Introduccin a la Teora de Probabilidades

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. Introduccin a la Teora de Probabilidades Enfoques Conceptuales Concepto de Probabilidad Objetivos Valor de la Probabilidad Eventos Mutuamente Excluyentes y no Excluyentes Reglas de la Adicin Eventos Independientes Eventos Dependientes Reglas de Multiplicacin Distribucin de Probabilidad Normal Distribucin de Probabilidad Exponencial

INTRODUCCION A LA TEORIA DE PROBABILIDADES El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta

utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicasmatemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se contino con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos. A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad: El enfoque clsico Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia de A, y todos los resultados son igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que ocurra A es: El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea igualmente posible. Este enfoque es llamado enfoque a priori porque permite, (en caso de que pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier evento de muestra.

Ejemplo: Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una piedra roja en un intento es: El enfoque de frecuencia relativa Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la proporcin de veces que ocurre un evento favorable en un numero de observaciones. En este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de los valores de probabilidad se basa en la observacin y recopilacin de datos. Ejemplo: Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn de seguridad. Si un vigilante de transito se para en esa misma esquina un ida cualquiera Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad?

Tanto el enfoque clsico como el enfoque emprico conducen a valores objetivos de probabilidad, en el sentido de que los valores de probabilidad indican al largo plazo la tasa relativa de ocurrencia del evento. El enfoque subjetivo Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un individuo de que un evento ocurra, basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de probabilidad bajo este enfoque es un juicio personal. Concepto de Probabilidad Se define como clculo de probabilidad al conjunto de reglas que permiten determinar si un fenmeno ha de producirse, fundando la suposicin en el clculo, las estadsticas o la teora. El objetivo de esta prctica es realizar varios experimentos de probabilidad, anotar los resultados y posteriormente compararlos con los resultados tericos.

Objetivos de las Probabilidades El objetivo fundamental de la probabilidad, es la de mostrar al alumno la importancia y utilidad del Mtodo Estadstico en el mbito econmico-empresarial. Con tal fin, el alumno deber aprender a manejar los mtodos y tcnicas ms adecuadas para el correcto tratamiento y anlisis de la informacin proporcionada por los datos que genera la actividad econmica. Para ello se comienza afianzando los conocimientos que el alumno ya posee de Estadstica Descriptiva, adems de algunos conceptos nuevos relacionados con este tema. El valor de la probabilidad El valor ms pequeo que puede tener la probabilidad de ocurrencia de un evento es igual a 0, el cual indica que el evento es imposible, y el valor mayor es 1, que indica que el evento ciertamente ocurrir. Entonces si decimos que P(A) es la probabilidad de ocurrencia de un evento A y P(A ) la probabilidad de no-ocurrencia de A, tenemos que:

Eventos mutuamente excluyentes y eventos no excluyentes Dos o ms eventos son mutuamente excluyentes o disjuntos, si no pueden ocurrir simultneamente. Es decir, la ocurrencia de un evento impide automticamente la ocurrencia del otro evento (o eventos). Ejemplo: Al lanzar una moneda solo puede ocurrir que salga cara o sello pero no los dos a la vez, esto quiere decir que estos eventos son excluyentes. Dos o ms eventos son no excluyentes, o conjuntos, cuando es posible que ocurran ambos. Esto no indica que necesariamente deban ocurrir estos eventos en forma simultnea. Ejemplo: Si consideramos en un juego de domino sacar al menos un blanco y un seis, estos eventos son no excluyentes porque puede ocurrir que salga el seis blanco. Reglas de la Adicin La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos sucesos A y B es igual a: P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes Siendo: P(A) = probabilidad de ocurrencia del evento A P(B) = probabilidad de ocurrencia del evento B P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B Eventos Independientes Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se obtuvo. Ejemplo: lanzar al aire dos veces una moneda son eventos independientes por que el resultado del primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o sello, en el segundo lanzamiento.

Eventos dependientes Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso, empleamos entonces, el concepto de probabilidad condicional para denominar la probabilidad del evento relacionado. La expresin P(A|B) indica la probabilidad de ocurrencia del evento A s el evento B ya ocurri. Se debe tener claro que A|B no es una fraccin. P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A) Reglas de Multiplicacin Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms eventos. Es decir la interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es: P(A y B) = P(A B) = P(A)P(B) si A y B son independientes P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes

Distribucin de probabilidad normal Es una distribucin de probabilidad continua que es tanto simtrica como mesocurtica. La curva que representa la distribucin de probabilidad normal se describe generalmente como en forma de campana. Esta distribucin es importante en inferencia estadstica por tres razones diferentes:
1. Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta distribucin. 2. Las probabilidades normales pueden utilizarse generalmente para aproximar otras distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson. 3. Las distribuciones estadsticas tales como la media de la muestra y la proporcin de la muestra, siguen a menudo la distribucin normal, sin tener en cuenta la distribucin de la poblacin

Los valores de los parmetros de la distribucin de probabilidad normal son = 0 y = 1. Cualquier conjunto de valores X normalmente distribuido pueden convertirse en valores normales estndar z por medio de la formula:

Haciendo posible el uso de la tabla de proporciones de rea y hace innecesario el uso de la ecuacin de la funcin de densidad de cualquier distribucin normal dada. Para aproximar las distribuciones discretas binomial y de Poisson se debe hacer:
Binomial np

np(1-p)

Si n > 30 .np > 5 n(1-p) > 5

Poisson

> 10

Distribucin de probabilidad exponencial Si en el contexto de un proceso de Poisson ocurren eventos o xitos en un espectro continuo de tiempo y espacio. Entonces la longitud del espacio o tiempo entre eventos sucesivos sigue una distribucin de probabilidad exponencial. Puesto que el tiempo y el espacio son un espectro continuo, esta es una distribucin continua. En caso de este tipo de distribucin no vale la pena preguntarse cul es la probabilidad de que el primer pedido de servicio se haga exactamente de aqu a un minuto?. Mas bien debemos asignar un intervalo dentro del cual el evento puede ocurrir, preguntndonos, cul es la probabilidad de que el primer pedido se produzca en el prximo minuto?. Dado que el proceso de Poisson es estacionario, la distribucin exponencial se aplica ya sea cuando estamos interesados en el tiempo (o espacio) hasta el primer evento, el tiempo entre dos eventos sucesivos, o el tiempo hasta que ocurra el primer evento despus de cualquier punto aleatoriamente seleccionado.Donde es la cifra media de ocurrencias para el intervalo de inters, la probabilidad exponencial de que el primer evento ocurra dentro del intervalo designado de tiempo o espacio es. P(T < t) = 1 - e - De manera que la probabilidad exponencial de que el primer evento no ocurra dentro del intervalo designado de tiempo o espacio es: P(T > t) = e - Ejemplo: Un departamento de mantenimiento recibe un promedio de 5 llamadas por hora. Comenzando en un momento aleatoriamente seleccionado, la probabilidad de que una llamada llegue dentro de media hora es: Promedio 5 por hora, como el intervalo es media hora tenemos que = 2,5/media hora.

P (T < 30 min.) = 1- e -5 = 1 - 0,08208 = 0,91792

Inicio

Nociones bsicas de Probabilidad

Modelos Probabilsticos Experimentos aleatorios Espacio muestral Sucesos o Eventos Axiomas de la Probabilidad Consecuencia de los axiomas (Teoremas) Probabilidad de sucesos (applet) Aplicaciones de los axiomas (applet) Ejercitacin Bibliografa Crditos: Mnica Giuliano Matemtica Digital Proyecto Descartes. 2006.

Ejemplos

Modelos Probabilsticos Cada vez que se utiliza la matemtica con el objeto de estudiar fenmenos observables se intentar construir modelos matemticos (determinstico o probabilstico) para estos fenmenos. Necesariamente, este modelo debe simplificar las cosas y permitir omisin de ciertos detalles. el xito del modelo depende de si los detalles omitidos tienen o no importancia en el fenmeno estudiado. Una de las formas de analizar la validez de un modelo es deducir un cierto nmero de consecuencias del mismo y luego contrastarlas con las observaciones del fenmeno. Un ejemplo clsico de modelo determinstico es de cada libre H=1/2 g t2 . Las condiciones de validez de este modelo de cada: cuerpo puntual (suficientemente pequeo), gravedad constante (cercano a la Tierra), sin aire (en un tubo con vaco). En estas condiciones se podra predecir la altura que se desplaza un cuerpo transcurrido un tiempo "t". En la fsica clsica son muy comunes el uso de modelos determinsticos. Un modelo

determinstico que permita predecir si una moneda cae cara o ceca necesariamente es muy complejo, dependera por ejemplo de la forma en que se lanza, del espacio que rodea la moneda, de las caractersticas de la moneda en s. Todo esto implica mucho esfuerzo para general el modelo matemtico y luego para reproducir las condiciones de validez del mismo. Otra forma de abordar el problema es analizar los resultados posibles al lanzar una moneda y luego asignar con algn criterio probabilidad de ocurrencia a dicha asignacin. Un modelo probabilstico (o estocstico) est representado en esta distribucin de probabilidades entre los resultados posibles. Un modelo del mismo tipo puede generarse para estudiar los resultados al lanzar un dado. Como otros ejemplos, se puede considerar una situacin meteorolgica (cantidad de lluvia que caer en una tormenta y en un lugar especficos), cantidad de bacterias en un litro de leche, cantidad de glbulos blancos en una muestra de sangre, cantidad de das lluviosos en el ao en curso, tiempo de duracin de un artefacto domstico, peso que traslada un ascensor, incerteza en la medicin de la distancia Tierra-Luna, etc. una de las diferencias fundamentales entre un modelo determinstico y uno probabilstico, es que el primero se utilizan consideraciones especficas para predecir resultados, mientras que en un modelo probabilstico se utilizan las mismas consideraciones para especificar una distribucin de probabilidades. Volver a inicio

Experimentos aleatorios Los modelos probabilsticos son apropiados para fenmenos que se pueden denominar experimentos aleatorios. Algunos ejemplos de experimentos aleatorios son: E1: Se lanza un dado equilibrado y se observa el nmero que aparece en la cara superior. (ver espacio muestral U1 sucesos A, B, C) E2: Se lanza una monede cuatro veces y se cuenta el nmero total de caras obtenidas. E9: Se cuenta la cantidad fumadores en un curso de alumnos determinado. Mas ejemplos Las caractersticas de estos experimentos aleatorios pueden resumirse en:

a) Es posible repetir cada experimento en forma indefinida sin cambiar esencialmente las condiciones. b) Aunque en general no se pueda indicar cul ser un resultado particular, se puede describir el conjunto de todos los resultados posibles del experimento. c) a medida que el experimento se repite, los resultados individualmente parecen ocurrir en forma caprichosa. Sin embargo, en muchos casos, si el experimento se repite un gran nmero de veces, aparece un patrn definido o regularidad. Volver a inicio

Espacio muestral Para cada experimento aleatorio se define el espacio muestral como el conjunto de todos los resultados posibles de dicho experimento y se designa con la letra U. Ejemplos para algunos de los experimentos aleatorios mencionados: Para E1 corresponde el espacio muestral U1. U1= {1;2:3;4;5;6} Para E2 corresponde el espacio muestral U2. U2= {0;1;2:3;4} Mas ejemplos: Un espacio muestral no necesariamente es un conjunto con una cantidad finita de elementos. En los ejemplos se presentan diferentes tipos de espacio muestral Volver a inicio

Sucesos o Eventos Un subconjunto del espacio muestral de un experimento aleatorio determinado se denomina evento o suceso. A: sali nmero par en el dado del experimento E1 A: = {2;4;6} B: sali as en el dado del experimento E1

B= {as} C: sali un nmero menor a 4 en el experimento E1 Mas ejemplos: En un mismo espacio muestral se pueden definir distintos sucesos, disjuntos entre si o no. Para todo suceso se puede definir un suceso complementario de modo que unidos ambos sucesos forman el espacio muestral. Por ejemplo: A: sali nmero impar en el dado del experimento E1 A = {1;3;5} B: No sali as en el dado del experimento E1 B= { NO as} U1=AUA U1=BUB Volver a inicio

Axiomas de la Probabilidad Sea E un experimento y U un espacio muestral asociado asociado con E. Con cada suceso A se asocia un nmero, designado P(A) y llamado probabilidad de A, el cual satisface las siguientes propiedades. 1) 0 <= P(A) <= 1 Es decir la probabilidad es un nmero entre "0" y "1". Ejemplo: La probabilidad de sacar par en un dado equilibrado es 0,5. P(A)=0,5 Volver a inicio

2) P(U) = 1 Es decir la probabilidad de que ocurra el espacio muestral es "1".

Ejemplo: La probabilidad de sacar un nmero del 1 al 6 en un dado equilibrado es "1". Volver a inicio

3) Si A y B son sucesos mutuamente excluyentes (sin elementos en comn, interseccin vaca), P(AUB) = P(A) + P(B) Es decir la probabilidad de que ocurra la unin de dos sucesos disjuntos entre es la suma de las probabilidades individuales. Ejemplo: La probabilidad de sacar en un dado "as" o sacar "nmero par" es la suma de las probabilidades individuales de dichos sucesos. Volver a inicio

Consecuencia de los axiomas (Teoremas) 1) Si es el conjunto vaco, entonces P() = 0 Es decir la probabilidad de un suceso no posible o conjunto vaco es "0". Ejemplo: La probabilidad de sacar "7" en un dado equilibrado es 0. Volver a inicio

2) P(A) = 1 - P(A) Es decir la probabilidad del complemento de un suceso A es "1 - P(A)". Ejemplo1: La probabilidad de sacar un nmero impar en un dado equilibrado es "1 menos la probabilidad de sacar par".

Ejemplo 2: La probabilidad de que un alumno sea fumador es "1 menos la probabilidad de que no sea fumador". Ejemplo 3: La probabilidad de que un estudiante sea mujer es "1 menos la probabilidad de que no sea varn". Volver a inicio

3) Si A1, A2, .........., Ai son "i" sucesos disjuntos P(A1UA2UA3U......UAi) = P(A1) + P(A2)+ P(A3)+.............+ P(Ai) Es decir la probabilidad de que ocurra la unin de "i" sucesos sin interseccin de a pares es la suma de las probabilidades individuales. Si la unin de estos conjuntos Aj forman el espacio muestral entonces la suma de las probabilidades es "1" Ejemplo1: La probabilidad de sacar en un dado "par" o sacar "nmero par" es la suma de las probabilidades individuales de dichos sucesos. Ejemplo 2:

P(AUB) = P(A) + P(B) - P(AnB) Ejemplo: A: el estudiante es mujer B: el estudiante fuma AUB: el estudiante es mujer o fuma

Unin de conjuntos disjuntos (otra forma de expresar la una unin) U = (AB) u (AB) u (AB) u (AB) P(U)=1 = P(AB)+P(AB)+P(AB)+P(AB) Ejemplo: AB: el estudiante es mujer y no fuma AB: el estudiante es mujer y fuma AB: el estudiante no es mujer y fuma AB: el estudiante no es mujer y no fuma Ejemplo 2: La probabilidad de sacar en un dado "as" o sacar "nmero par" es la suma de las probabilidades individuales de dichos sucesos. Volver a inicio

4) Si A y B son sucesos cualesquiera P(AUB) = P(A) + P(B) - P(AB) Es decir la probabilidad de que ocurra la unin de dos sucesos es la suma de las probabilidades individuales menos la probabilidad de la interseccin.

Ejemplo 1: La probabilidad de sacar en un dado "as" o sacar "nmero par" es la suma de las probabilidades individuales de dichos sucesos. Volver a inicio

Ejercitacin Sugerencias: para resolver los siguientes ejercicios puede utilizar los applets indiacdos. Applet: Probabilidad de suscesos 1- En una habitacin se encuentran 210 personas de las cuales la mitad son mayores de edad y la tercera parte del total son mujeres, mientras los varones menores de edad representan el 40% del total. Calcule las siguientes probabilidades justificando a partir de los axiomas o teoremas: a) Cul es la probabilidad de que una persona de esa habitacin sea menor de edad? b) Cul es la probabilidad de que una persona de esa habitacin sea mujer? c) Cul es la probabilidad de que una persona de esa habitacin sea menor de edad o mayor de edad? Applet: Aplicaciones de los axiomas d) Cul es la probabilidad de que una persona de esa habitacin sea menor de edad y varn? e) Cul es la probabilidad de que una persona de esa habitacin sea mayor de edad y mujer? a) Cul es la probabilidad de que una persona de esa habitacin sea menor de edad o varn?