EI E1 NocionesProbabilidad

NOCIONES DE PROBABILIDAD
ESTADSTICA INFERENCIAL
Ttulo del Recurso: Nociones de probabilidad.

Propsito: Conocer y comprender las nociones generales de la probabilidad y su
aplicabilidad en la funcin policial.
Dirigido a: Discentes de la Universidad Nacional Experimental de la Seguridad
(UNES) (Siempre se muestra as)
Palabras Claves: Estadstica, probabilidad, conjuntos.
Tabla de Contenido:
*
*
*
*
*
*
*
*
Introduccin
Probabilidad
Espacio muestra
Evento
Conjuntos
Probabilidad en conjuntos
Teorema de Bayes
Distribucin de probabilidad
Duracin de la Navegacin: Cuarenta y cinco (45) minutos, aproximadamente.
Autor: Universidad Nacional Experimental de la Seguridad (UNES)

Diseadora Instruccional: Marcos Vsquez.
Edicin y Montaje: Carleidys Landaeta - carlelandaeta@gmail.com
Experto en Contenido: Marcos Vsquez y Migdalys Marcano
Fecha de creacin: Noviembre del 2011
ESTADSTICA INFERENCIA
En
la
vida
cotidiana
aparecen
las
los
situaciones
en
observados
son
que
diferentes
muchas
resultados
aunque
las
condiciones iniciales en las que se produce la

experiencia sean las mismas. Por ejemplo, al
lanzar una moneda unas veces resultar cara y
otras
veces
cruz.
Estos
fenmenos,
denominados aleatorios, se ven afectados por la

incertidumbre.
En
el
lenguaje
habitual,
frases
como
"probablemente...", "es poco probable que...",

"hay muchas posibilidades de que..." hacen referencia a esta incertidumbre.
La teora de la probabilidad pretende ser una herramienta para modelizar y tratar
con situaciones de este tipo; Por otra parte, cuando aplicamos las tcnicas
estadsticas a la recogida, anlisis e interpretacin de los datos, la teora de la
probabilidad proporciona una base para evaluar la fiabilidad de las conclusiones
alcanzadas y las inferencias realizadas.
PROBABILIDAD
La probabilidad es la posibilidad
numrica de que ocurra un evento. La
probabilidad de un evento es medida
por valores comprendidos entre 0 y 1.
Entre mayor sea la probabilidad de
que ocurra un evento, su probabilidad
asigna estar ms prxima a 1. La
probabilidad de certeza es 1. La
probabilidad de una imposibilidad es
0. Esto se podra expresar as:
Por tanto,
en donde
es algn evento.
La probabilidad de que el sol salga maana es muy alta muy cercana a 1. La

probabilidad de que se aumento el sueldo en un 50% o ms, estando en el otro
extremo, est muy cerca de cero.
El proceso que produce un evento en denominado experimento. Un experimento
es toda accin bien definida que conlleva a un resultado nico bien definido.
Lanzar un dado (mitad de un par de dados) es un experimento. Un resultado bien
definido en un nmero de 1 a 6. Un experimento puede consistir en revisar un
producto para determinar si cumple con ciertas especificaciones de fabricacin. El
resultado es o (1) defectuoso o (2) no defectuoso.
El conjunto de todos los posibles resultados para un experimento es el espacio
muestral. El espacio muestral para lanzar un dado es:
mientras que el espacio muestral para el experimento de lanzar una moneda al

aire es:
La probabilidad de que al menos uno de los eventos que estn en el espacio

muestral ocurra es igual a 1. Si se lanza un dado, el resultado debe ser un nmero
entre 1 y 6. Debido a que esto es una certeza puede decirse que:
De manera informal o clsica podemos calcular la probabilidad de un experimento

A de la siguiente forma:
Por ejemplo, cul es la probabilidad de que salga un nmero menor a 3 al lanzar

un dado?; que caiga un nmero menor a 3 significa un 1 o un 2 y como la cantidad
de resultados posibles es 6 (El nmero de lados de un dado), entonces el nuestra
probabilidad seria:
No siempre se conoce la cantidad total de resultados posibles de un experimento

o la cantidad de resultados contenidos del mismo, es por ello que podemos definir
la probabilidad a partir de un nmero de experimentos seguidos realizados de la
siguiente forma (llamada emprica o por frecuencias relativas):
Por ejemplo: Si se quiere tener una idea de cul es la probabilidad de que

eligiendo un o una discente de la universidad al azar, ste o sta tenga ojos
claros, se puede tomar a 50 discentes al azar y contar cuntos o cuntas tienen
ojos claros. Luego si 13 de esos 50 tienen ojos claros, estimaremos que:
Si en vez de examinar a 50 discentes hubiramos examinado a 200, la exactitud

esperable sera mayor. Por ejemplo quizs entre los 200 discentes habra 53 con
ojos claros, y entonces:
ESPACIO MUESTRAL
El conjunto de todos los posibles resultados de un experimento aleatorio recibe el
nombre de espacio muestral.
Algunos ejemplos de espacio muestral son:
1) Si el experimento consiste en arrojar un dado y observar el nmero que
sale, el espacio muestral es:
Vemos que el espacio muestral se denota con la letra E.

2) Si el experimento consiste en tomar una lapicera y medirla, el espacio
muestral es:
Vemos que el espacio muestral no tiene por qu ser un conjunto finito. Como en
este caso el resultado puede ser cualquier nmero real positivo, E tiene infinitos
elementos.
3) Si el experimento consiste en tomar un libro al azar de la biblioteca y ver
con qu letra empieza el ttulo, el espacio muestral es:
Vemos que los resultados posibles del experimento, es decir, los elementos del
espacio muestral, no tienen necesariamente por qu ser nmeros. En este caso
son letras.
4) Si el experimento consiste en tirar una moneda y ver qu sale, el espacio

muestral es:
Aunque
tambin
podramos
haber
respondido
si
considerramos como un resultado posible el caso en que la moneda caiga de

canto.
Vemos que el conjunto de resultados posibles para un
experimento
es
subjetivo.
Generalmente
adecuamos el espacio muestral a lo que

consideramos posible o no posible, y a los
fines del experimento. Por ejemplo, en este
caso
una
solucin
posible
es
definir
y determinar que si cae de canto,

se tira nuevamente.
EVENTO
Un evento (tambin llamado suceso) del espacio muestral es un subconjunto de
ste. Algunos ejemplos pueden ser:
1) En el experimento de arrojar un dado y ver qu sale, el espacio muestral es:
Cualquier subconjunto de E es un evento, por lo tanto ejemplos de eventos de

este experimento pueden ser:
{1}
{6}
{3, 4}
{4, 5, 6}
{1, 3, 5}
{2, 4, 6}
Tambin podemos expresar estos subconjuntos por comprensin:
"que salga un nmero par"
"que salga un nmero impar"
"que salga un nmero mayor que 3"
Y no olvidemos los siguientes subconjuntos:
{}
Dicho evento es conocido como "evento nulo", " evento falso" o " evento
imposible". Adems de la notacin {} se puede usar la alternativa .
{1, 2, 3, 4, 5, 6}
Este subconjunto del espacio muestral es exactamente el espacio muestral

(recordemos que un conjunto siempre es subconjunto de s mismo). Dicho suceso
es conocido como " evento verdadero", " evento forzoso" o " evento cierto".
2) En el experimento de tomar una lapicera y medir su longitud en cm.:
Ejemplos de eventos (es decir, subconjuntos de E) pueden ser:
{15}
{14.2}
{17.3333333...}
3) Si el suceso A consiste en obtener cara al tirar una moneda, entonces

podramos definir:
El experimento consiste en tirar una moneda y ver qu sale.
El espacio muestral es
El evento A es
Vemos que
. Como dijimos antes, un
suceso es un subconjunto del espacio muestral.
CONJUNTOS
Como los eventos son conjuntos, operar con eventos es operar con conjuntos.
1) Interseccin de conjuntos
Dados A y B dos conjuntos,
es el conjunto que ocurre cuando suceden
simultneamente A y B. Se puede llamar "A interseccin B" o bien "A y B".
Ejemplo:
Se tira un dado, y se definen los eventos:
A: que salga menos de 4
B: que salga ms de 2
Con lo cual queda:
2) conjuntos disjuntos o mutuamente excluyentes
Son los conjuntos cuya interseccin es nula. Dados los conjuntos A y B, son
disjuntos
Ejemplo:
Se tira un dado, y se definen los sucesos:
A: que salga 1 2
B: que salga ms de 4
Con lo cual queda:
Como A y B tienen interseccin nula, no pueden suceder simultneamente.

3) Unin de conjuntos
Dados A y B dos conjuntos,
es el conjunto que resulta cuando ocurre A, B,
o los dos simultneamente. Se puede llamar "A unin B" o bien "A B".
Ejemplo:
Se tira un dado, y se definen los sucesos:
A: que salga menos de 4
B: que salga 2 6
Con lo cual queda:
4) Complemento de los conjuntos

Dado un conjunto A, su "complemento" es el conjunto que contiene los elementos
que no estn en A. El complemento de A se escribe
"complemento de A", "A negado" o bien "no A".
o bien
y se llama
Ejemplo:
Si arrojo un dado, y el conjunto A es que salga un 4, entonces el conjunto
es
que no salga un 4 o bien que salga 1, 2, 3, 5 6.

Expresados como conjuntos quedan:
Observamos que:
As como A es un subconjunto de E,
tambin es un subconjunto de E.
, es decir, la unin de A y
forma E. Esto es lgico: O llueve o
no llueve. No hay ninguna otra posibilidad.
. Un suceso y su complemento son disjuntos, porque no pueden

ocurrir al mismo tiempo. No puede "llover" y "no llover" al mismo tiempo.
PROBABILIDAD CONDICIONAL
Con frecuencia se desea determinar la probabilidad de algn evento, dado que
antes otro evento ya hay ocurrido. Lgicamente, esta es llamada probabilidad
condicional. Se denota como
y se lee la probabilidad de A dado B.
Esta es la frmula general para la probabilidad condicional del evento A, dado que
se conoce que el evento B ya ha ocurrido:
PROBABILIDAD CONDICIONAL
Antes de ver algunas probabilidades
para conjuntos definamos de forma
axiomtica la funcin de probabilidad.
Sea E un espacio muestral, y A un
evento cualquiera. Se llama funcin de
probabilidad sobre el espacio muestral
E a P(A) si satisface los siguientes
axiomas:
Si A y B son subconjuntos de E y
(Los eventos son disjuntos)
entonces
Ahora veamos algunas propiedades de la probabilidad en conjuntos:
a) Probabilidad de la unin de conjuntos:
Dados dos conjuntos A y B contenidos en el espacio E, entonces:
Vase que si los conjuntos son disjuntos (
) entonces la expresin
queda como el tercer axioma.

b) Probabilidad de la interseccin de conjuntos:
Para esta probabilidad vamos a usar la definicin de probabilidad condicional:
I.
Observacin
II.
III.
Experimentacin
IV.
Teora
TEOREMA DE BAYES
En el ao 1763, dos aos

despus
de
la
muerte
del
reverendo Thomas Bayes (17021761), se public una memoria

en la que aparece, por vez
primera, la determinacin de la
probabilidad de las causas a
partir de los efectos que han
podido
ser
(Probabilidad
observados
condicional).
El
clculo de dichas probabilidades

recibe el nombre de teorema de Bayes.
El teorema dice lo siguiente: Si B1, B2,, Bn son eventos mutuamente
excluyentes, de los cuales uno debe ocurrir, es decir
, entonces
Veamos un ejemplo: Durante los ltimos aos se ha escrito mucho sobre la

posible relacin entre el fumar y el cncer pulmonar. Supngase que en un centro
mdico, de todos los fumadores de quienes de quienes se sospecha que tenan
cncer pulmonar, el 90% (P=0.9) lo tena mientras que nicamente
el 5%
(P=0.05) de los no fumadores lo padeca. Si la proporcin de fumadores es de

0.45, Cul es la probabilidad de que un paciente con cncer pulmonar,
seleccionado al azar, sea fumador?
Sean B1 y B2 los eventos el paciente es fumador y el paciente no es fumador.
Se suponen que las probabilidades para estas dos alternativas son 0.45 y 0.55
respectivamente. Si un paciente tiene o no cncer pulmonar puede estar afectado

por cualquiera de las dos alternativas y que constituyen la evidencia experimental.
Se sabe que
. Se desea determinar la probabilidad
de seleccionar un fumador, puesto que el paciente tiene cncer, o
As por el teorema de Bayes tenemos:
As, la probabilidad de que un paciente con cncer pulmonar, seleccionado

aleatoriamente sea fumador, es de 0.9364.
VARIABLES ALEATORIAS
Vamos a llamar variable aleatoria a una variable cuyo valor sera el resultado de
un determinado experimento, si lo hiciramos. Por ejemplo, si el experimento
consiste en arrojar un dado, podemos definir la variable aleatoria X cuyo valor ser
el nmero que salga en el dado. El conjunto de valores posibles de X es el espacio
muestral. Y en general nos interesar cul es la probabilidad de que X asuma
cada valor.
Usaremos variables porque nos permiten operar y mostrar determinadas
conclusiones.
Para el caso del dado, podemos escribir "la probabilidad de que al tirar el dado
salga un nmero mayor que 3" simplemente como P(X > 3), habiendo antes
definido X como el nmero que saldra si tirramos el dado.
Para designar a las variables aleatorias se utilizan letras maysculas. Para

designar a uno de sus valores posibles, se usan las letras minsculas. Por
ejemplo, si X es la variable aleatoria asociada a lo que sale al tirar un dado,
podemos decir que
El clculo combinatorio es una herramienta matemtica que, dada una

determinada cantidad de elementos, permite calcular de cuntas formas posibles
podemos tomar una parte de ellos y/u ordenarlos.
Por ejemplo, si tenemos un mazo de 52 cartas, y un jugador recibe 5 cartas de ese
mazo, nos puede interesar calcular cuntas manos distintas podra recibir. Es
decir, cuntas "combinaciones" se pueden formar con 5 cartas tomadas de entre
52.
Veamos cada modelo de calcular las combinatorias:
PERMUTACIN
Se tienen n elementos, y se desea ver

de cuntas formas se los puede
ordenar. Es decir, los elementos son
siempre los mismos, y cada forma
posible slo difiere de las dems en el
orden en que se toman los elementos.
Frmula:
donde n es la cantidad de elementos a ordenar
Ejemplo:
De cuntas formas se pueden ordenar los elementos {a,b,c}?

abc, acb, bac, bca, cab, cba (6 formas)
VARIACIN
Es como la permutacin, pero no se usan los n elementos sino que se usan

solamente k de ellos. Entonces habr que tener en cuenta no solamente el orden,
sino cules de los n elementos se eligen (naturaleza).
Frmula:
donde n es la cantidad total de elementos, y k es la cantidad de elementos que se

eligen. Se lee: "variaciones de n elementos tomados de a k".
Ejemplo:
Se tienen los elementos {a,b,c,d}. De cuntas formas se puede tomar 2 de ellos,
sin repetir ninguno, y teniendo en cuenta el orden?
Comencemos por aclarar que:
1) tener en cuenta el orden significa que "ab" "ba"
2) tener en cuenta la naturaleza significa que elegir al a y al b no es lo mismo que
elegir al a y al c.
Entonces las variaciones en este caso son:
ab, ba, ac, ca, ad, da, bc, cb, bd, db, cd, dc
VARIACIN
Consiste en tomar k elementos entre n que hay en total, sin importar en qu orden.
Es decir, importa la naturaleza ("cules") pero no importa el orden. Observamos
que esto es como las variaciones, pero olvidndonos del orden; las variaciones
distinguen "ab" de "ba", en cambio para las combinaciones "ab" = "ba", y slo
importa el hecho de que fueron "a" y "b" los elementos elegidos.
Frmula:
donde n es la cantidad total de elementos, y k es la cantidad que se toman.

Ejemplo:
Se tienen los elementos {a,b,c,d}. Cuntas formas posibles hay de elegir 2?
Comencemos por aclarar que como son combinaciones, no tenemos en cuenta el
orden, con lo cual "ab" = "ba". Adems recordamos que por tratarse de
combinacin simple, no se puede elegir 2 veces el mismo elemento. Entonces en
este caso las combinaciones son:
ab, ac, ad, bc, bd, cd.
VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Comparemos
ahora
el
ejemplo del dado con este

otro:
haremos
el
experimento de elegir una

naranja al azar en una
verdulera, y llamaremos Y
al peso de la naranja
elegida. Si pensamos en
los valores posibles que puede tomar la variable aleatoria Y, veremos que no
solamente son infinitos sino que adems dado un valor posible no hay un
"siguiente" porque entre cualquier valor y aquel al que considerramos su
"siguiente" hay infinitos valores posibles. La variable aleatoria X es discreta. La
variable aleatoria Y es continua.
En principio definiremos las variables aleatorias discretas y continuas as:
Variable aleatoria discreta: aquella tal que la cantidad de valores

posibles que puede tomar es finita, o infinita pero numerable. En otras
palabras, aquella cuyos valores posibles son todos puntos aislados
del conjunto de valores posibles. Dicho incluso de una tercera forma:
aquella tal que si tomamos dos cualesquiera de sus valores posibles,
hay entre ellos una cantidad finita de valores posibles.
Variable aleatoria continua: aquella que no es discreta, es decir,

aquella tal que la cantidad de valores posibles es infinita y no
numerable.
A qu nos referimos con infinito numerable y no numerable?
Por ejemplo, el conjunto de los nmeros naturales tiene una cantidad finita pero
numerable de elementos, porque sus elementos se pueden enumerar. En cambio,
el conjunto de los nmeros reales tiene una cantidad infinita no numerable de
elementos, porque sus elementos no se pueden enumerar.
Veamos un problema:
1) Indique para cada una de las siguientes variables aleatorias si son discretas o
continuas. Haga las aclaraciones que considere necesarias.
a) El nmero que sale al tirar un dado.
b) La cantidad de caras que salen al tirar 5 monedas.
c) La cantidad de accidentes por mes.
d) Peso de una naranja.
e) Dimetro de una arandela.
f) El pas donde naci una persona.
g) La edad de una persona.
Resolucin:
a)
Discreta. La cantidad de resultados es finita.
b)
Discreta. La cantidad de resultados es finita.
c)
Discreta. Aunque la cantidad de resultados es infinita, porque no hay un

valor mximo posible, es numerable, porque los resultados se pueden
enumerar. Otra forma de ver que es discreta: todos los resultados son puntos
aislados.
d)
d) Continua. La cantidad de resultados es infinita y no numerable (no

podemos enumerar todos los resultados). Otra forma de ver que es
continua: los resultados no son puntos aislados, sino que forman un continuo (por
ejemplo, un segmento de recta).
e)
Continua. La cantidad de resultados es infinita y no numerable (no

podemos enumerar todos los resultados).
f)
Discreta. La cantidad de resultados es finita. Observemos que las

variables que no son numricas por lo general son discretas.
g)
Puede ser discreta o continua. Si tomamos la edad como la cantidad entera

de aos que ha vivido la persona, entonces es discreta. Si tomamos la
edad como un nmero real de aos que ha vivido la persona (ejemplo: 5,37 aos)
entonces es continua.
DISTRIBUCIN DE PROBABILIDAD
Una variable aleatoria tal que

todos sus valores posibles
son
caso
equiprobables
muy
es
un
particular.
En
general, cada uno de los

valores posibles puede tener
distinta probabilidad. Por eso
nos interesa estudiar cmo
se
distribuyen
las
probabilidades en los distintos valores posibles de la variable.

Al conjunto de valores posibles, y la relacin entre ellos y sus respectivas
probabilidades, se lo conoce como distribucin de probabilidad.
Notemos que:
1) la probabilidad de un determinado valor no puede ser menor que cero.
2) la suma de las probabilidades de todos los valores da 1, porque al hacer el

experimento siempre sale uno de los resultados posibles.
La distribucin de probabilidad se puede expresar de diversas formas.
Generalmente se usa la funcin de densidad de probabilidad.
FUNCIN DE DENSIDAD DE PROBABILIDAD
Esta funcin le asigna a cada valor posible de la variable aleatoria un nmero real
que consiste en la probabilidad de que ocurra, y por supuesto debe cumplir con las
2 condiciones que enunciamos antes:
a) no puede ser negativa en ningn punto
b) la suma de las probabilidades de todos los valores da 1.
Puede pensarse que la condicin "a" es insuficiente, porque la probabilidad no
solamente no puede ser menor que cero, sino tampoco mayor que uno. Pero
agregar esa condicin sera redundante, porque la condicin "b" garantiza que eso
no puede ocurrir, ya que si la probabilidad para un valor fuera mayor que 1, como
ninguna probabilidad puede ser negativa entonces la suma dara necesariamente
mayor a 1.
En variables aleatorias discretas la funcin de densidad se define as:
es una funcin que a cada valor posible le asigna su probabilidad.
es una funcin de densidad de probabilidad discreta si y solo si cumple con:
1)
2)
Veamos algunas funciones de distribucin comunes:
BERNOULLI
Es un experimento que puede arrojar 2 resultados posibles. A uno de los
resultados se lo denomina arbitrariamente "xito" y al otro "fracaso". El
experimento de Bernoulli lleva asociada una probabilidad (la probabilidad de
"xito").
Distribucin:
"Cul es la probabilidad de obtener x xitos en n intentos?"
Si
es decir: X es una variable binomial con parmetros n y p
es decir: X es la variable que representa la cantidad de xitos obtenidos en n
experimentos de Bernoulli independientes cada uno con probabilidad de xito p.
POISSON
"Cul es la probabilidad de obtener x eventos en el intervalo estudiado?"
Si bien el proceso de Poisson trabaja con los parmetros
y
(longitud del intervalo)
(intensidad), la distribucin de Poisson usa solamente el parmetro
Como
es la longitud del intervalo, y
es la cantidad esperada de eventos por
unidad de tiempo, entonces m resulta ser la media. Es decir que esta distribucin
tiene la caracterstica de que su media resulta valer directamente lo mismo que
valga el parmetro .
Si
es decir: X es una variable Poisson con media .

es decir: X es la variable que representa la cantidad de eventos obtenidos en un
intervalo de longitud
e intensidad . Entonces:
NORMAL
Cuando la funcin de densidad es la siguiente:
la distribucin se llama "Normal" (o de "Gauss").

La grfica de esta funcin de densidad se conoce con el nombre de "campana de
Gauss" A primera vista podemos observar:

A diferencia de todas las distribuciones que vimos anteriormente, es no-nula
para todos los nmeros reales.
Tiene 2 parmetros,
El parmetro
distribucin.
y .
puede ser cualquier nmero real, y es, directamente, la media de la
El parmetro
puede ser cualquier nmero real positivo, y es, directamente, el
desvo estndar de la distribucin.

La notacin
significa que la variable aleatoria
normal con parmetros
tiene una distribucin
, o dicho de otra forma, que la variable aleatoria
tiene una distribucin normal, cuya media es , y cuya varianza es

Cuando
demostrar que si
aleatoria
, la distribucin se llama normal estndar. Se puede

es cualquier variable aleatoria normal, y tomamos la variable
, entonces
resulta ser una variable aleatoria normal estndar.
Es decir:
Lo cual puede ser demostrado mediante
un simple cambio de variables. Esto nos permite, dada cualquier variable aleatoria
normal, encontrar una variable aleatoria normal estndar, que es la que
encontraremos en las tablas.
TEOREMA CENTRAL DEL LMITE
Si
es el promedio de una muestra de tamao n de una poblacin con media
desviacin estndar
, entonces la variable aleatoria
tiene una
distribucin aproximadamente normal estndar, bajo las siguientes condiciones:
Si
, la distribucin de
es aproximadamente normal estndar
sin importar la distribucin de las .
Si
, la distribucin de
si la distribucin de las
es aproximadamente normal solamente
no difiere mucho de la distribucin normal
(por ejemplo: si es simtrica).
Si la distribucin de las
importar el valor de n.
es normal, la distribucin de
es normal sin
REFERENCIAS
Spiegel, M (2006). Probabilidad y estadstica. Mxico. Editorial McGrawHill.
Devore, J (2008). Probabilidad y estadstica. Mxico. Editorial Cengage

learning Editores.
Mayer, P (1992). Probabilidad y Aplicaciones Estadsticas. Mxico. Editorial

Alhambra Mexicana.
Zylberberg, A (2005). Probabilidad y estadstica. Buenos Aires Argentina.

Editorial Nueva Librera.

EI E1 NocionesProbabilidad

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

EI E1 NocionesProbabilidad

Загружено:

Авторское право:

Доступные форматы

NOCIONES DE PROBABILIDAD

Ttulo del Recurso: Nociones de probabilidad.

Duracin de la Navegacin: Cuarenta y cinco (45) minutos, aproximadamente.

Autor: Universidad Nacional Experimental de la Seguridad (UNES)

condiciones iniciales en las que se produce la

denominados aleatorios, se ven afectados por la

"probablemente...", "es poco probable que...",

La probabilidad de que el sol salga maana es muy alta muy cercana a 1. La

mientras que el espacio muestral para el experimento de lanzar una moneda al

La probabilidad de que al menos uno de los eventos que estn en el espacio

De manera informal o clsica podemos calcular la probabilidad de un experimento

Por ejemplo, cul es la probabilidad de que salga un nmero menor a 3 al lanzar

No siempre se conoce la cantidad total de resultados posibles de un experimento

Por ejemplo: Si se quiere tener una idea de cul es la probabilidad de que

Si en vez de examinar a 50 discentes hubiramos examinado a 200, la exactitud

Vemos que el espacio muestral se denota con la letra E.

4) Si el experimento consiste en tirar una moneda y ver qu sale, el espacio

considerramos como un resultado posible el caso en que la moneda caiga de

adecuamos el espacio muestral a lo que

y determinar que si cae de canto,

Cualquier subconjunto de E es un evento, por lo tanto ejemplos de eventos de

Tambin podemos expresar estos subconjuntos por comprensin:

"que salga un nmero par"

"que salga un nmero impar"

"que salga un nmero mayor que 3"

Y no olvidemos los siguientes subconjuntos:

Este subconjunto del espacio muestral es exactamente el espacio muestral

Ejemplos de eventos (es decir, subconjuntos de E) pueden ser:

3) Si el suceso A consiste en obtener cara al tirar una moneda, entonces

El experimento consiste en tirar una moneda y ver qu sale.

. Como dijimos antes, un

suceso es un subconjunto del espacio muestral.

es el conjunto que ocurre cuando suceden

simultneamente A y B. Se puede llamar "A interseccin B" o bien "A y B".

2) conjuntos disjuntos o mutuamente excluyentes

Como A y B tienen interseccin nula, no pueden suceder simultneamente.

es el conjunto que resulta cuando ocurre A, B,

4) Complemento de los conjuntos

que no salga un 4 o bien que salga 1, 2, 3, 5 6.

forma E. Esto es lgico: O llueve o

no llueve. No hay ninguna otra posibilidad.

. Un suceso y su complemento son disjuntos, porque no pueden

y se lee la probabilidad de A dado B.

(Los eventos son disjuntos)

Vase que si los conjuntos son disjuntos (

queda como el tercer axioma.

En el ao 1763, dos aos

reverendo Thomas Bayes (17021761), se public una memoria

clculo de dichas probabilidades

Veamos un ejemplo: Durante los ltimos aos se ha escrito mucho sobre la

(P=0.05) de los no fumadores lo padeca. Si la proporcin de fumadores es de

respectivamente. Si un paciente tiene o no cncer pulmonar puede estar afectado

. Se desea determinar la probabilidad

de seleccionar un fumador, puesto que el paciente tiene cncer, o

As por el teorema de Bayes tenemos:

As, la probabilidad de que un paciente con cncer pulmonar, seleccionado

Para designar a las variables aleatorias se utilizan letras maysculas. Para

El clculo combinatorio es una herramienta matemtica que, dada una

Se tienen n elementos, y se desea ver

De cuntas formas se pueden ordenar los elementos {a,b,c}?

Es como la permutacin, pero no se usan los n elementos sino que se usan

donde n es la cantidad total de elementos, y k es la cantidad de elementos que se

donde n es la cantidad total de elementos, y k es la cantidad que se toman.