INSTITUTO TECNOLOGICO DE CERRO AZUL

INGENIERIA INDUSTRIAL S.A.

PROBABILIDAD Y ESTADSTICA

UNIDAD 2 FUNDAMENTOS DE PROBABILIDAD FACILITADOR:

ING. CINTHIA GOMEZ TORRES

PRESENTA:

JALIL EDEL MARTINEZ NUEZ

SEGUNDO SEMESTRE

PERIODO ENERO - JUNIO 2014

2.1. CONJUNTOS Y TCNICAS DE CONTEO.

Tcnicas de conteo.
Cuando en un experimento, el nmero de resultados posibles es pequeo, es relativamente facil de listar y contar todos los posibles resultados. Por Ejemplo; Al tirar un dado, hay seis posibles resultados. Sin embargo, cuando hay un gran nmero de posibles resultados tales como el nmero de nios y nias por familias con cinco hijos, sera tedioso listar y contar todas las posibilidades. Las posibilidades seran, 5 nios, 4 nios y 1 nia, 3 nios y 2 nias, 2 nios y 3 nias, etc. Para facilitar el conteo utilizaremos algunas tcnicas, tales como: Las tcnica de la adicin, la de la multiplicacin, adems de la permutacin, y la combinacin.

Principio aditivo.

Si se desea llevar a efecto una actividad, la cual tiene formas alternativas para ser realizada, donde la primera de esas alternativas puede ser realizada de M maneras o formas, la segunda alternativa puede realizarse de N maneras o formas .. y la ltima de las alternativas puede ser realizada de W maneras o formas, entonces esa actividad puede ser llevada a cabo de: M + N + + W maneras o formas

Principio multiplicativo.

Si hay m formas de hacer una cosa y hay n formas de hacer otra cosa, hay m x n formas da hacer ambas cosas Utilizando una frmula: Nmero total de arreglos = m x n Esto puede ser extendido a ms de 2 eventos, para 3 eventos, m, n, y o: Nm. total de arreglos = m x n x o Ejemplo: Un vendedor de autos desea mostrar a sus clientes todas las diferentes opciones con que cuenta, auto convertible, auto de 2 puertas y auto de 4 puertas, cualquiera de ellos con rines deportivos o estndar. Cuntos diferentes arreglos de autos y rines puede ofrecer el vendedor? Para solucionar el problema podemos emplear la tcnica de la multiplicacin, (donde m es nmero de modelos y n es el nmero de tipos de rin). Nmero total de arreglos = 3 x 2 = 6

Notacin Factorial.
Para todo nmero natural n, se llama n factorial o factorial de n, al producto de todos los naturales desde 1 hasta n. Que de un modo resumido, se puede expresar como: Se define 0! = 1, para que la relacin n! = n (n 1)! sea tambin vlida para n = 1. Esta relacin permite definir los factoriales por recursividad. Por ejemplo, 5! = 54321 = 120 Por definicin el factorial de 0 es 1: 0!=1

Permutaciones.

La permutacin es aplicada para encontrar el nmero posible de arreglos donde hay solo u grupo de objetos. Como ilustracin analizaremos el siguiente problema: Tres componentes electrnicos - un transistor, un capacitor, y un diodo - sern ensamblados en una tablilla de una televisin. Los componentes pueden ser ensamblados en cualquier orden. De cuantas diferentes maneras pueden ser ensamblados los tres componentes? Las diferentes maneras de ensamblar los componentes son llamadas permutaciones, y son las siguientes:

TDCDTCCDT TCDDCTCTD Permutacin: Todos los arreglos de r objetos seleccionados de n objetos posibles La frmula empleada para contar el nmero total de diferentes permutaciones es:

nPr=

n!_____ (n r )!

Donde: nPr es el nmero de permutaciones posibles n es el nmero total de objetos r es el nmero de objetos utilizados en un mismo momento

n P r = ___n! = 3! (n r )! ( 3 3 )!

= 3x2= 1

Ejemplo: Suponga que hay ocho tipos de computadora pero solo tres espacios disponibles para exhibirlas en la tienda de computadoras. De cuantas maneras diferentes pueden ser arregladas las 8 mquinas en los tres espacios disponibles?

nPr=

n! = 8! (n r )! ( 8 3 )!

8! 5!

= 336

En el anlisis anterior los arreglos no presentan repeticiones, es decir, no hay dos espacios disponibles con el mismo tipo de computadora.

Combinaciones.

En una permutacin, el orden de los objetos de cada posible resultado es diferente. Si el orden de los objetos no es importante, cada uno de estos resultados se denomina combinacin. Por ejemplo, si se quiere formar un equipo de trabajo formado por 2 personas seleccionadas de un grupo de tres (A, B y C). Si en el equipo hay dos funciones diferentes, entonces si importa el orden, los resultados sern permutaciones. Por el contrario si en el equipo no hay funciones definidas, entonces no importa el orden y los resultados sern combinaciones. Los resultados en ambos casos son los siguientes:

Permutaciones: AB, AC, BA, CA, BC, CB

Combinaciones: AB, AC, BC

Combinaciones: Es el nmero de formas de seleccionar r objetos de un grupo de n objetos sin importar el orden.

La frmula de combinaciones es:

nCr=

n!____ r! (n r )!

Diagrama de rbol. Un diagrama de rbol es una representacin grfica de un experimento que consta de r pasos, donde cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo. Ejemplos: Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o femenino), tipo de sangre (A, B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o Baja). Mediante un diagrama de rbol diga en cuantas clasificaciones pueden estar los pacientes de este mdico

2.2. CONCEPTO CLSICO Y COMO FRECUENCIA RELATIVA.

Definicin Clsico. La probabilidad clsica: el enfoque clsico o a priori de la probabilidad se basa en la consideracin de que los resultados de un experimento son igualmente posibles. Empleando el punto de vista clsico, la probabilidad de que suceda un evento se calcula dividiendo el nmero de resultados favorables, entre el nmero de resultados posibles. La probabilidad clsica de un evento E, que denotaremos por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral: Como frecuencia relativa Probabilstica: se basa en las frecuencias relativas. La probabilidad de que un evento ocurra a largo plazo se determina observando en que fraccin de tiempo sucedieron eventos semejantes en el pasado. La probabilidad de que un evento suceda se calcula por medio de: P (E)= nmero de veces que el evento ocurri en el pasado Nmero total de observaciones

Definicin Frecuencial. La definicin frecuentista consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso. Sea un experimento aleatorio cuyo espacio muestral es E Sea A cualquier suceso perteneciente a E Si repetimos n veces el experimento en las mismas Condiciones, la frecuencia relativa del suceso A ser: Cuando el nmero n de repeticiones se hace muy grande la frecuencia relativa converge hacia un valor que

llamaremos probabilidad del suceso A. Es imposible llegar a este lmite, ya que no podemos repetir el experimento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar un gran nmero de veces el experimento aleatorio correspondiente. Algunos autores las llaman probabilidades tericas.

Conceptos bsicos Probabilidad. Es el estudio de los fenmenos de los que no estamos seguros de su ocurrencia. Fenmeno. Es la ocurrencia de un hecho o suceso. Experimento. Es un fenmeno observable perfectamente definido. Los fenmenos observables se pueden clasificar en: Deterministicos. Se puede predecir el resultado. Aleatorios. No se puede predecir el resultado. Espacio Muestral (Resultados). Es el conjunto de todos los posibles resultados que hay en un fenmeno aleatorio. El espacio muestral se clasifica en: Espacio muestral Discreto. Es aquel donde se puede contar el nmero de posibles resultados. Espacio muestral Continuo. No se puede enumerar los posibles resultados, debido a que, el espacio muestral continuo esta definido sobre la recta de los nmeros reales. Evento. Es un conjunto de resultados que tiene cierta caracterstica comn. Los eventos pueden ser: Evento seguro. Es aquel que tiene todos los posibles resultados. Evento imposible. Es aquel que no tiene un posible resultado. Evento complementario. Es aquel evento que esta compuesto por los eventos que no estn en este evento. Eventos mutuamente excluyentes. Para que un evento sea mutuamente excluyente debe cumplirse que A"B=. Evento colectivamente exhaustivo. Un conjuntos de eventos E1, E2,...En son colectivamente exhaustivos cuando E1U E2.... UEn= S, donde S es el espacio muestral.

2.3. ESPACIO MUESTRAL Y EVENTOS.

El uso de conjuntos representados por diagramas de Venn, facilita la compresin de espacio muestral y evento, ya que el espacio muestral S, se puede equiparar con el conjunto universo, debido a que S contiene la totalidad de los resultados posibles de un experimento, mientras que los eventos E contienen solo un conjunto de resultados posibles del experimento, mientras que los puntos muestrales se equiparan con los elementos. Vamos a suponer que el experimento que se realiza es el lanzamiento de un dado y queremos conocer cul es la probabilidad de que caiga un 3 o un 5? Si S contiene la totalidad de los resultados posibles, entonces S = {1, 2, 3, 4, 5, 6} puesto que el dado tiene 6 caras y si buscamos la probabilidad P de que caiga 3 o 5, esto constituye un evento entonces, E = {3, 5}, la representacin grfica queda de la siguiente manera:

El espacio muestral S, est representado por un rectngulo, este contiene eventos E representados a travs de crculos y puntos muestrales. Dado que en E existen dos elementos y en S seis, la probabilidad P de que ocurra E es 2 de 6 y se obtiene al dividir el nmero de elementos en E sobre el nmero de elementos en S.

Tambin se puede leer:

Se obtiene como resultado:

2.4. AXIOMAS Y TEOREMAS.

2.4.1 Axiomas de Probabilidad

De acuerdo al Diccionario de la Lengua Espaola un axioma es una proposicin tan clara y evidente que se admite sin necesidad de demostracin, por tanto existen tres axiomas de probabilidad que se describen a continuacin, partiendo del hecho de que S representa el espacio muestral, A representa cualquier evento y P la utilizaremos para llamar a la funcin de probabilidad, por consiguiente P(A) se denomina la probabilidad del evento A. Axioma 1 Para cualquier evento A, se tiene que la probabilidad del evento A se encuentra entre 0 y 1. 0 P(A) 1 Axioma 2 Para el espacio muestral S, se tiene que la probabilidad es igual a 1. P(S) = 1 Axioma 3 Para dos eventos mutuamente excluyentes A y B, se tiene que la probabilidad de la unin de estos eventos es igual a la suma de la probabilidad del evento A + la suma de la probabilidad del evento B. P (A B) = P(A) + P(B) Si se tiene una secuencia infinita de eventos mutuamente excluyentes A1, A2, A3,, An se tiene que: P(A1 A2 A3 ,, An) = P(A1)+ P(A2) + P(A3) ++ P(A n)

2.4.2 Teoremas de Probabilidad

De acuerdo al Diccionario de la Lengua Espaola, Teorema es una proposicin demostrable lgicamente, partiendo de axiomas o de otros teoremas ya demostrados mediante reglas de inferencia aceptadas Teorema 1 La probabilidad del conjunto vaco tiene probabilidad cero, esto tambin es conocido como evento imposible. P () = 0 Teorema 2 A este teorema se le llama regla del complemento y se refiere a que la probabilidad del complemento del evento A es igual a 1 menos la probabilidad del evento A.

P (A) = 1- P (A) Teorema 3 Si la probabilidad del evento A est entre 0 y 1 inclusive, y la probabilidad de A se obtiene de restar 1 P(A), se deduce que la suma de la probabilidad del evento A + la probabilidad del evento A es igual a: 1 = P(S) = P(A A) = P(A) + P(A') Teorema 4 Si el evento A &B, entonces la probabilidad del evento A es menor que la probabilidad del evento B P (B) = P(A) = P(B -A) Teorema 5 Para dos eventos A y B, la probabilidad del evento A menos el evento B es igual a la probabilidad del evento A menos la probabilidad A interseccin B. P(A \ B) = P(A) P (A B) Teorema 6 A este teorema se le conoce como regla de adicin y se refiere a que para dos eventos A yGB, la probabilidad de la unin de los dos eventos es igual a la suma de la probabilidad del evento A mas la probabilidad el evento B menos la probabilidad A interseccin B. P(A B) = P(A) + P(B) - P(AB)

2.5. PROBABILIDAD CLSICA: ESPACIO FINITO EQUIPARABLE

Un espacio muestral es finito cuando es posible contar sus puntos muestrales es decir, es un espacio contablemente finito y se convierte en espacio de probabilidad finito cuando a cada punto ai se le asigna una probabilidad pi; si la probabilidad es la misma para todos los puntos muestrales, entonces se dice que es un espacio finito equiprobable y debe satisfacer las siguientes propiedades: pi debe ser mayor o igual a cero, es decir, pi 0 pi debe ser igual a 1, es decir, pi = 1 Un dado tiene seis caras, por lo tanto, su espacio muestral est formado de la siguiente manera: S = {1, 2, 3, 4, 5, 6} si es tratado como un espacio finito equiprobable, tenemos que la probabilidad que caiga un 1, es la misma probabilidad de que caiga 2 o 3 o 4 o 5 o 6. p(1) = 1/6, p(2) = 1/6, p(3) = 1/6, p(4) = 1/6, p(5) = 1/6, p(6) = 1/6

Algunas veces, la asignacin de las probabilidades a los puntos muestrales, se dan en forma de tabla como se muestra a continuacin:

A esta tabla se le conoce como una distribucin de probabilidad. Continuando con el ejemplo del dado, a continuacin se presenta su distribucin de probabilidad.

Obsrvese que se cumplen las dos propiedades de los espacios finitos de probabilidad: pi debe ser mayor o igual a cero, es decir, pi 0 En este caso pi = 1/6, por lo tanto se cumple que, pi 0 pi debe ser igual a 1, es decir, pi = 1 1/6 + 1/6 + 1/6 + 1/6 + 1/6 + 1/6 = 6/6 = 1, cumpliendo que; pi = 1

2.6. PROBABILIDAD CONDICIONAL E INDEPENDENCIA.

2.6.1 Probabilidad Condicional A partir de un espacio muestral se pueden generar diferentes eventos por ejemplo, en el lanzamiento de un dado con S = {1, 2, 3, 4, 5, 6} queremos conocer la probabilidad de que caiga un nmero par y la probabilidad de que caiga un nmero primo. Primero se construyen los eventos: A = {2, 4, 6} y B = {1, 2, 3, 5}, para poder obtener el resultado de P(A) y P(B); podemos utilizar la tabla de distribucin de probabilidades.

P(A) = p(2) + p(4) +p(6) = 1/6 + 1/6 + 1/6 = 3/6 = 1/2 P(B) = p(1) + p(2) +p(3) + p(5) = 1/6 + 1/6 + 1/6 + 1/6= 4/6 = 2/3 Tambin podemos auxiliarnos de los diagramas de Venn y hacer una representacin

grfica del S, A y B.

Obtenemos que:

Ntese que en diagrama se ve claramente que hay puntos muestrales que contienen tanto el evento A como el evento B, es decir, se da una interseccin entre A y B.

Los elementos que se encuentran en la interseccin pueden representar dos cosas: o bien,

Obsrvese que en ambos casos, se condiciona a que ocurra un evento A, cuando haya ocurrido un evento E. En el primer caso se condiciona a que ocurra:

A = {nmeros pares del 1 al 6} cuando haya ocurrido E = {nmeros primos del 1 al 6} En el segundo caso se condiciona a que ocurra: A = {nmeros primos del 1 al 6} cuando haya ocurrido E = {nmeros pares del 1 al 6} A la probabilidad de que ocurra un evento A una vez que E ha ocurrido, se le conoce como probabilidad condicional de A dado E, se escribe P(A0E), y se define as:

por lo tanto:

Ejemplo: Se lanza un dado y se desea conocer cul es la probabilidad de que caiga

un nmero par siempre y cuando sea primo.

Pero si se busca la probabilidad de que caiga un nmero primo siempre y cuando sea par:

2.7. TEOREMA DE BAYES

Recibe su nombre por el matemtico ingls Thomas Bayes y se desarroll a partir de la suposicin de que los eventos A1, A2,, An mutuamente excluyentes, forman una particin del espacio muestral S y son causas posibles del evento E, quien tambin est contenido en S. La frmula de Bayes nos permite determinar la probabilidad de ocurrencia de un A particular, dada la ocurrencia de E(Lipschutz. 2001, p. 92) y se define como:

Ejemplo: En una fbrica que produce escritorios, se trabajan 3 turnos, A, B y C, supongamos que en el turno A, se produce el 50% de todos los escritorios, y de ellos, el 3% salen con algn defecto. En el turno B, se producen el 30% de los escritorios y el resto, se producen en el turno C, el turno B obtiene un 4% de escritorios defectuosos mientras que el C el 5%. Se elige un escritorio al azar y se resulta

defectuoso, se desea conocer cual es la probabilidad de que haya sido fabricado en el turno A. De acuerdo a la informacin proporcionada: P(A) = 50% y P(D0A) = 3% P(B) = 30% y P(D0B) = 4% P(C) = 20% y P(D0C) = 5% Utilizando el teorema de Bayes:

En el teorema, el divisor representa la probabilidad que se tiene de que un artculo salga defectuoso considerando la produccin total por lo tanto: P(D) = 0.037 = 3.7% Conocer este dato, facilita el clculo de la probabilidad de que el artculo defectuoso haya sido fabricado en el turno B.

2.8. DISTRIBUCIN MARGINAL CONJUNTA

Tengo dos variables aleatorias: X=(1,2,1) Y=(2,1,1) Cmo se calcularan la distribucin de probabilidad conjunta y la distribucin de probabilidad marginal? Supongo que los dos conjuntos de valores

X=(1,2,1) Y=(2,1,1)

Representen los resultados de tres mediciones de las dos variables X, Y, y que los resultados vayan en pares, o sea:

X = 1 con Y = 2 X = 2 con Y = 1 X = 1 con Y = 1

Como cada par de mediciones aparece 1 vez entre 3, la probabilidad conjunta es 1/3 por cada par (1, 2), (2, 1) y (1, 1), mientras el cuarto par posible, o sea (2, 2) tiene probabilidad 0. La distribucion conjunta es entonces X\Y 1 2 ---------------1 | 1/3 1/3 2 | 1/3 0 Las distribuciones marginales son las distribuciones separadas de X e Y, y se obtienen de la tabla conjunta sumando las probabilidades por lineas horizontales y verticales: X P(X) 1 2/3 2 1/3 Y P(Y) 1 2/3 2 1/3

DISTRIBUCIN CONJUNTA DE FRECUENCIAS

Decimos que tenemos una distribucin conjunta de frecuencias cuando consideramos simultneamente los valores alcanzados por un grupo de sujetos en dos variables X e Y. Por ejemplo, supongamos que tenemos dos puntuaciones cuantitativas de un grupo de 27 alumnos/as de educacin de adultos, referidas a pruebas de velocidad lectora (variable X) y comprensin lectora (variable Y):

X 92 88 85 84 89 83 85 84 86

Y 8 6 5 6 8 5 6 5 6

X 91 93 89 83 92 94 91 92 90

Y 9 8 7 6 7 10 8 9 7

X 90 86 88 87 87 94 85 86 90

Y 8 7 7 5 6 8 6 5 9

Estas puntuaciones vienen expresados por los pares (92,8), (88,6), etc. Pero tambin podramos agruparlos en intervalos, por ejemplo de amplitud tres para los valores de X y de amplitud dos para los valores de Y, como se expresa en la siguiente tabla (tabla 1): 83 - 85 9 - 10 7-8 5-6 0 0 7 86 - 88 0 2 5 89 - 91 2 5 0 92 - 94 2 4 0

Tabla 1: Distribucin conjunta de frecuencias para las variables X e Y Para el caso en que se agrupen dos variables X e Y en r y s intervalos respectivamente, denominaremos distribucin conjunta de frecuencias al conjunto de todas las parejas de intervalos, junto con sus frecuencias correspondientes. A partir de la distribucin conjunta de frecuencias las variables X e Y podemos definir las frecuencias marginales de X e Y.

Llamamos distribucin marginal de X a la distribucin de frecuencias de X con independencia de los valores de Y, es decir a la distribucin de frecuencias que presenta esta variable considerada individualmente. Igualmente para la variable Y (obsrvese en la tabla 2 los valores marginales de X e Y para el ejemplo anterior).
83 - 85 9 - 10 7-8 5-6 Marg. X 0 0 7 7 86 - 88 0 2 5 7 89 - 91 2 5 0 7 92 - 94 2 4 0 6 Marg. Y 4 11 12

Tabla 1: Distribucin conjunta de frecuencias y frecuencias marginales para las variables XeY Para las distribuciones marginales de X e Y pueden calcularse las medias y desviaciones tpicas, que recibirn el nombre de desviaciones tpicas marginales.