Probabilidad Clsica La probabilidad clsica dice que la probabilidad de que se presente determinado suceso es igual al cociente del nmero

de casos que son favorables a este suceso, por el nmero total de casos posibles, con tal que todos estos casos sean mutuamente simtricos. Historia El estudio de la probabilidad se inicio por el ao 1650, debido al auge que para esa poca haba tomado el juego de azar, as, por una consulta hecha por un apasionado jugador de la poca, el caballero De Mer, al famoso matemtico y filosofo Blaise Pascal, dio origen a una serie de correspondencia entre Pascal y varios de sus amigos matemticos, entre los que menciona a Pierre Fermet de Toulouse; naciendo en esta forma la definicin clsica de la probabilidad. A partir de esa fecha comienza un rpido desarrollo para la teora de probabilidades, y en el ao 1710 aparecen dos obras fundamentales, contentivas de una serie de principios que vienen a ser la base de los estudios probabilsticos; son ellas El Arte de La Conjetura (1713), en donde su autor, James Bernouilli, expone el teorema que lleva su nombre y que eleva la teora de la probabilidad de resolucin de problemas

particulares a sustentar leyes de carcter general. La otra obra, escrita por Abraham de Moivre, se titula La doctrina de Las Probabilidades; aparecen en ella la primera enunciacin del teorema de la multiplicacin as como las primeras indicaciones sobre la distribucin normal de las probabilidades. En 1812, Laplace publica Thorie Analytique des Probabilits, la cual se considera clsica dentro de la teora de probabilidades; contiene una exposicin sistemtica sobre la teora matemtica del juego de azar y un gran nmero de aplicaciones a las cuestiones cientficas y prcticas. Durante el siglo XIX, gracias a la obra de Laplace, el campo prctico de la probabilidad avanz, en contraste con la teora en si, la cual qued relegada.

Las principales aplicaciones logradas en esa poca fueron las siguientes: Gauss y Laplace, independientemente uno de otro, crearon una teora de errores sistemticos, al discutir las aplicaciones de la teora de la probabilidad matemtica, al anlisis numrico de los errores de medidas en las observaciones fsicas y astronmicas. Gracias a las investigaciones hechas en el siglo XIX por Quetelet y sus discpulos de las aplicaciones de la probabilidad a la demografa y otras ciencias sociales, las matemticas actuariales lograron un enorme desarrollo, obteniendo, en consecuencia, gran adelante el seguro de vida. En el campo de la fsica matemtica, la probabilidad fue introducida por Maxwell, Boltzmann y Gibbs en un tratado sobre mecnica estadstica. Actualmente la aplicacin de la probabilidad es tan amplia que abarca multiples campos cientficos, siendo de gran ayuda en la resolucin de problemas en la Economa, Biologa, Psicologa, Ingeniera, etc.

Problema Determinista o Aleatorio Un problema determinista es aquel que al repetirse en condiciones aparentemente parecidas obtenemos siempre el mismo resultado. Un problema aleatorio es aquel que al repetirse en condiciones aparentemente parecidas no es posible predecir el resultado.

Ejemplo de Problema Determinista: a) Encontrar la cantidad de malla necesaria para cercar un terreno de 60 metros cuadrados. b) Determinar la altura del edificio ms alto de Venezuela.

Ejemplo de Problema Aleatorio: a) El resultado de un partido de Futbol. b) El nmero que aparecer en cada cara al lanzar dos dados.

Propiedades de la probabilidad 1) la probabilidad de un suceso se encuentra entre los valores cero y uno; toma este valor uno cuando es seguro que ocurra, si no va a ocurrir su probabilidad es igual a cero 2) la suma de las probabilidades de que un suceso ocurra y no ocurra es igual a la unidad. 3) si se conoce la probabilidad de que un suceso ocurra, se conoce tambin la probabilidad de que no ocurra. Es decir, siendo P = a/a+b la probabilidad de que un suceso E ocurra, e indicando con q la probabilidad de que el suceso E no ocurra se tiene por la segunda propiedad que p+q = 1 de donde q = 1 p, o lo que es lo mismo, q=1 a/a+b = b/a+b. Definicin de sucesos Un evento o suceso es un subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados que se pueden dar en un experimento aleatorio.

Tipos de sucesos Suceso elemental Suceso elemental es cada uno de los elementos que forman parte del espacio muestral. Ejemplo: Al tirar un dado un suceso elemental es sacar 5.

Suceso compuesto Suceso compuesto es cualquier subconjunto del espacio muestral. Ejemplo: Al tirar un dado un suceso sera que saliera par, otro, obtener mltiplo de 3.

Suceso seguro Suceso seguro, E, est formado por todos los posibles resultados (es decir, por el espacio muestral). Ejemplo: Al tirar un dado un dado obtener una puntuacin que sea menor que 7.

Suceso imposible Suceso imposible es el que no tiene ningn elemento. Ejemplo: Al tirar un dado obtener una puntuacin igual a 7. Sucesos compatibles Dos sucesos, A y B, son compatibles cuando tienen algn suceso elemental comn. Ejemplo: Si A es sacar puntuacin par al tirar un dado y B es obtener mltiplo de 3, A y B son compatibles porque el 6 es un suceso elemental comn.

Sucesos incompatibles Dos sucesos, A y B, son incompatibles cuando no tienen ningn elemento en comn. Ejemplo: Si A es sacar puntuacin par al tirar un dado y B es obtener mltiplo de 5, A y B son incompatibles.

Sucesos independientes Dos sucesos, A y B, son independientes cuando la probabilidad de que suceda A no se ve afectada porque haya sucedido o no B. Ejemplo: Al lazar dos dados los resultados son independientes.

Sucesos dependientes Dos sucesos, A y B, son dependientes cuando la probabilidad de que suceda A se ve afectada porque haya sucedido o no B. Ejemplo: Extraer dos cartas de una baraja, sin reposicin, son sucesos dependientes.

Espacio muestral El espacio muestral o espacio de muestreo se denota por las letras E, S, o U. Consiste en el conjunto de todos los posibles resultados individuales de un experimento aleatorio. Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento o suceso es cualquier subconjunto del espacio muestral, llamndose a los sucesos que contengan un nico elemento sucesos elementales. En el ejemplo, el suceso "sacar cara en el primer lanzamiento", o {(cara, cara), (cara, cruz)}, estara formado por los sucesos elementales {(cara, cara)} y {(cara, cruz)}.

Aleatoriedad La aleatoriedad se asocia a todo proceso cuyo resultado no es previsible ms que en razn de la intervencin del azar. El resultado de todo suceso aleatorio no puede determinarse en ningn caso antes de que este se produzca.

El estudio de los fenmenos aleatorios queda dentro del mbito de la teora de la probabilidad y, en un marco ms amplio, en el de la estadstica. La palabra aleatorio se usa para expresar una aparente carencia de propsito, causa, u orden. El trmino aleatoriedad se usa a menudo como sinnimo con un nmero de propiedades estadsticas medibles, tales como la carencia de tendencias o correlacin. Por ejemplo lanzando un dado de seis caras seicientas veces, el resultado para cada una de las caras del mismo ser aproximadamente cien.

Teorema de la Suma El teorema de la suma plantea que si dos acontecimientos que se excluyen mutuamente, A y B; A tiene (P1) probabilidades de ocurrir y B, (P2) probabilidades de ocurrir, la probabilidad de que ocurran A o B de algn modo es igual a P1+P2. En simbolos podemos expresar el teorema por: P(A+B) = P(A) + P(B) Naturalmente este teorema se generaliza para A,B,CW acontecimientos que excluyen mutuamente y que tienen P1, P2 PN probabilidades de ocurrir; la probabilidad de que ocurra uno de ellos ser P1+P2+P3+PN.

Ejemplo: Si se tiene una en una urna: bolas blancas, bolas negras, bolas rojas, siendo M el nmero de bolas, Cul es la probabilidad de que al sacar una bola de la urna, esta sea blanca o roja? Probabilidad de sacar una blanca: P1 = Bolas blancas/M Probabilidad de sacar una roja: P2 = Bolas rojas/M

Probabilidad de sacar una blanca o una roja: Bolas blancas/M + Bolas rojas/M = (Bolas blancas + bolas rojas)/M

Teorema de la Multiplicacin. El teorema de la multiplicacin plantea que si en un acontecimiento A tiene P1 probabilidades de ocurrir y otro acontecimiento B tiene P2 probabilidades de ocurrir simultneamente o despus de A, de algn modo posible, la probabilidad de que acontezcan ambos es igual a P1*P2, utilizando la nomenclatura de los sucesos condicionados este teorema se puede indicar: P(AB) = P(A) P(B/A) = P(B) P(A/B) Siendo la probabilidad de acontecimiento de uno de ellos dependiente del acontecimiento del otro. En el caso de que A y B sean sucesos independientes, es decir, que la ocurrencia de uno de ellos no afecta en modo alguno la realizacin del otro, el teorema de probabilidad compuesta debe expresarse en la forma: P(AB) = P(A) P(B) Ya que se cumple una de las dos relaciones: P(A/B) = P(A) o P(B/A) = P(B)

Ejemplo: Si en una urna se tiene: a) bolas blancas, b) bolas negras, c) bolas rojas, siendo M el numero de bolas, Cul es la probabilidad de que al realizar dos extracciones de la urna, la primera sea blanca y la segunda sea roja?

Probabilidad de sacar una blanca: bolas blancas/M Probabilidad de que la segunda sea roja: bolas rojas/M-1 Probabilidad total: bolas blancas/M * bolas rojas/M-1

Teorema de Bayes El teorema de Bayes es solo una tcnica para calcular probabilidades condicionales, y como regla de probabilidad es indiscutible as como su validez. A partir de un conjunto de probabilidades llamadas "a priori" o "sin corregir", calcula un conjunto de probabilidades "a posteriori" o "corregidas" que no son ms que una modificacin de las primeras ante la evidencia de que un determinado suceso ha ocurrido. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento.

Ejemplo: Ejemplo: Si seleccionamos una persona al azar, la probabilidad de que sea diabtica es 0,03. Obviamente la probabilidad de que no lo sea es 0,97.

Si no disponemos de informacin adicional nada ms podemos decir, pero supongamos que al realizar un anlisis de sangre los niveles de glucosa son superiores a 1.000 mg/l, lo que ocurre en el 95% de los diabticos y slo en un 2% de las personas sanas. Cul ser ahora la probabilidad de que esa persona sea diabtica? La respuesta que nos da el teorema de Bayes es que esa informacin adicional hace que la probabilidad sea ahora 0,595. Vemos as que la informacin proporcionada por el anlisis de sangre hace pasar, la probabilidad inicial de padecer diabetes de 0,03, a 0,595. Evidentemente si la prueba del anlisis de sangre hubiese sido negativa, esta informacin modificara las probabilidades en sentido contrario. En este caso la probabilidad de padecer diabetes se reducira a 0,0016.

Universidad Central de Venezuela Facultad de Humanidades y Educacin Escuela de Geografa Estadstica I Seccin: A

Probabilidad

Profesor: ngel Villarroel

Estudiante: Daniel R. Piate R 19.720.243

Caracas, 25 de Junio de 2012