Professional Documents
Culture Documents
El conocimiento de estas herramientas de prediccin permiten a las empresas estimar la demanda de un producto, conocer en que horario las personas tienen preferencia para ver la tele; tambin el gobierno (federal, estatal o municipal), hace estimaciones en los sectores social, cultural y econmico sobre la aplicacin de un programa.
En particular para que sirve conocer estas herramientas de probabilidad? La respuesta a esta interrogante, la conoceremos mas adelante despus de ver todo el trabajo completo-
( )
La probabilidad condicional muestra como la ocurrencia de un suceso afecta a la probabilidad del otro. La formula de la probabilidad condicionada es la siguiente: ( ) ( ( ) )
El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando se posee nueva informacin.
Teorema de Bayes ( ) ( ) ( ( ) ( ) ) ( ) ( )
( )
Funcin de probabilidad (W ikipedia, 2013) Se llama funcin de probabilidad de una variable aleatoria discreta X a la aplicacin que asocia a cada valor de x i de la variable su probabilidad p i . 0 pi 1 p1 + p2 + p3 + + pn = pi = 1 En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una funcin gaussiana. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes.
P( A)
N ( A) N (S )
Definicin Axiomtica de la probabilidad: Segn esta definicin, que sintetiza en smbolos las conclusiones de las
A : conjunto de todos los eventos posibles definidos en S Se establece una correspondencia entre el conjunto de todos los posibles eventos de un espacio muestral S y el intervalo [0, 1] de los nmeros reales por lo cual a cada evento A perteneciente a A , se asocia un valor del intervalo [0, 1] el cual es llamado probabilidad de A. La funcin P satisface tres axiomas (propiedades de la aplicacin): Axiomas P(S) = 1
Probabilidad
condicional.
Se conoce que en un espacio muestral determinado pueden definirse un conjunto de eventos y hasta ahora solo haba interesado calcular la probabilidad de cualquiera de esos eventos sin relacionarlos unos con otros; esto es, la probabilidad absoluta de un evento. Sin embargo pudiera ser de inters calcular la probabilidad de que ocurra un evento de cierto espacio muestral S a la luz de que otro evento de ese mismo espacio S ocurra. Teorema de Bayes En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en 1763 que expresa la probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A. En trminos ms generales y menos matemticos, el teorema de Bayes es de enorme relevancia puesto que vincula la probabilidad de A dado B con la
probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene gripe, se podra saber (si se tiene algn dato ms), la probabilidad de tener gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la comprensin de la probabilidad de aspectos causales dados los efectos observados.
Variable aleatoria Definicin: Una variable aleatoria es una funcin que asocia un valor numrico real a cada resultado de un fenmeno aleatorio. Observar como mediante la utilizacin del concepto de variable aleatoria se puede expresar de una manera ms simple a los eventos: Existen dos tipos de variable aleatoria:
Variable Aleatoria Discreta: Aquella que toma determinados valores; toma valores aislados, a saltos. Ejemplos de este tipo de variable aleatoria son las variables definidas cantidad de estrellas obtenidas al lanzar dos monedas y cantidad de personas que llegan a una cola en un tiempo t Variable Aleatoria intervalo dado. Un ejemplo de ellas es el definido anteriormente como tiempo de trabajo sin fallo de cierto equipo Las variables aleatorias se acostumbran a denotar mediante las ltimas letras de nuestro alfabeto en mayscula (X, Y, Z, etc) y para referirse a sus posibles valores se utilizan las minsculas correspondientes: X=x1; x2; x3; se entiende como Continua: Aquella que toma todos los valores en un
que la variable aleatoria X toma los valores x1, x2 y x3 De inmediato centraremos nuestra atencin en las variables aleatorias discretas (v.a.d.). Distribucin de probabilidad Los eventos (X=0); (X=1) y (X=2) forman para este experimento un "grupo
completo de eventos" y por consiguiente, al obtener las probabilidades de esos eventos, se ha obtenido una "distribucin fenmeno. Especficamente, este tipo de de probabilidad" distribucin de del referido
probabilidad
asociada a variable aleatoria discreta recibe el nombre de "Funcin de Probabilidad". En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una funcin gaussiana. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo correlacional. La distribucin normal tambin es importante por su relacin con la estimacin por
mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos. Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son: caracteres morfolgicos de individuos como la estatura; caracteres fisiolgicos como el efecto de un frmaco; caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos; caracteres psicolgicos como el cociente intelectual; nivel de ruido en telecomunicaciones; errores cometidos al medir ciertas magnitudes;etc. La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo, la distribucin muestral de las medias muestrales es
aproximadamente normal, cuando la distribucin de la poblacin de la cual se extrae la muestra no es normal.1 Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn basados en una supuesta "normalidad". En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de probabilidad continuas y discretas.
Probabilidad de coger un doble la primera vez: Probabilidad de coger un doble la primera vez dado que tom doble la 1ra. Probabilidad de coger un doble la primera vez dado que tom doble la 1ra. y la 2da. vez
7 28
6 27
5 26
2. La probabilidad de que un alumno apruebe matemticas es de 0,6, la de que apruebe lengua es 0,5 y la de que apruebe las dos es 0,3. Se elije un alumno al azar, calcule las siguientes probabilidades:
Solucin:
Eventos
Probabilidad
A: B: C= A B A B:
Aprobar matemticas Aprobar lengua Aprobar matemticas y aprobar lengua Aprobar matemticas o lengua (al menos una)
De la formula: P(A B) = P(A) + P(B) P(A B), deducimos que P(A B) = 0,6 + 0,5 0,3 = 0,8 Luego, la probabilidad de aprobar al menos una materia es 0,8
Solucin:
No aprobar ninguna es el complemento de aprobar al menos una, es decir: ~ (aprobar al menos una) = no aprobar ninguna
Sean A y B dos sucesos aleatorios con p(A) = 1/2, p(B) = 1/3, p(A Determinar:
1
B)= 1/4.
Un estudiante cuenta, para un examen con la ayuda de un despertador, el cual consigue despertarlo en un 80% de los casos. Si oye el despertador, la probabilidad de que realiza el examen es 0.9 y, en caso contrario, de 0.5. 1 Si va a realizar el examen, cul es la probabilidad de que haya odo el despertador? Teorema de Bayes
FUNCIONES DE DISTRIBUCION DE UNA VARIABLE ALEATORIA (Spiegel, 1970) Problema. Sea X una variable aleatoria discreta cuya funcin de probabilidad es:
a) b)
Calcular la funcin de distribucin Calcular las siguientes probabilidades: p (X < 4.5) p (X 3) p (3 X < 4.5)
x 0 1 2 3 4 5
p (X < 4.5)
p (3 X < 4.5) p (3 X < 4.5) = p (X < 4.5) - p(X < 3) = 0.9 - 0.4 = 0.5
DISTRIBUCION NORMAL (MEYER, 1992) 1) En una distribucin normal de media 4 y desviacin tpica 2, calcular el valor de a para que: P(4a x 4+a) = 0.5934
Solucin
En una distribucin normal de media 4 y desviacin tpica 2, calcular el valor de a para que: P(4a x 4+a) = 0.5934
2) En una ciudad se estima que la temperatura mxima en el mes de junio sigue una distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de das del mes en los que se espera alcanzar mximas entre 21 y 27
Solucin En una ciudad se estima que la temperatura mxima en el mes de junio sigue una distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de das del mes en los que se espera alcanzar mximas entre 21 y 27
Conclusiones
Con todo lo aprendido, podemos concluir que la probabilidad es una rama de la matemtica de suma importancia; que en realidad es de mucha utilidad para interpretar y ver desde un punto de vista muy general datos que se estiman a partir de sus respectivos porcentajes, que tienen como un peso o jerarqua. A travs del clculo de probabilidad simple, la condicional, el uso del Teorem de Bayes para eventos dependientes; para concluir en las variables aleatorias discretas que se aplican cuando lo que se desea conocer son las probabilidades. En concreto, cuando un conjunto de datos que se nos hacen muy complicados, en resumen son mtodos muy efectivos para ayudarnos a estimar suposiciones. Con lo referente a la distribucin normal, permite conocer si un producto o varios cumplen con la calidad requerida. La representacin grfica de la distribucin de probabilidades nos da una tendencia de los datos, que servir par mas adelante aplicar estos conocimientos para la solucin de problemas, en donde tengamos que tomar decisiones.
Fuentes consultadas
1. Spiegel, Murray. 1970. Probabilidad y Estadistica. McGraw-Hill, Mxico. 2. MEYER, P. "Probabilidad y Aplicaciones Estadsticas". Fondo Educativo Interamericano. Mxico. 1992.