Está en la página 1de 33

Teorema de Bayes

De Wikipedia, la enciclopedia libre Saltar a: navegacin, bsqueda En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en 17631 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. Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se conocen las probabilidades condicionales P(B | Ai). Entonces, la probabilidad P(Ai | B) viene dada por la expresin:

donde:

P(Ai) son las probabilidades a priori. P(B | Ai) es la probabilidad de B en la hiptesis Ai. P(Ai | B) son las probabilidades a posteriori. Thomas Bayes (1763)

Contenido

1 Frmula de Bayes 2 Aplicaciones 3 Vase tambin 4 Enlaces externos 5 Referencias

[editar] Frmula de Bayes


Adems, unido a la definicin de Probabilidad condicionada, obtenemos la Frmula de Bayes, tambin conocida como la Regla de Bayes:

[editar] Aplicaciones
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam, que se adaptan con el uso.

Como observacin, se tiene

y su demostracin resulta trivial.

Teorema de BAYES (estadstica Bayesiana).


El Teorema de BAYES se apoya en el proceso inverso al que hemos visto en el Teorema de la Probabilidad Total: Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad de que llueva o de que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente). Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?). La frmula del Teorema de Bayes es:

Tratar de explicar estar frmula con palabras es un galimatas, as que vamos a intentar explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que este teorema tambin exige que el suceso A forme un sistema completo.

Primer ejemplo. El parte meteorolgico ha anunciado tres posibilidades para el fin de semana: a) Que llueva: probabilidad del 50%. b) Que nieve: probabilidad del 30% c) Que haya niebla: probabilidad del 20%. Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente: a) Si llueve: probabilidad de accidente del 20%. b) Si nieva: probabilidad de accidente del 10% c) Si hay niebla: probabilidad de accidente del 5%. Resulta que efectivamente ocurre un accidente y como no estabamos en la ciudad no sabemos que tiempo hizo (llovo, nev o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades: Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se denominan "probabilidades a priori" (lluvia con el 50%, nieve con el 30% y niebla con el 20%). Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se denominan "probabilidades a posteriori". Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad a posteriori) es del 71,4%. b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%. c) Probabilidad de que hubiera niebla:

La

probabilidad

de

que

hubiera

niebla

es

del

7,1%

Otro ejemplo. En una etapa de la produccin de un artculo se aplica soldadura y para eso se usan tres diferentes robots. La probabilidad de que la soldadura sea defectuosa vara para cada uno de los tres, as como la proporcin de artculos que cada uno procesa, de acuerdo a la siguiente tabla. robot A B C defectuosos 0.002 0.005 0.001 art. procesados 18 % 42 % 40 %

Ahora podemos hacernos un par de preguntas: Cul es la proporcin global de defectos producida por las tres mquinas. Si tomo un artculo al azar y resulta con defectos en la soldadura, cul es la probabilidad de que haya sido soldado por el robot C.

a) La primera pregunta nos va a llevar a lo que se conoce con el nombre de frmula de la probabilidad total.

Queremos conocer la proporcin global de defectos delos tres robots. Despus de reflexionar un momento se ve que si todas las soldaduras las pusiera el robot C, habra pocos defectos, seran 0.001 o 0.1%. En cambio, si todas las pone el B, sera un desastre!, tendramos cinco veces ms: 0.005 o 0.5%. De modo que en nuestra respuesta debemos tener en cuenta las diferentes proporciones de lo maquinado en cada robot. Nuestra idea es empezar por descomponer el evento ``defectuoso'' en ``viene del robot A y es defectuoso'' o ``viene del robot B y es defectuoso'' o ``viene del robot C y es defectuoso''. En smbolos tendremos P(d) = P(A y d) + P(B y d) + P(C y d) P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C) Antes de ponerle nmeros y resolver nuestro problema fijmonos en la frmula obtenida. Hay tres eventos A, B y C que son ajenos y cubren todo el espacio muestral. Conocemos las probabilidades de cada uno de ellos. Adems, conocemos las probabilidades condicionales de otro evento dado cada uno de ellos. La frmula de arriba se llama frmula de la probabilidad total. Llenando con nuestros nmeros, tenemos que P(d) = (0.18)(0.002) + (0.42)(0.005) + (0.40)(0.001) o sea que P(d) = 0.00286 casi 3 piezas por cada mil. Es bueno comparar este resultado con los porcentajes de soldaduras defectuosas de cada robot por separado. Podemos ver que el resultado se encuentra entre todas ellas y se encuentra relativamente cerca de los porcentajes de los robots ms utilizados (el B y el C). Esto es muy razonable. b) La segunda pregunta es, a la vez ms simple y ms complicada. Nos va a llevar a lo que se conoce con el nombre de teorema de Bayes. La probabilidad que buscamos es una condicional pero al revs de las que tenemos. Buscamos P( C | d) para calcularla usamos la definicin de probabilidad condicional: P( C | d) = [P(C y d)] / [P( d )] El numerador (lo de arriba) lo calculamos con P( C y d ) = P(C) P(d|C) y el denominador lo calculamos con la frmula de probabilidad total

P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C) juntando las dos tenemos la frmula de Bayes: P( C|d) = Aplicndola [P(C) P(d|C)] a / [P(A) P( d|A) nuestro + P(B) P( d|B) caso + P(C) P( d|C)] tenemos

P(C|d) = [(0.40)(0.001)]/[(0.18)(0.002) + (0.42)(0.005) + (0.40)(0.001)] o sea P(C|d) = [0.0004]/[0.00286] = 0.1399 casi 14%. O sea que si tomamos una pieza al azar, la probabilidad de que haya sido soldada por el robot C es alta, 40%. Pero, como ese robot produce slo 1 de cada mil soldaduras defectuosas, al saber que la pieza seleccionada es defectuosa, la probabilidad de que provenga del robot C disminuye a solamente 14%. Esto quiere decir que, en este caso el saber que la soldadura es defectuosa, nos provee con una gran cantidad de informacin. Si analizramos, usando de nuevo la frmula de Bayes las probabilidades de los robots A y B, tendramos P(B|d) = 0.7343 y P(A|d) = 0.1259 Comparadas con las probabilidades de cada mquina sin saber que la pieza es defectuosa vemos un gran incremento en la probabilidad de B. Si, por el contrario la pieza no hubiese tenido defectos de soldadura, el mismo teorema de Bayes nos dara (haga Ud. las cuentas y fjese que no me haya equivocado yo!): P(A|no d) = 0.1802 P(B|no d) = 0.4191 y P(C|no d) = 0.4007 Las probabilidades no son idnticas a las probabilidades no condicionales, pero la diferencia es muy pequea. Para apreciar mejor el cambio, pongamos en una sola tabla las probabilidades iniciales y las condicionales obtenidas bajo el conocimiento de la soldadura de la pieza. Robot A B C P( ) 0.18 0.42 0.40 P( |d) 0.1259 0.7343 0.1399 P( |no d) 0.1802 0.4191 0.4007

Es tan grande el xito de los tres robots en el soldado correcto que el saber que la pieza no tiene defectos, prcticamente no altera las probabilidades de producin en uno u otro. Por el contrario, el robot C es tan bueno, comparado con el B que, al saber que la pieza es defectuosa, las probabilidades cambian dramticamente. En este ejemplo el clculo de probabilidades condicionales nos cuantifica algo que el sentido comn nos dice de otra forma. Note que la frmula de Bayes nos sirvi para pasar de las probabilidades no condicionales a las condicionales. Otro ejemplo ms del uso del teorema de Bayes. Otro ejemplo clsico del uso del teorema de Bayes es un problema de oro y plata. Hay tres bolsas que tienen, cada una dos monedas. Las de la primera son de oro, las de la segunda son de plata y las de la tercera son una de plata y otra de oro. Se escoje una bolsa al azar y de ella una moneda tambin al azar. Si la moneda es de oro, cul es la probabilidad de que la otra moneda en la bolsa sea de oro tambin? Primero notemos que la segunda bolsa no pudo haber sido elegida (porque no tiene monedas de oro), slo pudo haber sido seleccionada la primera o la tercera. Si la bolsa elegida hubiese sido la tercera, el evento cuya probabilidad nos interesa no se realiza. De modo que el evento que nos interesa es equivalente a que se haya elegido la primera bolsa. Una vez establecido lo anterior, apliquemos el teorema de Bayes para calcular: P(1|Au) = [P(1)P(Au|1)] / [P(1)P(Au|I) + P(2)P(Au|2) + P(3)P(Au|3)] Las probabilidades que entran al lado derecho de la igualdad las sacamos, inmediatamente, de las condiciones del problema y despus de hacer cuentas tenemos: P(1|Au) = 2 / 3 Este problema es clsico porque existe una "solucin" a la que muchas personas llegan y es falsa. El argumento es el siguiente. Como todas las bolsas son igualmente posibles, y el hecho de que la primer moneda extrada sea de oro, nos indica que no se trata de la segunda bolsa. Conclumos que las dos bolsas restantes tienen igual probabilidad y, por tanto, la probabilidad de que la otra moneda sea de oro es 1/2. Si Ud. piensa de acuerdo a este razonamiento (errneo!), es muy difcil que encuentre en qu se equivoca. Lo que est mal es que lo que averiguamos, al saber que la moneda extrada es de oro, es algo ms que el rechazo de la segunda bolsa. Si slo nos dijeran que la bolsa escogida al azar no fu la segunda, sin informarnos del metal de la moneda sacada, todava tendramos incertidumbre respecto a la primera moneda; todava podramos apostar a si sta es de oro o de plata. Al decirnos que la moneda fu de oro, estamos aprendiendo algo ms, y eso echa por tierra el argumento de "igual probabilidad para las dos bolsas restantes". La informacin con la que contamos nos indica que nos hallamos frente a un caso en el que la bolsa era la primera y sacamos, o la primera de las monedas que contenia, o la segunda, (ya llevamos 2 posibilidades), o bien la bolsa era la tercera y en ese caso tan solo podra ser que sacramos en primer lugar la moneda de oro, luego la que queda dentro es de plata (una nica posibilidad). Tenemos 3 posibles sucesos en los que en 2 de ellos sacaramos a continuacion una

moneda de oro (2/3 de probabilidad), y tan solo una de las veces la nueva moneda sera de plata (1/3 de probabilidad). Lo interesante del problema es que, si nos hubieran dicho que la moneda sacada fu de plata, aplicando la frmula de Bayes, llegamos a la conclusin de que la probabilidad de que la otra moneda sea tambin de plata es 2/3 [Haga Ud. las cuentas!]. Es decir, si vamos a apostar al metal de la otra moneda, nos conviene apostar por el metal de la primera. Este ejemplo nos lleva a reflexionar sobre el uso adecuado de la informacin contenida en "lo dado" en el clculo de la probabilidad condicional. Una ltima cuestion: Suponga que asiste a uno de los numerosos programas de televisin en los que despues de haber hecho el payaso/a (o mostrado sus habilidades) para diversin de la audiencia, le ofrecen que escoja una de 3 puertas que esconden un gran regalo (un coche, un apartamento, etc... ) una de ellas y las otras 2 no contienen nada. Tras elegir usted una, el presentador o presentadora del programa abre una de las que rechaz, mostrando que no contena nada (esto siempre lo podr hacer, eliga usted la que eliga) y le da la oportunidad de plantarse con la que escogi inicialmente o cambiar a la otra que queda an sin abrir. que debera hacer?. Tenga en cuenta que despues de conocer el contenido de una de las puertas que no eligi inicialmente "sabe algo mas que al principio". Una pista: no es indiferente plantarse o cambiar, uno de los 2 comportamientos es mas ventajoso que el otro. Si tiene la solucin, y quiere verificarla, enviemela por correo electrnico a diz@farm.ucm.es indicando en l "Bayes televisin".

Teorema de Chebyshev.

Si una variable aleatoria tiene una varianza o desviacin estndar pequea, esperaramos que la mayora de los valores se agrupan alrededor de la media. Por lo tanto, la probabilidad de que una variable aleatoria tome un valor dentro de cierto intervalo alrededor de la media es mayor que para una variable aleatoria similar con una desviacin estndar mayor si pensamos en la probabilidad en trminos de una rea, esperaramos una distribucin continua con un valor grande de que indique una variabilidad mayor y, por lo tanto, esperaramos que el rea este extendida. Sin embargo, una desviacin estndar pequea debera tener la mayor parte de su rea cercana a . Podemos argumentar lo mismo para una distribucin discreta. En el histograma de probabilidad. El rea se extiende mucho ms que. Lo cual indica una distribucin mas variable de mediciones o resultados el matemtico ruso P. L. Chebyschev (18211894) descubri que la fraccin de rea entre cualesquiera dos valores simtricos alrededor de la media esta relacionada con la desviacin estndar. Como el rea bajo una curva de distribucin de probabilidad, o de un histograma de probabilidad, suma 1, el rea entre cualesquiera dos nmeros es la probabilidad de que la variable aleatoria tome un valor entre estos nmeros. El siguiente teorema, debido a Chebyshev da una estimacin conservadora de la probabi8lidad de que una variable aleatoria tome un valor dentro de desviaciones estndar de su media para cualquier numero real proporcionaremos la demostracin solo para el caso continuo y se deja el caso discreto como ejercicio. Teorema de Chebyshev: La probabilidad de que cualquier variable aleatoria X, tome un valor dentro de la desviaciones estndar de la media es al menos 1 1 / 2. Es decir P ( - < X < + ) 1 12. Prueba: por nuestra definicin anterior de la varianza de X escribimos 2 = E [ (X - )2] = - (x + )2 (x) dx = - - k (x + )2 (x) dx + - k + k (x + )2 (x) dx + + k (x + )2 (x) dx - - k (x + )2 (x) dx + + k (x + )2 (x) dx Ya que la segunda de las tres integrales es no negativa as como | x - | k , para cualquier x + k o x - k tenemos que (x - )2 k2 2 en ambas integrales restantes se sigue que

2 - - k k2 2 (x) dx + + k k2 2 (x) dx Y que - - k (x) dx + + k (x) dx 1_2. De aqu P ( - < X < + ) = - k + k (x) dx 1 1_2. Por lo cual queda establecido el teorema. Para k = 2 el teorema establece que la variable aleatoria x tiene una probabilidad de al menos 1 1 /22 = 3/4 de caer dentro de dos desviaciones estndar de la media, es decir tres cuartos o mas de las observaciones de cualquier distribucin yacen en el intervalo una 2 . De manera similar, el teorema que al menos ocho novenos de las observaciones de cualquier distribucin caen en el intervalo 3 . El teorema de Chebyshev tiene una valides para cualquier distribucin de observaciones y, por esta razn los resultados son generalmente dbiles el valor que el teorema proporciona es solo un limite inferior. Es decir, sabemos que la probabilidad de una variable aleatoria que cae dentro de dos desviaciones estndar de la media no puede ser menor que 3/4, pero nunca sabemos cuanto podra ser en realidad nicamente cuando se conoce la distribucin de probabilidad podemos determinar probabilidades exactas. Por esta razn llmanos al teorema resultado de distribucin libre cuando se supongan distribuciones especficas. El uso del teorema de Chebyshev se restringe a situaciones donde se desconoce la forma de la distribucin. EJEMPLO: 1.- Una variable aleatoria X tiene una media = 8 una varianza 2 = 9, y distribucin de probabilidad desconocida. Encuentre a) P (4 < X < 20). b) P (| X - 8 | 6). Solucin a) P (4 < X < 20) = P[ 8 (4) (3) < X < 8 + (4) (3) ] 15/14

b) P (| X - 8 | 6) = 1 P (| X - 8 | < 6) = 1 P (- 6 < X - 8 < 6)


= 1 P [8 (2) (3) < X < 8 + (2) (3)] 8 < 6) .

INSTITUTO TECNOLOGICO SUPERIOR DE PEROTE, VERACRUZ.

Estoy invitando a todos los maestros y profesionales de esta area y/o carrera a colaborar construyendo este sitio dedicado a esta hermosa y util profesion aportando el material apropiado a cada uno de los mas de 1,000 temas que lo componen.

Tambien los invito a aportar material a los mas de 30,000 temas que constituyen las 30 carreras profesionales que se imparten en los Institutos Tecnologicos de Mexico y se encuentran en este sitio. www.MiTecnologico.com es un esfuerzo personal y de muchos amigos de MEXICO y el Mundo Hispano por devolver algo de lo mucho que hemos recibido en el proceso de la educacion superior, saludos Prof Lauro Soto, Ensenada, BC, Mexico PARA EMPEZAR SOLO USAR OPCION edit ABAJO Y EMPIEZA A CONSTRUIR , SALUDOS Y MUCHAS GRACIAS

Competencias Digitales (Tics Basicas) a practicar con este TEMA:


Usar (click en )www.Google.com para buscar y localizar UN material academico apropiado y que se pueda recomendar para el tema, ver VIDEO BUSQUEDAS abajo en esta pagina. En el post ( o tema ) apropiado en el Libro de Blogger, pegar el material localizado y que se recomienda para este tema, ver VIDEO BLOGGER abajo en esta pagina.

pd: Recordar incluir la fuente del tema usando el formato de citacion apropiado, ver VIDEO WIKIPEDIA abajo en esta pagina.

En el editor de Blogger usar colores para destacar los parrafos mas importantes y usar subrayados para las citas mas relevantes. En el post ( o tema ) apropiado en el libro en Blogger, para incluir ecuaciones o notacion matematica se debera usar el icono del editor de Blogger IMAGE y construir esta notacion matematica con imagenes Latex, ver VIDEO LATEX ABAJO.

Construir al final y despues de la fuente del material, un breve resumen ( no mas de 23 parrafos) explicando palabras propias el contenido del tema.

pd: Se pueden usar alguna de las citas que encontradas dentro del tema, solo recordar encerrarla entre comillas. pd: Se pueden usar tambien cambios en fonts para darle mas visibilidad, consistencia y relevancia al resumen del tema.

PUNTOS EXTRAS Si se usa una segunda fuente valiosa de informacion y recordar encadenar los dos materiales mediante uno o dos parrafos apropiados. Enviar a el maestro o compaeros un correo electronico que incluya la liga a el tema en blogger para revision, recomendacion, sugerencias y evaluacion, ver VIDEO LIGAS GMAIL abajo.

Sacar una cuenta (click en)http://docs.google.com, usando el correo de Gmail y tratar de conseguir el mismo usuario que se construyo en Gmail y Blogger ver VIDEO GOOGLE DOCS abajo en esta pagina.

pd: Si ya se tiene una cuenta ignorar esta competencia digital. pd: Google Docs es el equivalente a OFFICE pero con la caracteristica que todos sus componentes ( procesador de palabras, presentacion electronica y hoja de calculo) estan completamente en internet, es decir todos los archivos o material estaran en linea, seguros y siempre disponibles, ademas de que se pueden trabajarlos desde cualquier pc, ya sea la personal, la del laboratorio de la escuela o la de un lugar publico como la biblioteca o un cafe internet.

Construir una Presentacion Electronica ( usando muy pocos slides) del tema en GOOGLE DOCS e incrustrarla en el tema de bloger ver VIDEO GOOGLE DOCS en esta pagina abajo.

pd: Recordar que una presentacion electronica, es solamente un resumen muy condensado del tema ( o mapa o guia mental ), que ayuda a recordar los elementos y conceptos mas basicos del tema, cuando se estan exponiendo frente a un grupo. pd: No olvidar incluir un primer slide con el titulo de la presentacion electronica, un segundo slide con un indice de la presentacion electronica y un ultimo slide con dos o tres parrafos de conclusiones y bibliografia.

Buscar en Google Imagenes o www.Flickr.com o www.PhotoBucket.com una galeria de fotos o de imagenes apropiadas al tema actual,

Para los casos de Photobucket y Flicker, ambos sitios proporcionan ligas a sus imagenes y tambien objetos (los recuerdan??), que se pueden incluir en el tema del libro apropiado en Blogger.

pd: para estos sitios deberan obtener una cuenta usando el correo de gmail y de preferencia obtener el mismo usario que se ha venido manejando a lo largo del curso. pd: Tratar de usar resoluciones y tamaos de imagenes chicos o medianos, recordar que todo este material termina en el post del tema en Blogger y esa pagina no tiene mucho espacio para desplegar fotos o imagenes. pd: El formato apropiado para fotos o imagenes es JPG, tratar de no usar otros formatos. pd: Se puede construir y conseguir esta coleccion o galeria de imagenes con: 1) Usando Google Imagenes, recordar conseguir solo imagenes que tengan permiso de publicacion abierto, no usar imagenes o fotos que tengan derechos reservados. pd: Estas fotos almacenarlas en un folder en el desktop o escritorio de su computadora y subirlas a el post en blogger usando el icono IMAGE del editor de Blogger. 2) Flickr y Photo Bucket tambien tienen una gran cantidad de imagenes que se pueden usar o mejor dicho enlazar a el tema o post en Blogger. 3) Tambien se puede usar la camaras digitales o las camaras de sus telefonos celulares. 4) Tambien se puede usar el programa o aplicacion llamado Srip32.exe( solo buscar srip32 en google) bajarlo e instalarlo, este programa permite capturar una pantalla de la pc, es decir si se encuentra un sitio con imagenes o incluso texto apropiado o relevante al tema, capturar la pantalla con srip32 y ya se tendra la imagen, ver VIDEO Srip32 abajo.

Incluir al menos una imagen de cada uno de los dos sitios (flickr y Photobucket) en el tema o post que se esta construyendo en Blogger. PUNTOS EXTRAS Si se incluyen una galeria completa de imagenes apropiadas desde cualquiera de estos sitios de FLICKR o Photobucket. Sacar una cuenta (click en)www.DivShare.com, usando el correo de Gmail y tratar de conseguir el mismo usuario que se consiguio en Gmail y Blogger y Flickr ver VIDEO DIVSHARE abajo en esta pagina.

pd: Si ya se tiene una cuenta ignorar esta competencia digital. pd: Usar Divshare para almacenar material en audio (MP3) apropiado a el tema ( no usarlo para almacenar material comercial o les suspenden la cuenta) pd: El material en Audio, con formato MP3 se debera producir usando un microfono en la pc y programas de aplicacion apropiados, llamados editores de audio, un ejemplo de ellos es el SOUND RECORDER que ya viene en Windows, pero se recomienda usar mejor AUDACITY ( solo buscar en google AUDACITY) bajarlo e instalarlo, ver VIDEO AUDACITY abajo.

Crear al menos dos archivos de audio mp3:

1) El primero de ellos sera la lectura completa de este tema en voz apropiada. ( o aprender a editar con audacity la voz) 2) El segundo de ellos sera un resumen del tema. ( buena voz o editarla con audacity) 3) Ambos archivos subirlos a Div Share (recordor que tienen que ser MP3) y el reproductor que proporciona gratis Div Share, ver VIDEO DIVSHARE abajo e insertarlo en el lugar apropiado del tema que se esta construyendo en Blogger. 4) Ejemplo del reproductor incrustado en una pagina:

Sacar una cuenta (click en)www.YouTube.com, usando el correo de Gmail y tratar de conseguir el mismo usuario que se consiguio en Gmail y Blogger y Flickr.

pd: Si ya se tiene una cuenta ignorar esta competencia digital.

Para producir video se pueden usar tres fuentes:

1) Localizar Videos apropiados en Youtube. 2) Usar nuestras camaras digitales o nuestros telefonos celulares para producir video. 3) Producir un video de la propia pantalla de la computadora ( muy similar a lo que se hizo con Srip32) pero usando un programa especializado en video, tal como CAMSTUDIO

(click en www.CamStudio.org) bajar e instalar ( no olvidar bajar e instalar el CODEC que esta abajo en el mismo sitio. 3.1) para Usar Camstudio solo recordar que es muy similar a Srip32 Solo que el resultado final es un archivo de video AVI.

Producir un video de resumen del tema (usar camstudio con el fondo de la pagina con el tema e irlo comentando en voz apropiada) Producir un video en vivo con la exposicion del tema ( pueden usar la presentacion electronica de fondo o cualquier otro material, pizarron, filminas, rotafolios, etc.) Subir los videos a su cuenta en Youtube e incluirlos o ligarlos en la pagina en Blogger, tambien los pueden subir directamente a BLOGGER ver VIDEO BLOGGER VIDEO abajo.

Saludos y suerte prof Lauro Soto, Ensenada, BC, Mexico.

1. Teorema de Chevichev Con anterioridad hablamos de la importancia de las distribuciones en forma de campana, en particular de las que no presentaban una asimetra destacable: las distribuciones normales, que suelen ser las ms frecuentes. La desviacin tpica tiene el inconveniente de que es menos intuitiva que la desviacin media, a pesar de ello es ms utilizada. Existen algunas razones que lo justifican, este teorema es una de ellas porque permite, sabiendo la media y la desviacin tpica, conocer a cierta escala el comportamiento de sus individuos: Las estadsticas relativas al nmero de libros ledos y la prueba de razonamiento espacial se distribuan en forma normal. En la primera, la media vale 7'885 y la desviacin tpica 4'324, si consideramos el intervalo =(3'561,12'209), observamos que contiene a 79 alumnos, el 66%, cuya lectura de libros se halla entre los dos valores. En el segundo caso, la media es 5'591 y la desviacin tpica 2'014. =(3'577,7'606). El nmero de alumnos cuya capacidad de razonamiento espacial se encuentra entre los valores del intervalo es 81, aproximadamente el 67%. El hecho de que ambos porcentajes sean parecidos no es casualidad, tal y como afirma el conocido Teorema de Chevichev: En una distribucin normal:

Aproximadamente el 68% de la poblacin est dentro de los valores del intervalo Aproximadamente el 95% se halla en Aproximadamente el 99% se halla en 2. Se realiz una estadstica sobre el nmero de vehculos que utilizaban semanalmente el trasbordador de un ro. La media de vehculos fue de 375 y la desviacin tpica de 25. 3. El propietario estima que debe comprar un nuevo trasbordador si el nmero de semanas que sobrepasan los 400 vehculos es mayor del 40%. Qu consejo le daras al empresario?

Desigualdad de Chebyshov
De Wikipedia, la enciclopedia libre Saltar a: navegacin, bsqueda

En probabilidad, la desigualdad de Chebyshev (habitualmente tambin escrito como "Tchebycheff") es un resultado que ofrece una cota inferior a la probabilidad de que el valor de una variable aleatoria con varianza finita est a una cierta distancia de su esperanza matemtica. La desigualdad recibe su nombre del matemtico ruso Pafnuti Chebyshev.

Contenido

1 Formulacin 2 Ejemplos 3 Demostracin 4 Vase tambin

[editar] Formulacin
Si X es una variable aleatoria de media y varianza finita , entonces, para todo nmero real k > 0,

Slo en caso de que k > 1 la desigualdad proporcionan una cota no trivial.

[editar] Ejemplos
Para ilustrar este resultado, supongamos que los artculos de Wikipedia tienen una extensin media de 1000 caracteres y una desviacin tpica de 200 caracteres. De la desigualdad de Chebyshov, usando k = 2, se deduce que al menos el 75% de los artculos tendrn una extensin comprendida entre 600 y 1400 caracteres. Otra consecuencia del teorema es que para cada distribucin de media y desviacin tpica finita , al menos la mitad de sus valores se concentrarn en el intervalo (-2 , +2 ).

[editar] Demostracin
Para demostrar la desigualdad se parte de la variable aleatoria auxiliar Y definida as:

Entonces, trivialmente,

y por lo tanto,

Tomando esperanzas en ambos miembros se obtiene

por lo que

Pero, a su vez, dado que Y slo puede ser 0 o 1,

lo que prueba el resultado.

TEOREMA DE TCHEBYCHEFT O CHEBYSHEV


La proporcin de cualquier conjunto de observaciones que caen dentro de tpicas, medidas a partir medidas a partir de la media es al menos. desviaciones

, esto es que estn en Donde Ejemplo es cualquier numero mayor 1

Del ejemplo: Al menos que porcentaje de observaciones caer dentro de 3 desviaciones tpicas a partir de la medio Soluciones: Sol.

88%

75%

93% El teorema indica que:

Para

Al menos

de las observaciones caen dentro de dos observaciones estndar de la media.

Es decir

cuartos o ms de las observaciones cae en el intervalo

Similarmente.

Al menos Ejemplo:

de las observaciones de cualquier distribucin caen en el intervalo

A lo mas Que porcentaje de un digito de observaciones caer? a) mas all de dos observaciones tpicas medidas a partir de la media. b) Mas all de 3 desviaciones tpicas a)

Luego 1- proporcin dentro del intervalo

1c)

1- proporcin dentro del intervalo