Principios de probabilidad

PROBABILIDAD
DEFINICIONES Probabilidad: es la posibilidad numrica de ocurra un evento. Se mide con valores comprendidos entre 0 y 1, entre mayor sea la probabilidad, ms se acercar a uno. Experimento: es toda accin bien definida que conlleva a un resultado nico bien definido como el lanzamiento de un dado. Es el proceso que produce un evento. Espacio muestral: es el conjunto de todos los resultados posibles. Para un dado es SS = (1,2,3,4,5,6)

Definicin Clsica de Probabilidad. Modelo de frecuencia relativa

La probabilidad de un evento (E), puede ser calculada mediante la relacin de el nmero de respuestas en favor de E, y el numero total de resultados posibles en un experimento.

P( E ) =

# Favorable E # Total resultados

1 = .16 6 1 = .5 Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es: 2
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es: Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:

1 1 1 1 1 1 + + + + + =1 6 6 6 6 6 6 La probabilidad de un evento est comprendida siempre entre 0 y 1 . La suma de las probabilidades de todos los eventos posibles (E) en un espacio muestral S = 1
Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los n elementos relacionados = # Total de resultados posibles.

Probabilidad Compuesta Es la probabilidad compuesta por dos eventos simples relacionados entre s. En la composicin existen dos posibilidades: Unin o Interseccin . Unin de A y B

Pgina 1 de 13

Principios de probabilidad
Si A y B son eventos en un espacio muestral (S), la unin de A y B elementos de el evento A o B o ambos. Interseccin de A y B

(A

B ) contiene todos los

Si A y B son eventos en un espacio muestral S, la interseccin de A y B por todos los elementos que se encuentran en A y B.

( A B)

est compuesta

Relaciones entre eventos Existen tres tipos de relaciones para encontrar la probabilidad de un evento: complementarios, condicionales y mutuamente excluyentes.

1. Eventos complementarios: El complemento de un evento A son todos los elementos en un espacio muestral (S) que no se encuentran en A. El complemento de A es: A = 1 P ( A)
Ejemplo 4: En el evento A (da nublado), P(A) = .3, la probabilidad de tener un da despejado ser 1-P(A) = .7

P( A = .7 ) P(A)=.3

2. Probabilidad condicional: Para que se lleve a cabo un evento A se debe haber realizado el
evento B. La probabilidad condicional de un evento A dado que ha ocurrido el evento B es:

P( A B ) =

P( A B ) P( B )

, si B 0

Ejemplo 5: Si el evento A (lluvia) = .2 y el evento B (nublado) = .3 , cual es la probabilidad de que llueva en un da nublado? Nota: no puede llover si no hay nubes

P( A B ) =

P( A B ) P( B )

.2 = .67 .3

Pgina 2 de 13

Principios de probabilidad

A
P(A/B)=.67

Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no est afectada por la ocurrencia del otro. De otra manera los eventos son dependientes. Un ejemplo de evento independiente es: Cul es la probabilidad de que llueva en lunes? El ejemplo de evento dependiente es el ejemplo 5. 3. Eventos mutuamente excluyentes. Cuando un evento A no contiene elementos en comn con un evento B, se dice que estos son mutuamente excluyentes.

Eventos mutuamente excluyentes.

Ejemplo 6. Al lanzar un dado: a) cual es la probabilidad de que salga 2 o 3? B) Calcule ? a)

P( A B )

P( A B ) =

1 1 1 + = = .33 6 6 3

b) P( A B ) = 0, ya que al ser conjuntos mutuamente excluyentes la interseccin no existe, es imposible que salga 2 y 3 al mismo tiempo. Ley aditiva:

Cuando dos eventos no son mutuamente excluyentes: Pgina 3 de 13

Principios de probabilidad P( A B ) = P ( A) + P ( B ) P( A B ) Cuando los eventos son mutuamente excluyentes: P( A B ) = P( A) + P ( B )

Ejemplo 7.

Ley multiplicativa:

Si los eventos A y B son dependientes: P ( A B ) = P ( A) P ( B A) Si los eventos A y B son independientes: P ( A B ) = P ( A) P ( B )

Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100 unidades, se sabe que 98 de los 100 artculos estn en buen estado. La muestra se selecciona de manera tal que el primer artculo se observa y se regresa antes de seleccionar el segundo artculo (con reemplazo), a) calcule la probabilidad de que ambos artculos estn en buen estado, b) si la muestra se toma sin reemplazo, calcule la probabilidad de que ambos artculos estn en buen estado. A: El primer artculo est en buen estado. B: El segundo artculo est en buen estado. a) Al ser eventos independientes el primero del segundo:

98 98 P ( A B ) = P ( A) P ( B ) = = .9604 100 100

A
P(A) =.98

B
P(B) =.98

Pgina 4 de 13

Principios de probabilidad
b) Si la muestra se toma sin reemplazo de modo que el primer artculo no se regresa antes de seleccionar el segundo entonces:

98 97 P ( A B ) = P ( A) P ( B A) = = .9602 100 99
Se observa que los eventos son dependientes ya que para que para obtener el evento B, se tiene que haber cumplido antes el evento A.

P(B/A)=.97

P(A) =.98

TABLAS DE CONTINGENCIA Y TABLAS DE PROBABILIDAD Una tabla de contingencia se forma como sigue: Genero Personal Hombres 120 Mujeres 50 Total 170 Clasificacin de los empleados Lnea Auxiliar 150 30 140 10 290 40 Total 300 200 500

Con esto se forma la tabla de probabilidades dividiendo todos los datos de la tabla entre el total de 500, queda como: Genero Personal Hombres(M) 0.24 Mujeres(m) 0.10 Total 0.34 Clasificacin de los empleados (S) Lnea (L) Auxiliar (A) 0.30 0.06 0.28 0.02 0.58 0.08 Total 0.60 0.40 1.00

De esta forma las probabilidades marginales o de las orillas de la tabla son: P(L) = 0.58 P(M) = 0.60 Se determina las probabilidades conjuntas como sigue: P(MS) = 0.24 P(ML) = 0.30 P(MA) = 0.06

Pgina 5 de 13

Principios de probabilidad

La probabilidad marginal es la suma de las probabilidades conjujntas correspondientes: P(M) = 0.24 + 0.30 + 0.06 = 0.60 TEOREMA DE BAYES Mediante el teorema de Bayes podemos calcular la probabilidad de que ocurra un determinado evento, cuando no tenemos datos inmediatos del mismo mediante la informacin que tenemos de otros eventos. Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z se describe mediante el teorema de probabilidad total el cual es:

P ( Z ) = [ P ( A) P ( Z A) ]+[ P ( B ) P ( Z B ) ]
Mediante el teorema anterior se deduce el teorema de Bayes:

P( A Z ) =

P ( A) P ( Z A ) [ P ( A ) P ( Z A ) ] +[ P ( B ) P ( Z B ) ]

Ejemplo 9: En cierta universidad 20% de los hombres y 1% de las mujeres miden ms de 1.80m de altura. Asimismo 40% de los estudiantes son mujeres. Si se selecciona un estudiante al azar y se observa que mide ms de 1.80m Cual es la probabilidad de que sea mujer?

Z > 1.80 m A = Hombre B = Mujer P (A) = .60 P (B) = .40 P (Z/A) = .20 P (Z/B) = .01

HOMBRE < 1.80 > 1.80 .80

MUJER .99

.20

.01

=Z
Para encontrar la probabilidad de que sea mujer dado que mide ms de 1.80, Utilizando el teorema de Bayes:

P( B Z ) =

P( B ) P( Z B ) [ P( A) P( Z A) ] +[ P( B ) P( Z B ) ]
Pgina 6 de 13

Principios de probabilidad

P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032. Podemos visualizar P(B/Z) en el siguiente diagrama:

Hombre
Z > .80
P(A/Z)

Mujer

P(B/Z) = .032

Por lo tanto la probabilidad de que sea mujer dado que mide ms de 1.80 es .032 = 3.2 %

ANLISIS COMBINATORIO Supngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y una vez llegada a B, tiene tres maneras de llegar a otra ciudad C. De cuntos modos podr realizar el viaje de A a C pasando por B?

a pie

en avin CIUDAD B en carro en trasatlntico CIUDAD C

CIUDAD A en bicicleta

Evidentemente, si empez a pie podr tomar avin, carro o trasatlntico; y si empez en bicicleta, tambin podr tomar avin, carro o trasatlntico. Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt; ba, bc, bt. Que son 6; cada primera oportunidad cont con tres posibilidades. Se tiene: 2 oportunidades X 3 posibilidades = 6 posibilidades.

PRINCIPIO DE CONTEO: Si un evento puede hacerse de a1 maneras diferentes, y cuando se ha hecho, puede hacerse un segundo evento ( independiente del primero) de a2 modos diferentes y luego un tercer evento de a3 maneras tambin diferentes, y as sucesivamente, entonces el nmero de maneras diferentes en que los eventos se pueden realizar , en el orden indicado es de:

Pgina 7 de 13

Principios de probabilidad

a1 a2 a3 .... an
Ejemplo 10: De cuantos modos podr vestirse un joven que tiene 3 camisas diferentes, 4 pantalones y dos pares de calzado? Solucin: Primer evento (camisas) a1 = 3 Segundo evento ( pantalones) a2 = 4 Tercer evento (zapatos) a3 = 2 a a a = 3 4 2 = 24 modos diferentes.
1 2 3

PERMUTACIONES: Una permutacin es un arreglo ordenado de una parte de los elementos, o de todos los elementos de un conjunto.

Ejemplo 11: Dado el conjunto de las letras las tres letras cada vez.

{ o, p, i} , escribir todas las permutaciones empleando

Solucin: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles. Ejemplo 12: Y tomando dos letras solamente cada vez? Solucin: op, oi, io, ip, pi, po: son seis permutaciones. En la mayora de los casos resulta muy complicado hacer las permutaciones manualmente por lo cual utilizamos la siguiente frmula:

Prn =

n! (n r) !

donde: n = nmero total de elementos del conjunto P = Permutaciones r = nmero de elementos que se toman a la vez. ! = factorial. Nota: 0! = 1 Ejemplo 13: Se toman 3 nmeros de lotera de un total de 50, de cuantas formas se pueden tomar los nmeros?

P350 =

50 ! 50 ! = = (50 49 48) = 117,600 ( 50 3) ! 47 !

COMBINACIONES: Es el nmero de subconjuntos de r elementos que se puede formar de un conjunto de n elementos, sin importar el orden de los elementos. Para determinar el nmero de combinaciones posibles utilizamos:

Crn =

n! (n r) ! r !
Pgina 8 de 13

Principios de probabilidad

Ejemplo 15: Un entrenador de basket ball tiene 9 jugadores igualmente hbiles, cuntas quintetas podr formar?
9 C5 =

9! = 126 4 ! 5 !

Ejemplo 16: Se extraen 5 cartas de una baraja de 52 cartas. Hallar la probabilidad de extraer (a) 4 ases, (b) 4 ases y un rey (c) 3 dieces y dos jotas, (d) un 9,10, jota, reina, rey en cualquier orden. a) P(4 ases) =

( 4 C4 )( 48 C1 ) ( 52 C5 )
52

1 54145 = 1 649740 = 1 108290 = 64 162435

b) P (4 ases y 1 rey) =

( 4 C4 )( 4 C1 )
C5

c) P (3 dieces y 2 jotas) =

( 4 C3 )( 4 C2 )
52

C5

d) P(nueve, diez, jota, reina, rey) =

( 4 C1 )( 4 C1 )( 4 C1 )( 4 C1 )( 4 C1 )
52

C5

Pgina 9 de 13

Principios de probabilidad
DISTRIBUCIONES MUESTRALES ESTADSTICA INFERENCIAL: involucra el uso de un estadstico para sacar una conclusin o inferencia sobre el parmetro correspondiente de la poblacin Por ejemplo se usa:

X media de muestra para estimar la media poblacional s desv. Est. De muestra para estimar la desv. Est. poblacional p proporcin en la muestra para estimar la proporcin poblacional
ERROR DE MUESTREO: es la diferencia entre el parmetro poblacional y el estadstico de la muestra utilizado para estimar el parmetro. Por ejemplo la diferencia entre:

X y

s y

p y

Poblacin Con N elementos

DISTRIBUCIN MUESTRAL: es un conjunto de todos los valores posibles para un estadstico y la probabilidad relacionada con cada valor.

Media.muestral. Xi P (cada. Xi )
150 200 250 300

350
1.0

Xmedia 1 Xmedia K 1/6 Desv.est. Desv.est. 1/6 1 K 2/6 1/6 1/6 Tomando K=6 muestras de tamao n cada una

MEDIA DE LAS MEDIAS MUESTRALES o GRAN MEDIA o MEDIA DE MEDIAS:

X =

K 150 + 200 + 250 + 250 + 300 + 350 X = = 250 6

VARIANZA DE LA DISTRIBUCIN MUSTRAL DE LAS MEDIAS MUESTRALES
2 X =

Xi

(X X )
K

(X )
K

Del ejemplo anterior:

(150 250) 2 + (200 250) 2 + ... + (350 250) 2 = = 4.167 6

2 X

Pgina 10 de 13

Principios de probabilidad
ERROR ESTNDAR DE LA DISTRIBUCIN MUESTRAL DE LAS MEDIAS MUESTRALES
2 X = X

En el caso anterior vale 64.55

X =

Si el muestreo se realiza sin reemplazo y si el tamao de muestra es ms del 5% de la poblacin (n > 0.05N) debe aplicarse el factor de correccin para poblaciones finitas (FPC) al error estndar.

X =

N n N 1

TEOREMA DEL LMITE CENTRAL A medida que n se vuelve ms grande, la distribucin de las medias muestrales se aproximar a una distribucin normal con una media

X = X = / n

USO DE LA DISTRIBUCIN MUESTRAL Muchas decisiones en los negocios dependen de una muestra completa no tanto de una observacin, por tanto se trabaja con la distribucin muestral de las medias o de las proporciones, para el caso de las medias se tiene:

Z=

X X = X / n

Con este valor se determina P(Z <= z)

Donde n es el tamao de la muestra y si no se conoce sigma, se estima con el valor de S. Ejemplos pginas 153 156. Para el caso de proporciones se tiene:

E ( p) = p =

p
K

p =

(1 ) Si n>0.05N puede requerirse el FCP n

Una vez calculando lo anterior ahora se determina Z

Z=

p p

Ver ejemplos pginas 159 163.

Pgina 11 de 13

Principios de probabilidad
CUESTIONARIO

Introduccin a la probabilidad
1. Qu es probabilidad? 2. Qu es un experimento en el contexto de probabilidad? 3. Qu es un evento? 4. Qu es un espacio muestral? 5. Qu es una regla de conteo para experimentos de varias etapas? 6. Qu es una permutacin? 7. Qu es una combinacin? 8. Qu requerimientos bsicos debe cumplir la asignacin de probabilidades? 9. A que se refiere el mtodo clsico de la probabilidad? 10. A que se refiere el mtodo de frecuencia relativa de la probabilidad? 11. A que se refiere el mtodo subjetivo de la probabilidad? 12. Qu es un evento y como se determina su probabilidad? 13. Cmo se calcula la probabilidad mediante el complemento? 14. Cul es la probabilidad de la unin de dos eventos?. Qu pasa si los eventos son mutuamente excluyentes? 15. Cul es la interseccin de dos eventos? 16. Qu es la probabilidad condicional y la ley multiplicativa para eventos independientes? 17. Qu establece el Teorema de Bayes?

Distribuciones discretas de probabilidad

18. Qu es una variable aleatoria? 19. Cundo la variable aleatoria es discreta y cuando es continua?

Pgina 12 de 13

Principios de probabilidad

20. Qu es una distribucin discreta de probabilidad? 21. Qu es una distribucin de probabilidad acumulada? 22. Cmo se determina su valor esperado y su varianza? 23. Qu es un experimento binomial? 24. Cmo se interpreta la funcin de distribucin binomial, es decir que indican sus trminos y que nos determina?. 25. Cul es su valor esperado y su varianza? 26. Qu es un experimento de Poisson? 27. Cmo se interpreta la funcin de distribucin de Poisson, es decir que indican sus trminos y que nos determina? 28. Cul es su valor esperado y su varianza? 29. Cmo se interpreta la funcin de distribucin Hipergeomtrica, es decir que indican sus trminos y que nos determina?

Distribuciones continuas de probabilidad

30. Qu es la funcin de densidad de probabilidad en distribuciones continuas? 31. Cmo se interpreta la distribucin Uniforme acumulada es decir que indican sus trminos y que nos determina? 32. Cmo se interpreta la funcin de densidad de la distribucin Exponencial, es decir que indican sus trminos y que nos determina? 33. Cmo se interpreta la distribucin Exponencial acumulada, es decir que indican sus trminos y que nos determina?

Pgina 13 de 13