Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDADES
Introducción.-
En el tema anterior, nos preocupamos únicamente en procesar y relatar un conjunto de
valores observados. A partir de este capítulo, el enfoque dado sufre una profunda
modificación, la necesidad de tomar la decisión donde las inseguridades deben ser tomadas
en cuenta.
La definición de probabilidad se produjo debido al deseo del ser humano por conocer con
certeza los eventos que sucederán en el futuro.
La probabilidad expresa el grado de certeza en que ocurrirá un determinado suceso al hacer
un determinado experimento aleatorio.
Definición Informal
Informalmente la probabilidad de un suceso es un número real entre 0 y 1 o (0% y100%), si
la probabilidad es 0, se sabe que el suceso no ocurrirá, si la probabilidad es 1, se sabe que el
suceso ocurrirá, es decir el 0 y el 1 son los casos límite.
Para valores intermedios, el suceso puede o no ocurrir. En general diremos que una
probabilidad cercana a 0 es baja, y que una probabilidad cercana a 1 es alta.
Notación: Dado un suceso A, escribimos su probabilidad como P(A)
Espacio Muestral
En la teoría de probabilidades, el espacio muestral o espacio de muestreo, consiste en el
conjunto de todos los posibles resultados de un experimento aleatorio, junto con una
estructura sobre el mismo. A cada resultado en un espacio muestral se le llama elemento o
miembro del espacio muestral, o simplemente punto muestral.
Si el espacio muestral tiene un número finito de elementos, podemos listar los miembros
separados por comas y encerrarlos entre llaves.
0 ≤ x1 ≤ U
Variables Aleatorias.-
Una variable aleatoria es una función que asigna un valor, usualmente numérico, al
resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado
dos veces o un número real (la temperatura máxima medida a lo largo del día en una ciudad
concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de
un experimento aún no realizado, o los posibles valores de una cantidad cuyo valor
actualmente existente es incierto (como resultado de medición incompleta o imprecisa).
Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es
fijo pero puede tomar diferentes valores; una distribución de probabilidad se usa para
describir la probabilidad de que se den los diferentes valores. En términos formales una
variable aleatoria es una función definida sobre un espacio de probabilidad.
Al describir una pieza manufacturada, podemos emplear las categorías “defectuosas” y
“perfectas”. También, al observar la temperatura de algún horno de fundición, en un
periodo de cuatro horas, podemos registrar los valores en una curva. De todas maneras, en
la mayoría de las situaciones experimentales, estaremos interesados en la medida o registro
de un número real.
Así, si llamáramos de un experimento £ cualquiera y de R el conjunto de los resultados
posibles, o sea, del espacio de muestras, la función x que asocia cada observación
individual a un número real x (R) es denominada variable aleatoria. La variable aleatoria es
de gran importancia y asegura cada observación individual x i pertenezca al conjunto R y
variando de 0 a U. Debido a que la función es univoca, es importante comprender que a
cada valor r corresponderá exactamente un valor de x(R). Pero diferentes valores de r
pueden tener el mismo valor x(R).
X
R
x (R)
R x (R)
x
(CC)
(CE)
(EC)
(EE) 2
1
2 0
1
0
EE )
Probabilidad.-
La probabilidad es una medida de la certidumbre asociada a un suceso o evento futuro y
suele expresarse como un número entre 0 y 1 (o entre 0 % y 100 %).
Una forma tradicional de estimar algunas probabilidades sería obtener la frecuencia de un
acontecimiento determinado mediante la realización de experimentos aleatorios, de los que
se conocen todos los resultados posibles, bajo condiciones suficientemente estables. Un
suceso puede ser improbable (con probabilidad cercana a 0), probable (probabilidad
intermedia) o seguro (con probabilidad uno).
La teoría de la probabilidad se usa extensamente en áreas como la estadística, la física, la
matemática, las ciencias, la administración, contaduría, economía y la filosofía para sacar
conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecánica
subyacente discreta de sistemas complejos, por lo tanto es la rama de las matemáticas que
estudia, mide o determina los experimentos o fenómenos aleatorios.
Definición De Laplace
R x (R) P()
x
(CC)
(CE)
(EC) 0.25
(EE) 2 0.5
1 0.25
2 0 0
1
0
EE )
Consideremos el problema de un industrial que desea caracterizar la calidad de la
producción de una determinada máquina. Por criterios preestablecidos, el clasifica cada
ejemplar producido en : perfecto y defectuoso .vamos a suponer que de una muestra de 25
piezas, se encontraron 4 piezas defectuosas Este número, denominado: frecuencia
absoluta Fa, no podrá ser usado para la caracterización de la producción, pues depende
directamente de tamaño n de la muestra. Para un número de observaciones, ciertamente,
obtendríamos una frecuencia absoluta mayor. El cociente entre la frecuencia absoluta y n,
denominado frecuencia relativa Fr, representa mejor la calidad de la producción, debido a
que su variación es menor.
De la frecuencia relativa se desprenden dos conclusiones:
La primera es que la frecuencia relativa va a estar acotada entre 0 y 1, debido a que la
frecuencia de los valores de la muestra, siempre va a ser menor al tamaño de la muestra.
La segunda es que la suma de todas las frecuencias relativas va a ser 1 si se mide en tanto
por 1, o 100 si se mide en tanto por ciento.
La frecuencia relativa se representa con las letras Fr y su fórmula de cálculo es la siguiente:
𝑭𝒓=𝑭𝒂/𝒏
Aunque el industrial retire muestras mayores, digamos de 250, 2500, la frecuencia relativa
variara de muestra para muestra, como indica la tabla a seguir:
N 250
Fr% 4,8 5,6 6,8 4,4 8,8 3,6 6,0 5,6 8,4 3,2
N 2500
Fr% 6,3 6,1 6,3 5,4 6,1 5,4 5,7 6,4 5,9 6,1
Como vimos en la tabla anterior podemos ver que Fr posee una variación menor a medida
que el tamaño de la muestra aumenta.
16
n=25 n=250 n=2500
14
FRECUENCIA RELATIVA EN %
12
10
0
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
X
A partir del grafico anterior, tanto el industrial como nosotros, podemos verificar la
existencia de un valor que caracteriza la producción del equipo, la Fr de las piezas
defectuosas se aproximara aún más de un valor, mientras sea mayor el número de
observaciones.
Este valor, representará “probabilidad producción de piezas defectuosas” para el equipo
en estudio. Por esta razón podemos decir que Fr comprende una estimativa de la
probabilidad, donde:
P(x)=Lim Fr (x)
n −> ∞
Esta definición, didácticamente es inconveniente, por hacer difícil la demostración de los
teoremas que definen las propiedades, por esta razón, se adopta una definición axiomática
para la probabilidad
Axiomas De La Probabilidad:
Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que una
función definida sobre un conjunto de sucesos determine consistentemente sus probabilidades.
Las definiciones anteriores presentan serias dificultades: o bien se necesita repetir el
experimento un número muy grande de veces, o se ha de estar seguro que todos los sucesos
elementales son equiprobables (local no siempre es obvio). Por estos motivos se utiliza la
siguiente definición, más correcta, de probabilidad:
Dado un experimento aleatorio con un espacio muestral “S” y representando por “A” a un
suceso, o subconjunto, cualquiera del espacio muestral, se define la probabilidad P(A) como
una función real que hace corresponder a cada “A” un número real de forma que se cumplen
los cuatros axiomas siguientes:
Propiedades De Los Axiomas:
A partir de los axiomas anteriores se pueden deducir algunas propiedades importantes de la
probabilidad.
Estas propiedades van a ser útiles para calcular la probabilidad de sucesos a partir delas
probabilidades conocidas de otros sucesos más sencillos, simplificando así el cálculo. Hay
que indicar además que estas propiedades son consistentes con las propiedades de las
frecuencias relativas
Primer Axioma:
La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno
Ejemplo: La probabilidad de sacar par en un dado equilibrado es 0,5. P(A)=0,5
0 ≤ p ( A )≤ 1
Segundo Axioma:
Probabilidad de un evento cierto o verdadero.
p ( A )=1
Tercer Axioma:
Probabilidad de un evento imposible.
p ( A )=0
Cuarto Axioma:
Si A y B son eventos mutuamente excluyentes, entonces:
p ( A ∪ B ) =p ( A )+ p ( B )
Un suceso puede estar contenido en otro; entonces la probabilidad del primer suceso será
menor que la del suceso que la contiene.
p( A) ≤ p(B)
INTERSECCIÓN DE SUCESOS: Es aquel suceso compuesto por los elementos comunes
de los dos o más sucesos que interceptan. La probabilidad será igual a la probabilidad de
los elementos comunes.
Ejemplo2: En una bolsa hay 10 bolas numeradas del 11 al 20, algunas rojas y otras verdes.
a) Sacamos sin mirar una bola, ¿Cuál es la probabilidad de sacar un número primo?
Empezamos calculando el número de casos favorables y el número de casos posibles.
Número de casos favorables = número de primos = 4 son los números primos dentro de los
resultados posibles (Los números 11, 13, 17 y 19 son primos)
Número de casos posibles = 10 (Todos los números del 11 al 20)
La probabilidad de sacar un número primo entre las 10 bolas, es de 4/10 que simplificado
es 2/5.
Solución: P (número primo) =2/5
P( A ∩ B)
P( B/ A)
P( A)
P( A)>0
Eventos Independientes: En el experimento del lanzamiento de un dado que señalamos
anteriormente que P(B|A) =2/5, mientras que P (B)=1/3. Es decir, P (B|A) ≠ P(B), lo cual
indica que B depende de A. Consideremos ahora un experimento en el que se sacan 2
cartas, una después de la otra, de una baraja ordinaria, con reemplazo. Los eventos se
definen como
A: la primera carta es un as,
B: la segunda carta es una espada.
Como la primera carta se reemplaza, nuestro espacio muestral para la primera y
segunda cartas consta de 52 cartas, que contienen 4 ases y 13 espadas. Entonces,
Es decir, P(B|A) =P(B). Cuando esto es cierto, se dice que los eventos A y B son
independientes.
Variable aleatorio
Una variable aleatorio representa todos los valores que resultan de una experimentoque ,
por azar puede tomar diferentes valores.
Discretas: que son aquellos que adoptan solo valores puntuales o finitos
Continuas: que son aquellos que adoptan una infinidad de valores que pueden estar en un
intervalo.
Co los ejemplo anteriores nos damos cuenta claramente que los valores de la variable x
siempre serán enteros nunca fraccionarios.
X = es una variable discreta que solo toma números enteros como son los numero enteros
que van a partir de cero.
X= 0, 1, 2, 3, 4, 5, 6, 7, 8,… etc.,
Como por ejemplo al lanzar uno o varios dados siempre el resultado de dicho evento será
un entero sin importar el número de veces que sea repetido el lanzamiento de los dados.
b) p(x) ≥0 las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero
c) ∑p(x) = 1, la sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x deben ser iguales a 1.
Formula
µ=∑ [ xp( x) ]
µ = representa la media
p(x) = es la probabilidad de que x asuma algún valor
Varianza
- La varianza mide el tamaño de la dispersión de una distribución
- La varianza de una distribución discreta es presentación por signa al cuadrado
σ 2=∑ [( x−µ)2 p( x ) ]
- σ 2 = esperanza
- x = valores que toma la varianza x.
- p(x) = probabilidad asociada a cada uno de los valores que toma x.
Desviación estándar
Solución:
Número de
vehículos Semanas
alquilados
10 5
11 6
12 7
13 2
20
Distribución de probabilidad
Número de
vehículos Probabilidad
alquilados x p(x)
10 0,25
11 0,30
12 0,35
13 0,10
Total 1
Representacion grafica de distibucion de probabilidades
0.40
0.35
0.30
probabilidad x
0.25
0.20
0.15
0.10
0.05
0.00
10 11 12 13
Numero vehiculos alquilados en semanas
x p(x) xp(x)
10 0,25 2,5
11 0,30 3,3
12 0,35 4,2
13 0,10 1,3
11,3
Calculo de variación y desviación estándar del número de vehículos alquilados
dos por semana
Características:
x Es una variable que puede tomar tanto valores enteros como fraccionarios.
2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x deben
ser mayores o iguales a cero. Dicho de otra forma, la función de densidad de
probabilidad deberá tomar solo valores mayores o iguales a cero. La función de
densidad de probabilidad sólo puede estar definida en los cuadrantes I y II.
3. La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1. El área definida bajo la función de densidad de probabilidad deberá
ser de 1.
La gráfica de f(x) se conoce a veces como curva de densidad, la probabilidad de que x tome
un valor en el intervalo (a, b) es el área bajo la curva de la función de densidad; así, la
función mide concentración de probabilidad alrededor de los valores de una variable
aleatoria continua.
Para f(x) que sea una función de densidad de probabilidad debe satisfacer las siguientes dos
condiciones:
1. Media o valor esperado de x.- Para calcular la media de una distribución de probabilidad
continua se utiliza la siguiente fórmula:
Dónde:
Luego:
Ejemplo: