + dx.* Como m toma sola- mente valores enteros separados por Am = 2, el intervalo dx contiene dx/2! valores posi- bles de m, todos los cuales tienen casi la misma probabilidad P(m). Por tanto, la probabi- lidad de encontrar la particula en cualquier parte, dentro de la zona comprendida entre x y x + dx, se obtendré simplemente sumando Pl) para todos los valores de m dentro de dx; esto es, multiplicando P(m) por dx/2l. La probabilidad es asi proporcional a dx, como era de esperar, y puede escribirse en la forma (2) de = Pm) (1-6-3) cen la que la magnitud @(x), que es independiente del valor de de, se denomina «densidad de probabilidadn. Obsérvese que ha de multiplicarse por un elemento diferencial de lons tud dx para dar una probabilidad. Con la (1-6-1) se obtiene > (2) dz (1-6-4) en la que hemos utilizado las abreviaturas 4=(P—QNl (1-6-5) y o = 2SNpql (1-6-6) lad de Gauss. La expresi6n (1-6-4) es la forma normal de la distribucién de probabil La gran generalidad de la argumentacién por la que se ha legado a (15-19) sugiere que tales distribuciones gaussianas se presentan con mucha frecuencia en la teoria de la pro- babilidad siempre que se opera con grandes niimeros. + seentinde aut que dc es una deren en setdo macrosepio, et es, dx L, sendo Ln dimensiin mis pogo de imfortonca en un estudio macrscdpco, pro dv >> 1 (Con otas palabras ds x microsepix- ‘mente pequsia, pero misoscépicamente grande)® FUNDAMENTOS DE FISICA ESTADISTICA Y TERMICy ___Utilizando la (1-6-4) se puede, con toda generalidad, ealcular los valores medios § y (x — 3F. En el calculo de estos valores medios las sumas, extendidas a todos los intervalos pposibles dr, se convierten en auténticas integraciones. (Los limites para x pueden tomarse entre —o0 < x < a0, ya que P(x), a su ver, se hace despreciablemente pequetio, cuando |x{ es tan grande como para llevar a un desplazamiento inalcanzable en N pasos.) Verifiquemos primeramente que P(x) est debidamente normalizado; esto es, que Ia probabilidad de que la particula esté en cualquier parte es la unidad, Efectivamente, J * @(e) de = fc wine de vite dy (1-6-7) ‘Aqui se ha hecho y = x — p, y se ha caleulado la integral por (A-4-2). Después, calculemos el valor medio gs [7 20G) de 1 [Lecco as Vino alae ern ioasl Como el integrando de la primera integral es una funcién impar de y, la primera integral se anula por simetria, La segunda es la misma que en (1-6-7), de forma que obtendremos: > aon (6-8) oe) i Fig. 1°62. Distribuciin de Gauss. Aqui Ox) dx es el drea por debajo de la eurea en el it- tervalo entre xy x-+ dx y es, por tanto, la probabilidad de que la variable x esté em exte it tervalo.INTRODUCCION A LOS METODOS ESTADISTICOS. a Esta es una simple consecuencia del hecho de que (x) es solamente Funcién de [x ~ Y €5, Por tanto, simétrica respecto a la posicién x = je de su maximo. Este punto corres- onde, pues, también al valor medio de La dispersin vale Gye a @ = w)°0(2) dz 1 A I Tyee dy Vin EL Fon] Vine ¢o las que hemos uiizado las frmula (A460. Sl pues, >. Comicon < e, po ano, simplemente a desvacibn media cuadritca de «respect a la mein def distribucién de Gauss. Por (1-6-5) y (1-6-6) se obtienen para el problema del camino aleatorio las relaciones (1-6-9) (p — g)NL (1-6-10) Gay = Apa? (1-6-11) Estos resultados (deducidos aqui para el caso de N grande) estin de acuerdo, necesaria- ‘mente, con los valores medios % = *il y (Ax)! = (Am)F ya caleulados en (14-6) y (1-4-2) para el caso general de NV arbitrario. ESTUDIO GENERAL DEL PROBLEMA DEL CAMINO ALEATORIO [Nuestro estudio del problema del camino aleatorio nos ha proporcionado un gran nil- mero de resultados importantes y nos ha servido para introducir muchos de los conceptos fundamentales de la teoria de la probabilidad. El método que se ha seguido, basado en el analisis combinatorio, para caleular la distribucién de probabilidad tiene, sin embargo, ¢grandes limitaciones. En particular, es muy dificil generalizarlo para otros casos, por ejemplo, para situaciones tales que la longitud de cada paso es variable 0 que el camino aleatorio tiene lugar en mas de una dimensién. Hemos, pues, de volver a estudiar el problema con inétodos més poderosos que puedan ser generalizados fécilmente, conservando, empero, su simplicidad basiea y lo directo de su enfoque. +7 Distribucién de probabilidad en las que intervienen varias variables La descripeién estadistica de una situacién o fenémeno en que intervenga més de una variable exige solamente generalizaciones directas de los argumentos probabilistcos apli- edAMENTOS DE FISICA ESTADISTICA Y TERM, FUND) 40 dos vara implicidad, el caso de its a mayor simpl aiable, Consideremos, Pa cables a una sla variable. Conse wry t que pueden tomar fos valores vol wy engi = ho n enquej= 12 i > tome el valor Uy valor my de que v tom Se ed arab juegos de valores tiene que ser Ye wy v tomen uno de ia condicién de normalizacion serd Sea Plugt,) la probabilidas La probabilidad de qu igual a la unidad; esto es, (1-7-1) ina : Y Pen) it ql iatorios se © dos los valores posibles de w y a todos los valor Jos sumatorios se extienden a to 128 pos a lores sn que los sumatorios s ron liad P,(n) de que w tome el valor u independientemente del valor que tome 1 probabilidad Pw 1 de las probabilidades de todas las situaciones posibles, compatibles con et , es la suma valor dado de w 0 sa, x Pau) = x Plu) (1-7-2) » I. forma, la pro- en qui atorio se extiende a todos los valores posibles de vy, De igual febdad ‘pila) de que» tome el var ty independientemente del valor que tome 1, es Poe) = F Plus) 0-7-3) a Cada una de las probabilidades P, y P, est, desde luego, normalizada, Por ejemplo, por (1-7-2) y (1-7-1) se tiene Y Pelu) = Se presenta un caso especialmente importante cuando la probabilidad de que una va le tome un cierto valor no depende del valor tomado por la otra, Se dice entonees que las variables son cestadisticamente independientes» 0 «no correlacionadas». La probabi- lidad Piuso,) puede expresarse entonces muy sencillamente en funcién de la probabilidad Pula) de que w tome el valor uy la probabilidad P,() de que e tome el valor ,. Ciertamente, ial el nimero de casos en el conjunto en el que v = uy simulténeamente » =v, se obtiene simplemente multiplicando ef mimero de casos en que u = 1 por el nimero de veces en ue » = 0); por tanto, Plus) = Palu)P,(o)) a) Siwy v son estadisticamente independientes,