INTRODUCCIN A LA

PROBABILIDAD




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 tcnicas matemticas se perfeccionaron y
encontraron otros usos muy diferentes para la que fueron
creadas. Actualmente se continu 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.

Probabilidad: Es el conjunto de posibilidades de que un evento
ocurra o no en un momento y tiempo determinado. Dichos
eventos pueden ser medibles a travs de una escala de 0 a 1,
donde el evento que no pueda ocurrir tiene una probabilidad de
0 (evento||imposible) y un evento que ocurra con certeza es de
1(evento||cierto).













CONCLUSIONES










Una distribucin de frecuencia es una tabla de resumen en la
que los datos se disponen en agrupamientos o categoras
convenientemente establecidas de clases ordenadas
numricamente.
En esta forma las caractersticas ms importantes de los datos se
aproximan muy fcilmente, compensando as el hecho de que
cuando los datos se agrupan de ese modo, la informacin inicial
referente a las observaciones individuales de que antes se
dispona se pierde a travs del proceso de agrupamiento o
condensacin.
La principal ventaja de usar una de estas tablas de resumen es
que las principales caractersticas de los datos se hacen
evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no
podemos saber como se distribuyen los valores individuales
dentro de un intervalo de clase particular sin tener acceso a los
datos originales. El punto medio de la clase, sin embargo, es el
valor usado para representar todos los datos resumidos en un
intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la
mitad de los lmites de cada clase y es representativo de los
datos de esa clase.
La probabilidad es la posibilidad u oportunidad de que suceda un
evento particular. La probabilidad involucrada es una porcin o
fraccin cuyo valor vara entre cero y uno exclusivamente.
Observamos un evento que no tiene posibilidad de ocurrir (es
decir, el evento nulo), tiene una probabilidad de cero, mientras
que un evento que seguramente ocurrir (es decir, el evento
cierto), tiene una probabilidad de uno.
La regla mas evidente para las probabilidades es que deben
variar en valor de 0 a 1. Un evento imposible tiene una
probabilidad cero de ocurrir, y un evento cierto tiene una
probabilidad uno de ocurrir. La probabilidad simple se refiere a la
probabilidad de ocurrencia de un evento simple.
Una distribucin de probabilidad para una variable aleatoria
discreta es un listado mutuamente excluyente de todos los
resultados posibles para esa variable aleatoria, tal que una
probabilidad particular de ocurrencia est asociada con cada
resultado.

Esperanza Matemtica
La media de una distribucin de probabilidad es el valor
esperado de su variable aleatoria.
El valor esperado de una variable aleatoria discreta puede
considerarse como su promedio pesado sobre todos los
resultados posibles, siendo los pesos la probabilidad asociada
con cada uno de los resultados.
Todos los procedimientos paramtricos tienen tres
caractersticas distintivas: Los procedimientos de prueba
paramtricos pueden definirse como aquellos 1) que requieren
que el nivel de medicin obtenido con los datos recolectados
est en forma de una escala de intervalo o de una escala de
cociente; 2) implican la prueba de hiptesis de valores de
parmetros especificados 3) y por ltimo requieren un conjunto
limitante de suposiciones.
Procedimientos sin distribucin y no paramtricos
Los procedimientos de prueba sin distribucin pueden definirse
ampliamente como 1) aquellos cuya estadstica de prueba no
depende de la forma de la distribucin de la poblacin
subyacente de la cual se tom la muestra de datos o como 2)
aquellos para los cuales los datos no tienen fuerza suficiente
para garantizar operaciones aritmticas significativas.
Una distribucin chi-cuadrado es una distribucin sesgada cuya
forma depende exclusivamente del nmero de grados de
libertad. Conforma este aumenta, la distribucin se vuelve ms
simtrica.










RESUMEN





DEFINICIONES

- Experimento aleatorio: es aqul que repetido en las
mismas circunstancias, puede ofrecer distintos resultados.
Ejemplo: lanzar un dado al aire, sacar una carta de
una baraja, lanzar una moneda,...

- Espacio muestral asociado a un experimento aleatorio:
Llamaremos espacio muestral asociado a un experimento
aleatorio al conjunto formado por todos los resultados
posibles del experimento. Se designa por E.
Ejemplo: si el experimento aleatorio es lanzar un
dado, su espacio muestral es: E={ 1, 2, 3, 4, 5, 6 }

- Suceso aleatoio: Sea E el espacio muestral asociado a un
determinado experimento aleatorio. Llamaremos suceso a
cualquier subconjunto de E, incluidos el conjunto vaco
y el conjunto total E.
Ejemplo: En el experimento lanzar un dado, el
suceso salir par sera P={ 2, 4, 6}

- Suceso elemental: Es todo subconjunto de E formado por
un solo elemento.

- Suceso compuesto: Es cualquier suceso no elemental.

- Verificacin de un suceso: Al realizar un experimento
aleatorio, se dice que el suceso A se ha verificado si el
suceso elemental {x}, resultado del experimento, es tal que
{x} c A.
Ejemplo: Si al lanzar un dado obtenemos un 2,
podemos decir que se ha verificado el suceso salir
par, ya que: {2} c { 2, 4, 6}

- Suceso contrario (Complementario): Se llama suceso
contrario de A al que se verifica siempre que no se verifica
A. Se indica por A .

- Suceso imposible: Es aquel suceso que no se verifica nunca.
Se designa por .

- Suceso seguro: Es el que se verifica siempre. Se designa por
E.


LGEBRA DE SUCESOS

Unin de dos sucesos:
Sean A y B dos sucesos asociados a un determinado
experimento aleatorio. Llamaremos suceso unin de A y B,
simblicamente A B, al que se verifica cuando, al menos se
verifica uno de los dos. Est formado por todos los sucesos
elementales de A y por todos los sucesos elementales de B.

Interseccin de dos sucesos:
Sean A y B dos sucesos asociados a un determinado
experimento aleatorio. Llamaremos suceso interseccin de A y B,
simblicamente A B, al que se verifica cuando se verifican
simultneamente los sucesos A y B. Est formado por los sucesos
elementales que estn, a la vez, en A y en B.

Sucesos incompatibles (mutuamente excluyentes): Dos
sucesos A y B se dicen incompatibles cuando A B = .
Designaremos por P (E) al conjunto de todos los
subconjuntos de E, es decir al conjunto de todos los posibles
sucesos del espacio muestral.

Propiedades de la unin de sucesos:
1.- e B A, P (E) e B A P (E)
2.- e C B A , , P (E) C B A C B A ) ( ) ( =
3.- e B A, P (E) A B B A =
4.- e A P (E) A = A
5.- e A P (E) E = A A

Propiedades de la interseccin de sucesos:
1.- e B A, P (E) e B A P (E)
2.- e C B A , , P (E) C B A C B A ) ( ) ( =
3.- e B A, P (E) A B B A =
4.- e A P (E) A E = E
5.- e A P (E) = A A

Propiedad distributiva de la unin respecto de la
interseccin:
e C B A , , P (E) ( ) ( ) ( ) C A B A C B A =
e C B A , , P (E) ( ) ( ) C B C A C B A = ) (

Propiedad distributiva de la interseccin respecto de la
unin:
e C B A , , P (E) ( ) ( ) ( ) C A B A C B A =
e C B A , , P (E) ( ) ( ) C B C A C B A = ) (


Leyes de Morgan:
1.- e B A, P (E) B A B A =
2.- e B A, P (E) B A B A =
FRECUENCIA ABSOLUTA Y FRECUENCIA RELATIVA DE UN
SUCESO


Supongamos que un experimento aleatorio se ha realizado
n veces, de las que n
A
veces (n
A
n ) se ha verificado el suceso A.

- Se llama frecuencia absoluta de A al nmero n
A
de veces
que se ha verificado A. Simblicamente: f(A) = n
A

- Se llama frecuencia relativa de A al cociente
n
n
A
.
Simblicamente:
f
r
(A) =
n
n
A


Propiedades de la frecuencia relativa:

1.- 0 f
r
(A) 1
En efecto:

1 ) ( 0
0
0
s s
s s
s s
A f
n
n
n
n
n
n por todo dividiendo n n
r
A
A




2.- f
r
(E) = 1 , donde E es el suceso seguro
En efecto:
1 ) ( = =
n
n
E f
r

3.- f
r
() = 0 , donde es el suceso imposible
En efecto:
0
n
0
) ( = =
r
f
4.- Si dos sucesos A y B son incompatibles, se verifica que: f
r
(A U
B) = f
r
(A) + f
r
(B)
En efecto:
f(A U B) = f(A) + f(B) f(A B) = f(A) + f(B) f() = f(A) + f(B)
= n
A
+ n
B
Entonces:
( ) ) ( ) ( B f A f
n
n
n
n
n
n n
B A f
r r
B A B A
r
+ = + =
+
=
5.- Ley de los grandes nmeros:
Experimentalmente se observa que, al aumentar
indefinidamente el nmero de pruebas de un experimento
aleatorio, la frecuencia relativa de un suceso tiende a
estabilizarse en torno a un nmero. Dicho nmero se llama
probabilidad del suceso.
DEFINICIN AXIOMTICA DE PROBABILIDAD

Dado un experimento aleatorio de espacio muestral E, se
llama probabilidad a una aplicacin: p: P(E) que
verifica los axiomas siguientes:
1.- e A P(E) 1 ) ( 0 s s A p
2.- p (E) = 1
3.- e B A, P(E) tales que AB=, se verifica que p(A U B)
= p(A) + p(B)

Consecuencias de la definicin:

1.- Si A, B y C son sucesos mutuamente excluyentes dos a dos se
verifica que:
p (A U B U C) = p (A) + p (B) + p (C)
Demostracin:
p (A U B U C) = p (A U (B U C)) = p (A) + p (B U C) = p (A) + p
(B) + p (C)

2.- p () = 1 p (A)
Dem:
p(A) - 1 ) A p( ) A p( p(A) ) A (A p (E) p 1 = + = = =

3.- p () = 0
Dem:
p () = 1 p (E) = 1 1 = 0

4.- Si A y B no son incompatibles, entonces: p (AUB) = p (A) + p
(B) p (AB)

Dem:
p(A) = p(A-B) + p(AB) p(A-B) = p(A)
p(AB)
p(B) = p(B-A) + p(AB) p(B-A) = p(B)
p(AB)
Por tanto:
p(AUB) = p(A-B) + p(AB) + p(B-A) =
= p(A) p(AB) + p(AB) + p(B) p(AB) =
= p (A) + p (B) p (AB)

5.- Si p(B) p(A) B A s c
Dem:
B = A U (B-A) p(B) = p(A) + p(B-A)
Dado que 0 p(B-A), se tiene que: p(A)
p(B)



REGLA DE LAPLACE

Sea E el espacio muestral asociado a un determinado
experimento aleatorio, y sean {a
1
}, {a
2
}, ..., {a
n
}, los sucesos
elementales. Si estos son equiprobables, es decir si p({a
1
}) =
p({a
2
}) = ... = p({a
n
}), entonces, si A es un suceso formado por h
sucesos elementales se tiene que:
p(A) =
posibles casos
favorables casos
n
h
=
Demostracin:
Sea el suceso A = {a
1
} U {a
2
} U ... U {a
h
}
Como p(E) = 1 = p({a
1
}) + p({a
2
}) + ... + p({a
n
}) = n p({a
i
}),
por lo tanto
p({a
i
}) = } ,..., 2 , 1 {
1
n i
n
e
Luego: p(A) = p({a
1
}) + p({a
2
}) + ... + p({a
h
}) = h p({a
i
}) = h
n
h
n
=
1

Por lo tanto p(A) =
o experiment del posibles casos de nmero
A suceso al favorables casos de nmero
n
h
=

PROBABILIDAD CONDICIONADA

Sean e B A, P(E), con p(A) 0. Llamaremos probabilidad
condicionada del suceso B respecto del suceso A, y la
denotaremos por p( B|A ), al cociente siguiente:
) (
) (
) | (
A p
B A p
A B p

=

Propiedades de la probabilidad condicionada:

1.- p(A|A) = 1
2.- Si p(A) 0 y p(B) 0, p(AB) = p(B|A)p(A) =p(A|B)p(B)
3.- Si A y B son incompatibles y no imposibles p(A|B) = p(B|A) = 0

Sucesos estocsticamente independientes: Dos sucesos A y B
son independientes si y slo si: p(AB) = p(A) p(B)

TEOREMA DE LA PROBABILIDAD TOTAL

Sean A
1
, A
2
, ..., A
n
incompatibles dos a dos y tales que E = A
1

U A
2
U ...U A
n

Entonces, si B es un suceso cualquiera, se verifica que:
P(B) = p(A
1
B) + p(A
2
B) + ... + p(A
n
B) =
= p(A
1
)p(B|A
1
) + p(A
2
)p(B|A
2
) + ... + p(A
n
)p(B|A
n
)


Demostracin:
B = E B = (A
1
U A
2
U ...U A
n
)
B =
= (A
1
B) U (A
2
B) U ...U
(A
n
B)
Por lo tanto:
p(B) = p(A
1
B) + p(A
2
B) + ...+
p(A
n
B) =
=

=
n
i 1
i
B) p(A = p(A
1
)p(B|A
1
) +
p(A
2
)p(B|A
2
) +
+ ... + p(A
n
)p(B|A
n
) =

=
n
i 1
i i
) A | )p(B p(A
TEOREMA DE BAYES

Sean A
1
, A
2
, ..., A
n
incompatibles dos a dos y tales que E = A
1

U A
2
U ...U A
n

Entonces, si B es un suceso cualquiera, se verifica que:

=
=
n
i 1
i i
i i
i
) A | )p(B p(A
) A | )p(B p(A
B) | p(A

Demostracin:
La demostracin es sencilla, aplicando el teorema anterior y
la definicin de probabilidad condicionada:

=
= =
n
i 1
i i
i i i
i
) A | )p(B p(A
) A | )p(B p(A
p(B)
B) p(A
B) | p(A



Las probabilidades p(A
i
) se llaman probabilidades a priori.
Las probabilidades p(B|A
i
) se llaman probabilidades a
posteriori.
Las probabilidades p(A
i
|B) se llaman verosimilitudes.