Sunteți pe pagina 1din 16

Introducción

El objeto del tema es la cuantificación de la incertidumbre, lo cual tiene mucho que ver con la
previsibilidad del comportamiento. Hemos visto que el Análisis de Regresión es una técnica para
obtener predicciones, y que, excepto en el caso de covariación perfecta, las predicciones son más o
menos erróneas. En consecuencia, hay incertidumbre en las predicciones, y esta es la situación
habitual. La imprevisibilidad genera incertidumbre.

Los matemáticos vienen estudiando esta cuestión ya hace muchos años, y han facilitado
herramientas precisas que dan resultados exactos en situaciones relativamente sencillas y fácilmente
formalizables. Cuando se estudia el comportamiento, sin embargo, las cosas son diferentes porque
el comportamiento se caracteriza por la complejidad, y su estudio requiere frecuentemente técnicas
complejas. Los conceptos básicos de la probabilidad son de interés porque son el fundamento de
procedimientos más sofisticados que sirven para cuantificar la incertidumbre.

Los matemáticos no son los únicos que miden la incertidumbre: Todo el mundo lo hace cada día.
Por ejemplo: Un conocido nos pide un préstamo por una cantidad importante, y de una manera
intuitiva evaluamos la probabilidad de que nos devuelva el préstamo y decidimos en consecuencia.
Otro ejemplo: Tenemos un trabajo seguro en una empresa, y nos ofrecen un trabajo mejor pagado en
otra; generalmente evaluamos la incertidumbre de la nueva situación antes de tomar una decisión.
Estas evaluaciones son más o menos intuitivas, y no suponen una cuantificación precisa de la
incertidumbre, pero el fundamento de como suelen hacerse se asemeja a algunas aproximaciones
formales a la probabilidad, que la definen como la frecuencia en que ocurre el acontecimiento.

Los matemáticos definen la probabilidad de ocurrencia de un acontecimiento A (hay también otras


definiciones) como la razón entre la frecuencia de A (número de veces que es observado) y el
número de veces en que podría ocurrir:

Pero difícilmente podemos medir la incertidumbre del comportamiento aunque la fórmula sea
sencilla. Volviendo al ejemplo, es difícil recoger datos exactos de todas las ocasiones en que un
individuo ha tenido la oportunidad de engañar, y la de todas las veces que la ha hecho; en
consecuencia difícilmente podremos obtener una medida precisa de la probabilidad de que devuelva
el préstamo. En otras situaciones sí podemos obtener una aproximación más precisa a la
probabilidad. Por ejemplo, la de que un estudiante seleccionado al azar obtenga "Notable". Esta
probabilidad es el número de estudiantes que obtienen "Notable" dividido por el número total de
estudiantes del curso:

En el ejemplo, diremos que la probabilidad de que un estudiante seleccionado al azar obtenga


"Notable" es igual a 0.2 (dado que 100 estudiantes han obtenido Notable en un curso en 500
estudiantes).
OPCION 1
Teorema de Bayes

El teorema de Bayes es un procedimiento para obtener probabilidades condicionales


(probabilidades de ocurrencia de acontecimientos condicionadas a la ocurrencia de otros
acontecimientos). La expresión del teorema de Bayes para dos variables discretas es:

Para variables que toman más de dos valores, la expresión es:

El teorema de Bayes da respuesta a cuestiones de tipo causal, predictivas y de diagnóstico. En las


cuestiones causales queremos saber cuál es la probabilidad de acontecimientos que son la
consecuencia de otros acontecimientos. En las cuestiones predictivas queremos saber cuál es la
probabilidad de acontecimientos dada información de la ocurrencia de los acontecimientos
predictores. En las cuestiones de tipo diagnóstico queremos saber cuál es la probabilidad del
acontecimiento (o acontecimientos) causales o predictivos dado que tenemos información de las
consecuencias. Para resumir, en las situaciones causales o predictivas desconocemos las
consecuencias y tenemos evidencia de las causas. Por el contrario, en las situaciones de diagnóstico
desconocemos las causas y tenemos evidencia de las consecuencias.

OPCION 2

T E O R E M A D E B AY E S

Si A 1, A 2 ,... , An son:

S u c e s os i n c om p a t i bl e s 2 a 2.

Y cuya unión es el espacio muestral (A 1 A 2 ... A n = E).

Y B e s ot r o s u c e s o.

R e s ul t a q u e :
L a s p r o b a bi l i d a d e s p ( A 1 ) s e d e n om i n a n p ro b a b i l i d a d e s a p r i o r i .

L a s p r o b a bi l i d a d e s p ( A i / B ) s e d e n o m i n a n p ro b a b i l i d a d e s a p o s t e r i o r i .

L a s p r o b a bi l i d a d e s p ( B / A i ) s e d e n om i n a n v e r o s i m i l i t u d e s .

Ejemplo

Unos psicólogos especializados en el tratamiento de trastornos de personalidad están interesados en


diagnosticar el trastorno que afecta un paciente, en el que observan un conjunto de síntomas que
indican que el paciente podría sufrir el trastorno A o el trastorno B. Además saben que los
porcentajes de individuos afectados por los trastornos A, B o ningún trastorno son 10, 30 y 70.
También saben que el porcentaje de individuos afectados por el trastorno A y que muestran el
síntoma X es igual al 60%, el porcentaje de individuos que sufren el trastorno B y muestran el
síntoma X es el 30% y el porcentaje de individuos no afectados que muestran los síntomas de
trastorno es el 10%. Resumiendo, la información que disponemos es:

Sustituyendo en el teorema de Bayes:

la probabilidad de que el individuo padezca el trastorno A es 0.27. Las probabilidades de que esté
afectado por el trastorno B o el C son:
La conclusión es que lo más probable es que el individuo padezca el trastorno B, pero es un valor
moderado y los psicólogos piensan que hay que obtener más evidencia.

El teorema de Bayes es especialmente adecuado para actualizar las conclusiones a medida que
disponemos de nueva información. Pasado un tiempo observan que el paciente muestra un nuevo
síntoma (Y), y saben que presentan Y el 70% de los individuos que sufren el trastorno A, el 20% de
los individuos que sufren B y el 10% de los individuos que padecen el trastorno C. Para obtener las
probabilidades incorporando la nueva información hacemos que las probabilidades posteriores
pasen a ser las probabilidades previas:

Una vez hechos los cálculos la probabilidad de que el individuo esté afectado por el trastorno A ha
pasado de 0.27 a 0.62

Ejemplos

1 E l 2 0% d e l os e m pl e a d o s d e u n a e m p r e s a s o n i n ge n i e r os y o t r o 2 0% s o n
e c o n o m i s t a s . El 7 5 % d e l o s i n g e ni e r o s o c u p a n u n p u e s t o di r e c t i v o y e l 5 0% d e
l o s e c o n o m i s t a s t a m b i é n, m i e nt r a s q u e l o s n o i n g e n i e r o s y l os n o e c o n o m i s t a s
s ol a m e n t e e l 2 0 % o c u p a u n p u e s t o di r e c t i v o. ¿ C u á l e s l a p r o b a bi l i d a d d e q u e
u n e m pl e a d o d i r e c t i v o e l e g i d o a l a z a r s e a i n ge n i e r o ?
2 L a pr o b a b i l i d a d d e q u e ha y a u n a c c i d e n t e e n u n a f á br i c a q ue d i s p o n e d e
a l a r m a e s 0. 1 . L a pr o b a b i l i d a d d e q u e s u e n e e s t a s í s e h a p r o d u c i d o a l g ú n
i n c i d e nt e e s d e 0 . 9 7 y l a p r o b a b i l i d a d d e q u e s ue n e s i n o h a s u c e d i d o n i n g ú n
i n c i d e nt e e s 0. 0 2 .

E n e l s u p u e s t o d e q u e h a y a f u n c i o n a d o l a a l a r m a , ¿ c uá l e s l a p r o b a bi l i d a d d e
q u e n o ha y a h a bi d o ni n g ú n i n c i d e nt e ?

Sean los sucesos:

I = P r o d u c i r s e i n c i de n t e .

A = Sonar la alarma.
Ejercicio 1

Una empresa que fabrica camisetas posee tres máquinas, A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas en la fábrica. Los porcentajes de producción
defectuosa de estas máquinas son del 3%, 4% y 5% respectivamente.

a. Seleccionamos una camiseta al azar; calcular la probabilidad de que salga defectuosa.


b. Tomamos, al azar, una camiseta y resulta ser defectuosa; calcula la probabilidad de haber
sido producida por la máquina B.
c. ¿Qué máquina tiene la mayor probabilidad de haber producido una camiseta defectuosa?

Solución:

Sea D= "la camiseta defectuosa" y


N= "la camiseta no es defectuosa". La

información del problema puede

expresarse en el diagrama de árbol adjunto.

a. Para calcular la probabilidad de que la


camiseta elegida sea defectuosa, P(D),
por la propiedad de la probabilidad total,

P(D) = P(A) · P(D/A) + P(B) · P(D/B) + P(C) · P(D/C)


= 0.45 · 0.03 + 0.30 · 0.04 + 0.25 · 0.05 = 0.038

b. Debemos calcular P(B/D). Por el teorema de Bayes,

c. Calculamos P(A/D) y P(C/D), comparándolas con el valor de P(B/D) ya calculado.


Aplicando el teorema de Bayes, obtenemos:
La máquina con mayor probabilidad de haber producido una camiseta defectuosa es A

Ejercicio 2:

Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra y C con 2 bolas
rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha sido roja, ¿cuál es
la probabilidad de haber sido extraída de la urna A?
Solución:

Llamamos R= "sacar bola roja" y N= "sacar

bola negra". En el diagrama de árbol adjunto

pueden verse las distintas

probabilidades de ocurrencia de los sucesos R


o N para cada una de las tres urnas.
La probabilidad pedida es P(A/R). Utilizando
el teorema de Bayes, tenemos:
TEORIA DE CONJUNTOS
Rama de las matemáticas a las que el matemático Georg Ferdinand Ludwing Philipp Cantor es el padre de la
Teoría de Conjuntos, dio su primer tratamiento formal en 1870. El concepto de conjunto es uno de los más
fundamentales en matemáticas, incluso más que la operación de contar, pues se puede encontrar implícita o
explícitamente, en todas las ramas de las matemáticas puras y aplicadas. En su forma explícita, los principios
y terminología de los conjuntos se utilizan para construir proposiciones matemáticas más claras y precisas y
para explicar conceptos abstractos como el infinito.

La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un cierto tipo de objetos
llamados conjuntos y algunas veces, a otros objetos denominados no conjuntos, así como a los problemas
relacionados con estos.

El concepto de conjunto es intuitivo y se podría definir como una "agrupación bien definida de objetos no
repetidos y no ordenados"; así, se puede hablar de un conjunto de personas, ciudades, gafas, lapiceros o del
conjunto de objetos que hay en un momento dado encima de una mesa. Un conjunto está bien definido si se
sabe si un determinado elemento pertenece o no al conjunto. El conjunto de los bolígrafos azules está bien
definido, porque a la vista de un bolígrafo se puede saber si es azul o no. El conjunto de las personas altas no
está bien definido, porque a la vista de una persona, no siempre se podrá decir si es alta o no, o puede haber
distintas personas, que opinen si esa persona es alta o no lo es. En el siglo XIX, según Frege, los elementos de
un conjunto se definían sólo por tal o cual propiedad. Actualmente la teoría de conjuntos está bien definida
por el sistema ZFC. Sin embargo, sigue siendo célebre la definición que publicó Cantor.

¿QUE ES UN CONJUNTO?

Un conjunto es la agrupación, clase, o colección de objetos o en su defecto de elementos que pertenecen y


responden a la misma categoría o grupo de cosas, por eso se los puede agrupar en el mismo conjunto. Esta
relación de pertenencia que se establece entre los objetos o elementos es absoluta y posiblemente discernible
y observable por cualquier persona. Entre los objetos o elementos susceptibles de integrar o conformar un
conjunto se cuentan por supuesto cosas físicas, como pueden ser las mesas, sillas y libros, pero también por
entes abstractos como números o letras.

Los conjuntos son materia de estudio de las matemáticas.


CLASES DE CONJUNTOS

Conjunto Finito: Es el conjunto al que se le puede determinar su cardinalidad o puede llegar a contar su
ultimo elemento.

Ejemplo:

M= {*/x es divisor de 24}

M= {1,2,3,4,6,8,12,24}

Conjunto Infinito: Es el conjunto que, por tener muchisimos elementos, no se le puede llegar a contar su
ultimo elemento.

Ejemplo:

A= {*/x sea grano de sal}

Conjunto Vacio: Es el conjunto cuya cardinalidad es cero ya que carece de elementos. El simbolo del conjunto
vacio O o { }.
Ejemplo:

C={*/x sea habitantes del sol}

Conjunto Unitario: Es el conjunto que solo tiene un elemento. Su cardinalidad es uno (1).

Ejemplo:

D={*/x sea vocal de la palabra "pez"}

DETERMINACIÓN DE UN CONJUNTO

Hay tres formas de determinar conjuntos.

 Forma Enumerativa, por Extension ó Forma Tabular:

La representacion enumerativa de un conjunto consiste en escribir uno a uno los elementos que conforman un
conjunto dado.

Ejemplo:
A = { a, e, i, o, u }
B = { 0, 2, 4, 6, 8 }
C = { c,o , n, j, u, t, s } En un conjunto determinado por extensión no se repite un mismo elemento.

 Por Comprension ó Forma Descriptiva:

Esta forma consiste en determinar la caracteristica comun entre los elementos que posee un conjunto.

Ejemplo:
A = { x/x es una vocal }
B = { x/x es un número par menor que 10 }
C = { x/x es una letra de la palabra conjuntos }

 Forma Grafica:

En esta forma se representa mediante una superficie limitada por una línea. En su interior se colocan los
elementos del conjunto. Cada porción del plano limitada se nombra con una letra mayúscula.

Ejemplo:
OPERACIONES CON CONJUNTOS

UNION DE CONJUNTOS:

La unión de los conjuntos A y B es el conjunto formado por todos los elementos que pertenecen a A o a B o a
ambos. Se denota: A U B. La unión de conjuntos se define como:

A U B = {x / x € A o x € B}

EJEMPLOS:

Dados los conjuntos: A = { 0, 1, 2, 3, 4, 5 }, B = { 0, 2, 4 } y C = { 5, 6, 8 }

a) A U C b) B U C
 A = { 0, 1, 2, 3, 4, 5 } y C = { 5, 6, 8 }
A U C = { 0, 1, 2, 3, 4, , 6, 8 }

B = { 0, 2, 4 } y C = { 5, 6, 8 }

B U C = { 0, 2, 4, 5, 6, 8 } B U C = {x/x € N y x > 0 < 8 }

INTERSECCION DE CONJUNTOS:

La interseccion es el conjunto formado por los elementos que son comunes entre dos o mas conjuntos dados.
Se denota por A B, que se lee: A intersección B. La intersección de A y B también se puede definir:

A B = { x / x €Ay x € B }

EJEMPLOS:

Dados los conjuntos: A = { 0, 1, 2, 3, 4, 5 }, B = { 3, 5, 7 } y C = { 2, 4 }

a) A C b) B C

A = { 0, 1, 2, 3, 4, 5 } y C = { 2, 4 }

A C={2,4}

B = { 3, 5, 7 } y C = { 2, 4 }

B C = { O }

DIFERENCIA DE CONJUNTOS:

Se denomina diferencia de dos conjuntos A y B al conjunto formado por todos los elementos de A pero que no
pertenecen a B.

La diferencia se denota por: A - B que se lee: A diferencia B o A menos B. Se define la diferencia de dos
conjuntos también como:
A - B = {x / x € A y x B}

A- B

EJEMPLOS:

Dados los conjuntos: A = { a, b, c, d, e }, B = { a, e } y C = { d, f, g }


a) A - C b) B - C

 A = { a, b, c, d, e } y C = { d, f, g }

A - C = { a, b, c, e }

B = { a, e } y C = { d, f, g }

B - C = { a, e }

DIFERENCIA SIMETRICA:

El conjunto diferencia simétrica de A y B está formado por los elementos del universo que pertenecen a uno y
solamente uno de ellos, es decir, que pertenecen a A , o a B , pero no a ambos:

EJEMPLO:

Sean:
U = { p , r , s , t }
A = { p , s }
B = { r , s }
Entonces:
COMPLEMENTO DE CONJUNTOS:

Si un conjunto A es subconjunto de otro conjunto universal U, al conjunto A' formado por todos los elementos
de U pero no de A, se llama complemento de A con respecto a U. Simbólicamente se expresa:

A' = { x/x € U y x A}

EJEMPLOS:

Sean U = { m, a, r, t, e } y A = { t, e }

Su complemento de A es: A' = { m, a, r }


Referencias
[1] Alvarez, H. Una aplicación del teorema de Bayes Revista de Educación Matemática (REM),
Vol. 14 N◦ 3 pags:19-25, ISSN: 0326-8780

[2] Bressan,A.P., Bressan, O. Probabilidad y estadística: cómo trabajar con niños y jóvenes Ed.
Novedades Educativas, 2008

[3] Durret, R. Probability: theory and examples, Cambridge U. Press. 2010.

[4] Grinstead, C., Snell, J.L. Introduction to Probability Acceso libre


http://www.dartmouth.edu/chance/teaching_aids/books_articles/
/probability_book/pdf.html

[5] Packel, E. Las matemáticas de los juegos de apuestas Ed. La tortuga de Aquiles 1995

[6] Strogatz, S. Chances are Acceso libre http://opinionator.blogs.nytimes.com/ /


2010/04/25/chances-are/
[7] Santaló, L. Matemática para no matemáticos en Didáctica de las matemáticas: aportes y
reflexiones, Parra, C. y Saiz, I. (comp.) Ed. Paidós, 2008

S-ar putea să vă placă și