Tarea 3 – Carlos Alfredo Vergara Rojas

#Experimento propuesto
#Tenemos una bolsa, con 4 pelotas diferentes, de color rojo, azul, verde
y amarilla, el que saque la pelota roja gana la apuesta.
#Queremos saber si tenemos la misma probabilidad de sacar la pelota roja
o cualquier otro color, para eso creamos el experimento:

Bolsa<-c("Amarillo","Azul","Verde","Rojo") ### La bolsa es un vector que

contiene las cuatro pelotas
Bolsa

## [1] "Amarillo" "Azul" "Verde" "Rojo"

## Probamos primero sacando una pelota, la volvemos a meter, luego sacamo

s otra, asi 15 veces

resultado<- sample(Bolsa,15, replace=T)

resultado

## [1] "Amarillo" "Verde" "Azul" "Azul" "Verde" "Azul"

## [7] "Amarillo" "Azul" "Azul" "Azul" "Verde" "Azul"
## [13] "Verde" "Rojo" "Amarillo"

ni<-table(resultado) ### obtenemos una tabla con los resultados

barplot(ni, col=c("yellow", "blue","red","green")) ### obtenemos el barpl
ot de resultado

#Notamos que no se distribuyen de manera equitativa, eso es porque repeti

mos muy pocas veces el experimento

#Probamos con un numero muy grande(10 millones)

resultado<- sample(Bolsa,10000000, replace=T)

ni<-table(resultado) ### obtenemos una tabla con los resultados

barplot(ni, col=c("yellow", "blue","red","green")) ### obtenemos el barpl
ot de resultado

#Notamos que los valores se estabilizan

##### ahora realizo el barplot pero con las frecuencias relativas

n<-10000000 #### numero de lanzamientos

hi<-table(resultado)/n
hi

## resultado
## Amarillo Azul Rojo Verde
## 0.2500622 0.2499218 0.2499276 0.2500884

barplot(hi, col=c("yellow", "blue","red","green")) ### obtenemos el barpl

ot CON FREC RELATIVAS
#Como podemos ver, tenemos la misma probabilidad de sacar cualquier pelot
a, todos con una probabilidad de 1/4, o lo que es lo mismo, 0.25

2)¿Qué es la probabilidad?

Los experimentos que conocemos normalmente, son deterministas, en los que

podemos saber su resultado con exactitud, como en la física clásica, pero hay
experimentos, en los que hay una incertidumbre, que nunca nos va a permitir predecir
su resultado con certeza, como en la mecánica cuántica, en la que, por más que
conozcamos todos los posibles parámetros de una partícula, no podemos predecir con
exactitud su posición y velocidad, cuando tenemos esa incertidumbre, o falta de
certeza, definimos la probabilidad, que nos sirve para tener una lista de posibles
resultados del experimento, y lo que podemos saber es cuál es la tendencia de salida
de cada uno de los resultados de un experimento, a eso le llamamos probabilidad, que
nos sirve para saber cuál de esos resultados tiene mas chance de suceder, y se define
como el numero de salidas de uno de los posibles resultados, sobre el numero total de
salidas en todos los experimentos, y para conocer la probabilidad exacta en un
experimento, tenemos que repetirlo un número muy grande de veces, para que la
frecuencia se estabilice, por eso es útil la inferencia bayesiana, porque hay situaciones
en las que no podemos hacer un numero suficiente de repeticiones en el experimento,
como en la moneda, y tenemos que insertarle una creencia, que es un conocimiento a
priori, para darle mas estabilidad a la salida del experimento.
1)P(A∪B)= P(A) + P(B) – P(A∩B) = 0.5 + 0.4 – 0.25 = 0.65

2)P(AUB)C =1- P(A∪B)=1-0.65= 0.35

3) P(A∪BC).
Sabemos que A = (A∩B)∪(A∩ Bc)
sabemos que P(A)=0.5 Y P(A∩B)=0.25, entonces despejamos
P(A∪BC) = 0.5 − 0.25 = 0.25

1)P(A∪B)= P(A) + P(B) – P(A∩B) = 1/3 + 2/4 – 3/8 =11/24

2)P(AC)= 1 – P(A) = 1 – 1/3 = 2/3
3) P(AUB)C =1- P(A∪B)=1- 11/24 = 13/24

Primero calculamos la cantidad de números divisibles por 3 y por 5 en dicho intervalo,

que es lo mismo que calcular los números divisibles por 15, para eso dividimos 300
entre 15, lo que nos da 20, luego dividimos los casos favorables sobre casos posibles,
lo que es 20/300= 0.0666= 6.66%