Documente Academic
Documente Profesional
Documente Cultură
Probabilidad
Objetivos
Desarrollar algunas herramientas bsicas para poder abordar con fundamento los problemas de la inferencia estadstica. Sistematizar, organizar y cimentar los conceptos probabilsticos presentes en la cultura cotidiana.
[...] Las salas de juego estaban repletas de pblico. Cunta insolencia y cunta avidez! Me abr paso entre la muchedumbre y me coloqu frente al propio croupier. Empec a jugar tmidamente, arriesgando cada vez dos, tres monedas. Entretanto, observaba. Tengo la impresin de que el clculo previo vale para poco y, desde luego no tiene la importancia que le atribuyen muchos jugadores: llevan papel rayado, anotan las jugadas, hacen cuentas, deducen las probabilidades, calculan; por fin, apuestan y pierden. Igual que nosotros simples mortales, que jugamos sin clculo alguno. He llegado, sin embargo, a una conclusin, al parecer, justa: existe, en efecto, si no un sistema, por lo menos cierto orden en la sucesin de probabilidades casuales, lo cual es muy extrao. Suele ocurrir, por ejemplo, que tras las doce cifras centrales salgan las doce ltimas. Cae, por ejemplo, dos veces en las doce ltimas y pasa a las doce primeras. De las doce primeras, vuelve a las centrales: sale tres o cuatro veces seguidas y de nuevo pasa a las doce ltimas. Tras dos vueltas, cae sobre las primeras, que no salen ms de una vez, y las cifras centrales salen sucesivamente tres veces. Esto se repite durante hora y media o dos horas. Uno, tres y dos; uno, tres y dos. Resulta muy divertido. Hay das, maanas, en que el negro alterna con el rojo, casi en constante desorden, de modo que ni el rojo ni el negro salen ms de dos o tres veces seguidas. Al da siguiente, o a la misma tarde, sale el rojo hasta veinticinco veces sucesivas, y contina as durante algn tiempo, a veces, durante todo el da [...].
55
Experimento aleatorio, probabilstico o estocstico: es aquel donde no se puede determinar a priori cul va a ser su resultado.
La bsqueda de las leyes que, supuestamente, gobiernan el azar no solo atrae la concentracin de algn jugador empedernido, sino que domina permanentemente los clculos de casi todo el espectro cientfico desde en un rango cronolgico la astronoma hasta la economa. Lo que aparece claramente en el prrafo seleccionado es la observacin del fenmeno que interesa estudiar la ruleta mediante series de frecuencias. Cada vez que se realiza una jugada se est llevando a cabo un experimento aleatorio o azaroso, por qu aleatorio? Porque no se puede predecir de antemano el resultado que se va a obtener en esa jugada. Existen muchos experimentos aleatorios fuera del juego, por ejemplo, podramos anotar la edad de cada una de las personas que lee esta carpeta, cada edad del conjunto de todas las edades anotadas puede ser un resultado del experimento. Podemos citar tambin como experimento aleatorio la observacin de la ocurrencia del robo de un auto realizada por un actuario de seguros. Este actuario podra anotar en funcin de resultados previos cuntos autos de una determinada marca y modelo fueron robados entre todos los que existen en el mercado y a partir de ello inducir si un nuevo auto cualquiera, elegido al azar de ese modelo y marca, tiene alguna posibilidad de ser robado. Tanto la jugada nica del jugador, como el aseguramiento de un auto cualquiera tomado al azar, constituyen experimentos aleatorios simples porque involucran tomar un solo elemento al azar de una poblacin. Tanto la avidez del jugador como la de la compaa de seguros nos llevan a los experimentos aleatorios compuestos tomar ms de un elemento al azar donde el jugador hara varias jugadas o la compaa asegurara varios autos.
El proceso de tomar al azar uno o ms elementos de una determinada poblacin es un experimento aleatorio. Si se selecciona un solo elemento, referido a una variable, el experimento es simple y si se seleccionan dos o ms elementos, referidos a esa variable, el experimento aleatorio es compuesto porque es el resultado de la repeticin de uno simple. Por otro lado, si se selecciona un elemento al azar pero referido a dos o ms variables conjuntamente resulta tambin un experimento aleatorio compuesto.
Cuando se seleccionan muestras aleatorias de tamao n de una poblacin se estn realizando n experimentos aleatorios simples.
Espacio muestral
Denominamos espacio muestral (E) al conjunto de todos los resultados posibles de un experimento aleatorio. En el ejemplo del actuario nos interesa si al seleccionar un auto de esa marca y modelo ste puede ser robado o no, entonces los resultados posibles son: ser robado o no ser robado:
56
Estadistica
E = {robado, no robado} En una jugada de la ruleta los resultados posibles son: E = {todos los nmeros de la ruleta} = {0, 1, 2, 3, ......... , 34, 35, 36} En la siguiente tabla figuran distintos tipos de experimentos aleatorios y espacios muestrales asociados a ellos.
1- Una pyme del grupo que gura en la matriz ME 3 de la Unidad anterior y se examinara el E ={ A, C, I, S} rubro al que pertenece. 2- Dos empleados de la empresa cooperativa E={FF, FM, MF, MM} de la matriz ME 1 y se observara el sexo al que pertenece cada uno. 3- Una vivienda entre las de la ME 2 y se reexionara acerca de la cantidad de ambientes que tiene. E ={ 1, 2, 3, 4, 5}
Como puede apreciarse, los experimentos 1 y 3 son simples y el 2 es un experimento compuesto por repeticin de uno simple. Para describir los elementos de un espacio muestral de un experimento compuesto se puede recurrir a un diagrama denominado diagrama de rbol donde cada una de las ramas representa a cada uno de los elementos compuestos del espacio muestral. El diagrama de rbol (G.2.1.) correspondiente al segundo experimento es Grfico 2.1. Diagrama de rbol
57
Son ejemplos de sucesos aleatorios del Espacio muestral del experimento 3, que la vivienda seleccionada tenga: S1 = {hasta 3 ambientes} S1 = {1, 2, 3} S2 = {1 ambiente} S2 = {1} S3 = {8 ambientes} S3 = { } = S4 = {hasta 5 ambientes} S4 = {1, 2, 3, 4, 5} = E S5 = {3 o 4 ambientes} S5 = {3, 4} S6 = {menos de 4 ambientes} S6 = {1, 2, 3} S7 = {ms de 3 ambientes} S7 = {4, 5}
Si un suceso tiene un solo elemento (por ejemplo S2) se dice que es un suceso elemental. Si los elementos de un suceso son todos los del espacio muestral (el suceso coincide con E como el S4) al suceso se lo denomina suceso cierto y ocurre siempre al realizar el experimento. Si un suceso no tiene elementos, es un conjunto vaco como el S3 y se llama suceso imposible. Este suceso no podra ocurrir al realizar el experimento.
58
Estadistica
Exclusin
Dos sucesos son mutuamente excluyentes cuando la ocurrencia de uno excluye la ocurrencia del otro. Es decir, que no tienen elementos en comn.
Por ejemplo, los sucesos S2 y S5 porque si ocurre S2 no puede ocurrir S5 y viceversa, por lo tanto son mutuamente excluyentes. Dos sucesos aleatorios son no excluyentes, caso S5 y S7, cuando tienen elementos en comn. Un suceso est incluido en otro cuando todos sus elementos son parte de los elementos del otro como en el caso del suceso S2 que est contenido en S1. El espacio muestral y los sucesos aleatorios pueden representarse mediante un diagrama de Venn. En los siguientes diagramas se visualizan las tres formas que puede adoptar la relacin de exclusin entre dos sucesos aleatorios.
Juan Venn (1834-1923). Filsofo e historiador ingls. Su obra de lgica ms original es la Lgica del azar.
Grfico 2.2.
Independencia Dos sucesos son independientes cuando la ocurrencia de uno no condiciona la ocurrencia del otro. Observando el primer caso del grfico 2.2. donde los sucesos son mutuamente excluyentes si uno ocurriera, el otro nunca podra ocurrir. Eso implica la total dependencia del segundo suceso respecto del primero, y viceversa.
En el tercer diagrama, del mismo grfico, si ocurriese el suceso incluido necesariamente el suceso incluyente ocurrir, por lo que ste tambin es fuertemente dependiente de aqul.
59
En el caso de los sucesos no excluyentes, segunda forma del grfico, el anlisis de la independencia requiere de otras consideraciones que se irn incorporando paulatinamente. Pero s se puede afirmar que:
Las operaciones entre sucesos son las tres operaciones de Boole (unin, interseccin y complemento) del lgebra de conjuntos ms la operacin diferencia.
Estas operaciones aplicadas a dos o ms sucesos aleatorios devuelven siempre un nuevo suceso aleatorio.
Unin
La unin de dos sucesos Si y Sj es un nuevo suceso (Si U Sj) cuyos elementos pertenecen a alguno de los dos sucesos (a Si o a Sj o a ambos).
Grfico 2.3.
Consideremos las siguientes uniones de sucesos aleatorios: S2 U S5 = {1} U {3, 4} = {1, 3, 4} S7 U S5 = {4, 5} U {3, 4} = {3, 4, 5} S1 U S2 = {1, 2, 3} U {1} = {1, 2, 3}
60
Estadistica
Interseccin
La interseccin de dos sucesos Si y Sj es un nuevo suceso (Si Sj) cuyos elementos pertenecen conjuntamente a ambos sucesos.
Grfico 2.4.
La interseccin de los sucesos S7 y S5, con los que ya operamos, es: S7 I S5 = {4, 5} I {3, 4} = {4} El suceso S7 I S5 ocurrir s y solo s ocurrieran simultneamente los sucesos S7 y S5.
1. a. Realizar la interseccin entre los sucesos S2 y S5. b. Indicar qu tipo particular de suceso es la interseccin entre dos sucesos mutuamente excluyentes.
Complemento
El complemento de un suceso S es otro suceso cuyos elementos son todos los elementos del espacio muestral que no pertenecen al suceso S.
Grfico 2.5.
El complemento del suceso S1 es: S {todos los elementos de E que no estn en S1} = {4, 5}
61
Diferencia
La diferencia entre dos sucesos Si y Sj es un nuevo suceso (Si Sj) cuyos elementos pertenecen slo a Si.
Grfico 2.6.
Las siguientes diferencias entre sucesos son: S7 S5 = {4, 5} {3, 4} = {5} S1 S2 = {1, 2, 3} {1} = {2, 3}
2. a. Determinar la diferencia entre los sucesos S2 y S5. b. Determinar el suceso resultante de la diferencia entre dos sucesos mutuamente excluyentes.
Definicin clsica
Essai philosophique sur les probabilits (1814). Pierre Simn de Laplace (17491827), astrnomo y matemtico francs. Otras obras: Mecnica Celeste y El sistema del mundo.
La definicin clsica de probabilidad se debe a Pierre Simn de Laplace para quien la teora del azar consiste en determinar el nmero de casos favorables al acontecimiento cuya probabilidad se indaga. La razn de este nmero con la de todos los casos posibles es la medida de la probabilidad, que no es ms que una fraccin cuyo numerador es el nmero de casos favorables y cuyo denominador es el nmero total de casos posibles.
Es decir: p= cantidad de casos favorables cantidad de casos posibles Apliquemos esta definicin a algn suceso en la jugada de la ruleta, por ejemplo, si nos interesa que en la prxima tirada de la ruleta salga par.
62
Estadistica
El espacio muestral es: E = {todos los nmeros de la ruleta} E = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31. 32, 33, 34, 35, 36} y el suceso o evento de inters es: S = {que salga par} S = {2, 4, 6, 8, 10, 12, 14, 16, 18 , 20, 22, 24, 26, 28, 30, 32, 34, 36} P(S) = P(par) = 18 / 37 = 0,4865
Definicin frecuencial
Richard E. von Mises propuso la siguiente definicin de probabilidad frecuencial en 1919.
RTT La probabilidad de un suceso cualquiera es [...] el Valor Lmite de la Frecuencia Relativa... Esta es la razn del nmero de casos en que el atributo a Matemtico y filsofo austraco (1883-1953).
Supongamos que el actuario ha recabado informacin sobre una cantidad grande de autos asegurados y que de ello el 15% sufri algn robo. El actuario con ese dato puede calcular la probabilidad del suceso S: el auto asegurado no sera robado. Es decir:
p= f r = P( no robado) = 85/100 = 0,85 P(S)
Supongamos que el actuario ha recabado informacin sobre una cantidad grande Axiomatizacin de autos asegurados y que de ellos el 15% sufri algn robo. El actua2.1.3. de la probabilidad rio con ese dato puede calcular la probabilidad del suceso S: el auto asegu-
rado no sera La Teora de larobado. Probabilidad fue estructurada algebraicamente a partir de 1930 por matemticos de la escuela ruso francesa, dentro de una teora especial de la medida de conjuntos. Esa teora de la medida nos permitira hablar de l = P( no robado) = la 85/100 0,85 probabilidad de un P(S) suceso aleatorio, como medida= de su ocurrencia.
COMIENZO DE PASTILLA EN escuela ruso-francesa Los referentes ms importantes de esta escuela son: A. N. Kolmogoroff, F. Cantelli, E. Borel y otros. 2.1.3. Axiomatizacin de la probabilidad FIN DE PASTILLA
LaSu Teora de la reside Probabilidad fue estructurada algebraicamente partir de 1930 algebraica, es decir, un conjunto d utilidad en entregar al clculo de probabilidadesauna herramienta Los referentes ms por matemticos de la escuela ruso-francesa, dentro de una teora especial operaciones y maneras de operar con probabilidades. importantes de esta deSu la cuerpo medidaprincipal de conjuntos. Esa teora de la medida nos permitira hablar (teoremas). de consiste en tres axiomas y un grupo de propiedades escuela son: A. N. Kolmogoroff, F. Cantelli, E. Borel y otros. la probabilidad de un suceso aleatorio, como la medida de su ocurrencia. Su utilidad reside en entregar al clculo de probabilidades una herramienCOMIENZO DE PASTILLA EN axiomas ta algebraica, es decir, un conjunto de operaciones y maneras de operar con Recordar que los axiomas son proposiciones intuitivas aceptadas sin demostracin y que a partir de ellos pueden deducirse las propiedade probabilidades. (teoremas). Recordar que los axiomas principal consiste en tres axiomas y un grupo de propiedades FIN Su DEcuerpo PASTILLA son proposiciones intui(teoremas). tivas aceptadas sin demostracin
Axiomas A.1. P (S) 0 A.2. P(E) = 1 A.3. Si Sj = entonces P(Si Sj) = P (Si) + P(Sj) Propiedades P.1. 0 P(S) 1 Se deduce combinando A.1. y A.2. 63
la probabilidad de un suceso aleatorio S es un nmero no negativo. la probabilidad del espacio muestral E es 1. la probabilidad de la unin de dos sucesos aleatorios Si y Sj mutuamente excluyentes es la suma de sus respectivas probabilidades. y que a partir de ellos pueden deducirse las propiedades (teoremas).
A.2. P(E) = 1 A.3. Si Sj = entonces Universidad Virtual de Quilmes P(Si Sj) = P (Si) + P(Sj) Propiedades P.1. 0 P(S) 1 Se deduce combinando A.1. y A.2. P.2. P( S ) = 1 P(S) Se deduce combinando A.2. y A.3.
la probabilidad del espacio muestral E es 1. la probabilidad de la unin de dos sucesos aleatorios Si y Sj mutuamente excluyentes es la suma de sus respectivas probabilidades.
P.3. P( ) = 0 Se deduce de A.3. y considerando que es el complemento de E P.4. P(Si Sj) = P (Si) + P(Sj) P(Si Sj) Se deduce de A.3. y de considerar a cada uno de los sucesos como unin de partes mutuamente excluyentes.
COMIENZO DE ACTIVIDAD 3. 3. Demostrar la P.4. utilizando la sugerencia dada. Demostrar la P.4. utilizando la sugerencia dada. FIN DE ACTIVIDAD 2.1.4. Tipos de probabilidad
Hay tres tipos de probabilidad de que ocurra un suceso aleatorio, a saber: probabilidad total, probabilidad conjunta o compuesta y probabilidad condicional
Probabilidad total
Se denomina probabilidad total a la probabilidad del suceso resultante de la unin de dos o ms sucesos cualesquiera. Las probabilidades de los sucesos vistos en el subapartado 2.1.2. que el auto asegurado no sea robado y que salga un nmero par en la jugada de la ruleta son ejemplos de probabilidad total. El suceso que el auto asegurado no sea robado es un suceso elemental, en cambio el suceso que salga un nmero par en la jugada de la ruleta resulta de la unin de los sucesos elementales {2}, {4}, {6}, {8},......, {30}, {32},{34},{36} o sea, P(sea par) = P({2}U{4}U {6}U{8}U......U{30}U{32}U{34}U{36}) P(sea par) = P(2) + P(4) + P(6) + P(8) +...+ P(30) + P(32) + P(34) + P(36) = 1/37 + 1/37 + 1/37 +.+ 1/37 + 1/37 = 18 .1/ 37 = 18/37
Se entiende por equiprobabilidad, en el sentido expresado por Laplace, a la igualdad de oportunidad que tiene cada uno de los resultados elementales de una poblacin para ser seleccionado durante la realizacin de un experimento aleatorio.
El clculo realizado se basa en el tercer axioma y supone la equiprobabilidad de cada uno de los resultados de la jugada de la ruleta.
Probabilidad condicional
Supongamos que un estudio contable que recin se inicia debe presentar ante un organismo oficial dos declaraciones juradas (DDJJ) tomadas al azar entre sus 10 clientes. Entre ellos, tres son grandes contribuyentes (G) y el resto monotributistas (M). El espacio muestral E = {GG, GM, MG, MM} puede obtenerse a partir del diagrama de rbol del grfico 2.7. en el que se incluyen las probabilidades totales correspondientes a la primera seleccin
64
Estadistica
Es decir, por ejemplo, que hay una probabilidad de 0,3 probabilidad total de que la primera declaracin jurada seleccionada corresponda a un gran contribuyente. A continuacin, completaremos el diagrama agregando las probabilidades de los resultados de la segunda seleccin de una declaracin teniendo en cuenta que en la segunda instancia el conjunto de DDJJ va a contar con un elemento menos cambiando tambin su composicin.
Si nos interesara, por ejemplo, la probabilidad de que la segunda declaracin jurada extrada sea de un monotributista tendramos dos respuestas posibles (7/9 y 6/9) dependiendo de cul haya sido el resultado de la primera seleccin. Es decir, que la segunda seleccin est sujeta o condicionada a lo que ocurri en la primera. Las probabilidades consignadas al lado de cada resultado de la segunda extraccin son probabilidades condicionales.
La probabilidad condicional mide la ocurrencia de un suceso B si hubiera ocurrido el suceso A y se expresa P(B/A), donde A es el suceso condicin y el smbolo / es una notacin (no una operacin).
Las probabilidades condicionales consignadas en el rbol son: P(G/G) = 2/9 = 0,2222 P(G/M) = 7/9 = 0,7778 P(M/G) = 3/9 = 0,3333 P(M/M) = 6/9 = 0,6667
La notacin P(B/A) se debe al economista ingls J. M. Keynes (1883 1946) en su Tratado sobre las probabilidades (1933).
65
La primera se lee: 0,2222 es la probabilidad de que en la segunda seleccin la Declaracin Jurada sea de un gran contribuyente si (dado que, tal que, sabiendo que) la primera hubiera sido tambin de un gran contribuyente.
Utilizando la definicin de Laplace (casos favorables/casos posibles) la probabilidad del suceso GG resulta :
donde la cantidad de casos posibles resulta de contar todas las combinaciones de diez DDJJ (al momento de la primera seleccin) por nueve DDJJ (en la segunda instancia), y la cantidad de casos favorables tambin resulta de la combinacin de 3 G (primera vez) por 2 G (segunda vez). Relacionando con las probabilidades del rbol resulta finalmente:
La probabilidad compuesta entre dos sucesos A y B resulta de la multiplicacin de la probabilidad total del suceso condicin A por la probabilidad condicional de B tal que A.
Conclusiones Dados dos sucesos A y B de un espacio muestral de un experimento aleatorio con probabilidades no nulas, a partir de lo visto, se pueden deducir las siguientes proposiciones:
66
Estadistica
Los experimentos aleatorios compuestos por repeticin de uno simple son el mecanismo bsico para la confeccin de muestras en una poblacin. Otro tipo de experimentos compuestos sirven al estudio de la asociacin y/o relacin causa efecto entre variables y son los experimentos compuestos bivariados.
Experimento bivariado
Como ejemplo para el tratamiento de la probabilidad en experimentos bivariados analizaremos un caso particular como medio para la generalizacin. Con la finalidad de pronosticar el estado del trnsito en funcin de la ocurrencia de embotellamiento a partir de la existencia de un accidente en una autopista en determinada franja horaria, se relevaron datos histricos obtenindose la siguiente informacin: el 20% de los automviles que circulan por esa autopista en el horario estudiado tuvieron algn tipo de accidente; el 95% de las veces en que ocurri un accidente se produjo un embotellamiento y cuando no hubo accidente ocurri un embotellamiento el 15% de las veces. Notamos que podramos identificar la ocurrencia de un accidente como causa y el embotellamiento como un efecto. En el diagrama de rbol del grfico 2.9. se ilustra la informacin: Grfico 2.9. Diagrama de rbol
67
0,85
Donde las probabilidades que se tienen son: Donde las probabilidades que se tienen son:
total de Accidente total de Accidente total de No accidente P(A) = 0,20 total de No accidente P( A ) = 0,80 condicional de Embotellamiento tal que Accidente condicional de Embotellamiento Accidente P(E/A) = 0,95 condicional detal Noque embotellamiento tal que Accidente condicional de No condicional embotellamiento tal que Accidente P( E /A) = 0,05 de Embotellamiento tal que No accidente condicional de Embotellamiento No accidente tal que No P(E/ A ) = 0,15 condicional detal Noque embotellamiento accidente condicional de No embotellamiento tal que No accidente P( E / A ) = 0,85
P(A) = 0,20
/A) = 0,0
) = 0,1
) = 0,
A partir de estas probabilidades pueden calcularse las probabilidades conjuntas A partir de estas probabilidades pueden calcularse las probabilidades conjuntas
A partir de estas probabilidades pueden calcularse las probabilidades conjuntas:
de Accidente y Embotellamiento de Accidente y Embotellamiento P(A E) = 0,19 de Accidente y No embotellamiento de Accidente y No de embotellamiento P(A ) = 0,01 No accidente y Embotellamiento de No accidente y de Embotellamiento P( E) = 0,12 No accidente y No embotellamiento de No accidente y No embotellamiento P( ) = 0,68
Con las probabilidades totales de las causas y las conjuntas una tabla conjunta de probabili Con las probabilidades totales de las causas y lasarmamos conjuntas armamos una Con las probabilidades totales de las causas y las conjuntas armamos una tabla conjunta de pr contingencias . tabla conjunta de probabilidades o tabla de contingencias. contingencias.
E A
Total 0,19 0,12 0,31
E
0,19 0,12 0,31
E
0,01 0,68 0,69
Total
0,20 0,80 1
Total
0,20 0,80 1
A
Total
En la que adems aparecen calculadas las probabilidades totales de los efectos Embotell En queadems adems aparecen calculadas las probabilidades totales de los efectos Em En la la que aparecen calculadas las probabilidades totales de los efecembotellamiento. Embotellamiento y No embotellamiento. Por embotellamiento. sutos ubicacin en la tabla de contingencia, a las probabilidades totales se las suele denominar tambi Por su ubicacin en la tabla de contingencia, a las a probabilidades totales se las suele denominar de contingencia, las probabilidades totales marginales. Por su ubicacin en la tabla marginales .tabla se las suele denominar tambinpueden probabilidades marginales . A partir de la de contingencias calcularse las siguientes probabilidades condicionale A partir de la tabla de contingencias pueden calcularse las siguientes probabilidades condi partir de la tabla de contingencias pueden calcularse las siguientes propartir de losAefectos partir de los efectos babilidades condicionales de las causas a partir de los efectos: Accidente tal que Embotellamiento P(A/E) = 0,19/0,31 = 0,6129 Accidente tal que Embotellamiento P(A/E) = 0,19/0,31 = 0,6129 Accidente tal que No embotellamiento P(A/ E ) = 0,01/0,69 = 0,0145 Accidente tal que No embotellamiento P(A/ ) = 0,01/0,69 = 0,0145 No accidente tal que Embotellamiento P( A /E) = 0,12/0,31 = 0,0039 No accidente tal que Embotellamiento P( /E) = 0,12/0,31 = 0,0039 No accidente tal que No embotellamiento P( A / E ) = 0,68/0,69 = 0,9855 No accidente tal que No embotellamiento P( / ) = 0,68/0,69 = 0,9855
68
COMIENZO DE PASTILLA EN Bayes COMIENZO DEla PASTILLA En 1764, despus de muerte EN de Bayes Thomas Bayes (1702-1761), se public An essay formars solving a problem in the d En 1764, despus de la muerte de Thomas Bayes (1702-1761), se public An formars solving problem una memoria en la que aparece, por vez primera, la determinacin de la probabilidad deessay las causas a partir de a los efectos una memoria en la que aparece, por vez primera, la determinacin de la probabilidad de las causas a partir de los observados. observados. FIN DE PASTILLA FIN DE PASTILLA
Las probabilidades calculadas se denominan probabilidades bayesianas o probabilidades condicionales Las probabilidades calculadas se denominan probabilidades bayesianas o probabilidades condic formalizan mediante el teorema de Bayes formalizan mediante el teorema de Bayes
Estadistica
Las probabilidades calculadas se denominan probabilidades bayesianas o probabilidades condicionales de la causas y se formalizan mediante el teorema de Bayes. Dado el suceso B (efecto) de un espacio muestral E y una particin de n sucesos Ai (causas) de dicho espacio, la probabilidad de que ocurra el suceso Ai si ocurriera el suceso B es:
En 1764, despus de la muerte de Thomas Bayes (1702-1761), se public An essay formars solving a problem in the doctrine of chances, 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 observados.
4. Considerando la tabla conjunta 1.11. del subapartado 1.1.2. de la Unidad anterior referida al rubro y evolucin de los puestos de trabajo de las pymes, calcular una probabilidad de cada uno de los tipos vistos e interpretarla.
Se denomina variable aleatoria a una funcin del espacio muestral sobre el espacio de los nmeros reales.
La variable aleatoria de diseo que elegimos es: de clientes monotributistas entre las dos seleccionadas X: cantidadque de DDJJ Recordemos el espacio muestral es: E = {GG, GM, MG, MM}
DE PASTILLA COMIENZO La variable aleatoria de diseo EN quemonotributistas elegimos es:
Al momento de disear una variable aleatoria discreta debe optarse por alguna de las categoras involucradas en el problema para la cual la variable har el conteo. En nuestro caso, podra haberse optado por otra variable que contara la cantidad de ddjj de grandes clientes entre las dos seleccionadas.
Al momento de disear una variable aleatoria discreta debe optarse por alguna de las categoras involucradas variable har el conteo. En nuestro caso, podra haberse optado por otra variable que contara la cantidad de DD X: cantidad de DDJJ de clientes monotributistas entre las dos seleccionadas dos seleccionadas.
FIN DE PASTILLA La variable aleatoria X recorrer los valores enteros entre 0 y 2, donde 0 significa ninguna de las dos DDJJ corresponderan a monotributistas 2 que 0 signica que Laque variable aleatoria X recorrer los valores enteros entre 0 y 2,y donde ambas declaraciones sean de monotributistas. corresponderan a monotributistas y 2 que ambas declaraciones sean de monotributistas. X E GG GM MG MM 0 1 2
Calculamos la probabilidad para cada valor r del recorrido de X obteniendo as de probabilidad h(r). Siendo h(r) = P(X = r) los valores de la denominada funcin de probabilidad h(r). Siendo h(r) = P(X = r) h (0) = P( 0 M) P(GG) = 6/90 h (0) = X= P( X= 0= M) = P(GG) = 6/90 h (1) = P( X= 1 M) = P(G, M) + M) P(MG) = 21/90 + 21/90 = 42/ h (1) = P( X= 1 M) = P(G, + P(MG) = 21/90 + 21/90 = 90 42/ 90 h (2) = P( X= 2 M) = P(MM) = 42/90 h (2) = P( X= 2 M) = P(MM) = 42/90
Calculamos la probabilidad para cada valor r del recorrido de X obteniendo as los valores
Confeccionamos aacontinuacin la tabla (T.2.1.) de distribucin de probabilidades. Confeccionamos continuacin la tabla (T.2.1.) de distribucin de probabilidades. T.2.1. T.2.1.
r 0 1 2
h(r) es una funcin de probabilidad de una variable aleatoria discreta X si y slo si R(X) se cumplen las siguientes propiedades que se desprenden de los dos primeros a 1)esh(r) 0 h(r) una funcin de probabilidad de una variable aleatoria discre h(r) = 1 ta X s y slo si para todo elemento r del R(X) se cumplen las siguienFIN DE LEER ATENTO tes propiedades que se desprenden de los dos primeros axiomas de probabilidad. Un grco adecuado para la funcin de probabilidad h(r) es el de bastones y para la funcin h(r) 0 escalones, ambos en el subapartado 1.1.3. de la Unidad 1. h(r) = vistos 1 El carcter numrico de la variable aleatoria permite calcular algunas de las medidas m estndar de las aplicadas anteriormente a las variables estadsticas, con la siguiente salvedad: e Unmedia grfico adecuado para lapromedio funcin de probabilidad h(r) es el en de una bastones y aleatoria la m la corresponde a un observado mientras que variable para la funcin distribucin es el de escalones, esperado, o valorde esperado, y se denomina esperanza.ambos vistos en el subapartado 1.1.3. de la Unidad 1.
E(X) =
Estadistica
El carcter numrico de la variable aleatoria permite calcular algunas de las medidas media, varianza y desvo estndar de las aplicadas anteriormente a las variables estadsticas, con la siguiente salvedad: en una variable estadstica la media corresponde a un promedio observado mientras que en una variable aleatoria la media indica un promedio esperado, o valor esperado, y se denomina esperanza. La esperanza E(X), la varianza V(X) y el desvo estndar DS(X) se expresan
La esperanza de la variable del problema es: E (X) = 0.6/90 +1.42/90 + 2. 42/90 = 1,4 DDJJ de monotributistas Es decir, que si se seleccionan al azar dos DDJJ se espera que entre ellas haya 1,4 de clientes monotributistas. La varianza y el desvo estndar son: V(X) = 0,3733 y DS(X) = 0,611
Las propiedades que se enuncian son vlidas en cualquier experimento aleatorio, sea este simple o compuesto.
ticas similares; esas caractersticas comunes son las que permiten modelarlos unvocamente. Para la construccin de un modelo probabilstico, primero deben identificarse exhaustivamente cada una de las caractersticas especficas del experimento y seguidamente asociarle una variable aleatoria apropiada.
Experimento binomial
El experimento binomial es un experimento compuesto que consiste en n repeticiones independientes de un experimento simple dicotmico. Por lo tanto las caractersticas que lo identifican son:
Si el experimento tiene ms de dos resultados posibles hay que dicotomizarlo. Si las repeticiones del experimento simple no fueran independientes, el modelo que se generara se denomina modelo hipergeomtrico.
El experimento simple tiene slo dos resultados posibles, denominados xito suceso que interesa seguir y fracaso suceso complementario. Se repite n veces el experimento simple. Las repeticiones del experimento simple son independientes entre s. Vinculadas al experimento binomial pueden definirse ms de una variable aleatoria, con sus correspondientes distribuciones de probabilidad, cumpliendo distintos roles dentro del mismo experimento. Ellas son las variables aleatorias binomial, geomtrica y de Pascal (o binomial negativa). Variable aleatoria binomial
En este experimento, la variable aleatoria x asociada toma valores 0 y 1. La esperanza de esta variable resulta ser la probabilidad de xito. P. Santiago Jacobo Bernouilli o Bernoulli (1654-1705) fue un matemtico suizo de origen belga. Entre otras cosas fue quien us por primera vez la palabra integral y escribi el Ars conjectandi sobre el clculo de probabilidades. En smbolos X ~ B(n,P)
El modelo binomial queda caracterizado por n (nmero de repeticiones del experimento simple o de Bernoulli) y P (probabilidad de xito en cada repeticin) que son sus parmetros. Entonces decimos que la variable aleatoria X asociada tiene distribucin binomial con parmetros n y P.
El modelo matemtico para la distribucin binomial permite calcular los valores de la funcin de probabilidad h(r). h (r) = P(X = r) = nCr . Pr . (1-P) n-r nCr combinatorio es un nmero combinatorio que cuenta la cantidad de combinaCOMIENZO DE PASTILLA Donde EN nmero
FIN DE PASTILLA