Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccion A La Probabilidad
Introduccion A La Probabilidad
Introduccion A La Probabilidad
Alumna:
Profesora:
BRENDA A. GUADARRAMA MEDINA
Contenido
Medida de probabilidad.....................................................................................................................3
Medida de probabilidad: definición, ejemplos...................................................................................3
Ejemplos de medidas de probabilidad......................................................................................3
Definición formal de medida de probabilidad............................................................................4
Qué es el método inductivo...............................................................................................................4
Características del método inductivo.........................................................................................5
Ejemplos de razonamientos inductivos en la vida cotidiana.......................................................6
Ejemplo de método inductivo en las ciencias.............................................................................7
Francis Bacon y el método inductivo..........................................................................................8
Método inductivo y deductivo....................................................................................................8
Conoce las principales distribuciones de probabilidad.....................................................................10
ESTADÍSTICA INDUCTIVA...................................................................................................................14
Estadística inferencial vs inductiva.........................................................................................14
Diferencia entre estadística descriptiva e inductiva..............................................................14
DISTRIBUCIÓN NORMAL...................................................................................................................16
Distribución normal estándar...........................................................................................................23
AREAS BAJO LA CURVA NORMAL......................................................................................................23
USO DE LA TABLA DE DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTÁNDAR.................................24
Intervalo de confianza (IC): Definición y propiedades......................................................................28
BIOGRAFIA........................................................................................................................................34
Medida de probabilidad
Axioma 2.
Donde:
1. ∅ = el conjunto vacío ,
2. ∩ = intersección ,
3. ∪ = unión ,
4. A c = complemento (el conjunto de resultados en Ω que no están en A),
5. ∈ = es un elemento de (está en el conjunto),
6. F = una colección de subconjuntos de Ω
7. σ-campo = Una colección de subconjuntos de Ω es un σ-campo si:
Ω ∈ F
UN ∈ F → UN C ∈ F
UN norte ∈ F para norte = 1, 2, 3, … ∪ ( n = 1→∞) UN norte ∈ F
Premisa 1: Las plantas del patio crecen al recibir luz x1 crece al recibir A y
solar y agua. B.
Premisa 2: Las plantas del vecino crecen al recibir luz x2 crece al recibir A y
solar y agua. B.
Conclusión: Todas las plantas crecen al recibir luz solar Todo x crece al recibir
y agua. A y B.
Las cebras
Premisa 1: las cebras del zoológico de la ciudad tiene rayas blancas y negras
que cubren todo su cuerpo.
Premisa 2: las cebras que veo en televisión tienen rayas blancas y negras en
todo el cuerpo.
Conclusión: cuando mi amigo Juan vaya de safari a África y vea cebras, estas
tendrán el cuerpo cubierto por rayas blancas y negras.
Ejemplo 2: Inducción por razonamiento causal.
El perro de al lado
Premisa 1: el perro del vecino siempre ladra cuando alguien camina por la
vereda frente a su portón.
Darwin vio que las tortugas en una isla tenían cuello corto y que comían plantas
cercanas al suelo. En otra, que las tortugas tenían cuello largo y un caparazón
curvado hacia arriba, lo que les permitía alimentarse de hojas de arbustos.
De este modo, se figuró que los organismos vivos con características adaptadas a
su medio ambiente tenían más oportunidades de sobrevivir y prosperar. Con el
tiempo, la mayoría de los individuos de cada especie de tortuga tendrían esas
características, adecuadas al entorno de la isla donde habitaban. Las que no, no
tendrían descendencia.
Bacon, por otro lado, propuso que el conocimiento debía partir de las experiencias.
Para esto se debían analizar los datos obtenidos mediante observaciones del
mundo natural. Así podríamos inferir respuestas generales conseguidas desde
datos específicos.
Toda distribución de probabilidad se genera por una variable (debido a que puede
tomar diferentes valores) aleatoria x (porque el valor que se toma es
completamente al azar), y puede ser de dos tipos:
1. Variable aleatoria discreta (x)
Solo puede tomar valores representados por números enteros y un número finito
de ellos. Por ejemplo:
X variable que nos define el número de alumnos aprobados en el curso de historia
universal en un grupo de 30 alumnos (1, 2 ,3 y así sucesivamente ó los 30).
2. Propiedades de una variable aleatoria discreta (X)
Las probabilidades que se relacionan con cada uno de los valores que toma x
deben ser mayores o iguales a cero y menores o iguales a 1:
P (xi) < 1
La sumatoria de las probabilidades asociadas a cada uno de los valores que toma
x debe ser igual a 1:
E p (xi) = 1
Ejemplo de variable aleatoria discreta: Al lanzar una moneda se puede obtener
solo dos resultados: cara (50%) o sello (50%).
En la siguiente tabla vemos los posibles resultados de lanzar dos veces una
moneda:
Si realizamos la tabla de distribución del número posible de caras que se obtiene
al lanzar una moneda dos veces, obtendremos:
FUNCIÓN DE DISTRIBUCIÓN
Puede tomar cualquier valor (- ¥, + ¥)
Son más probables los valores cercanos a uno central que llamamos
media m
Conforme nos separamos de ese valor m , la probabilidad va decreciendo
de igual forma a derecha e izquierda (es simétrica).
Conforme nos separamos de ese valor m , la probabilidad va decreciendo
de forma más o menos rápida dependiendo de un parámetro s , que es la
desviación típica.
F(x) es el área sombreada de esta gráfica
TIPIFICACIÓN
y su función de distribución es
Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto más
próximo sea p a 0.5, tanto mejor será la aproximación realizada. Es decir, basta
con que se verifique
gracias a esta aproximación es fácil hallar probabilidades binomiales, que para
valores grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta transformación de
una variable discreta (binomial) en una variable continua (normal) es necesario
hacer una corrección de continuidad.
Distribución normal estándar
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0. 0.000 0.004 0.008 0.012 0.016 0.019 0.023 0.027 0.031 0.035
0 0 0 0 0 0 9 9 9 9 9
0. 0.039 0.043 0.047 0.051 0.055 0.059 0.063 0.067 0.071 0.075
1 8 8 8 7 7 6 6 5 4 3
0. 0.079 0.083 0.087 0.091 0.094 0.098 0.102 0.106 0.110 0.114
2 3 2 1 0 8 7 6 4 3 1
0. 0.117 0.121 0.125 0.129 0.133 0.136 0.140 0.144 0.148 0.151
3 9 7 5 3 1 8 6 3 0 7
0. 0.155 0.159 0.162 0.166 0.170 0.173 0.177 0.180 0.184 0.187
4 4 1 8 4 0 6 2 8 4 9
0. 0.191 0.195 0.198 0.201 0.205 0.208 0.212 0.215 0.219 0.222
5 5 0 5 9 4 8 3 7 0 4
0. 0.225 0.229 0.232 0.235 0.238 0.242 0.245 0.248 0.251 0.254
6 7 1 4 7 9 2 4 6 7 9
0. 0.258 0.261 0.264 0.267 0.270 0.273 0.276 0.279 0.282 0.285
7 0 1 2 3 4 4 4 4 3 2
0. 0.288 0.291 0.293 0.296 0.299 0.302 0.305 0.307 0.310 0.313
8 1 0 9 7 5 3 1 8 6 3
0. 0.315 0.318 0.321 0.323 0.326 0.328 0.331 0.334 0.336 0.338
9 9 6 2 8 4 9 5 0 5 9
1. 0.341 0.343 0.346 0.348 0.350 0.353 0.355 0.357 0.359 0.362
0 3 8 1 5 8 1 4 7 9 1
1. 0.364 0.366 0.368 0.370 0.372 0.374 0.377 0.379 0.381 0.383
1 3 5 6 8 9 9 0 0 0 0
1. 0.384 0.386 0.388 0.390 0.392 0.394 0.396 0.398 0.399 0.401
2 9 9 8 7 5 4 2 0 7 5
1. 0.403 0.404 0.406 0.408 0.409 0.411 0.413 0.414 0.416 0.417
3 2 9 6 2 9 5 1 7 2 7
1. 0.419 0.420 0.422 0.423 0.425 0.426 0.427 0.429 0.430 0.431
4 2 7 2 6 1 5 9 2 6 9
1. 0.433 0.434 0.435 0.437 0.438 0.439 0.440 0.441 0.442 0.444
5 2 5 7 0 2 4 6 8 9 1
1. 0.445 0.446 0.447 0.448 0.449 0.450 0.451 0.452 0.453 0.454
6 2 3 4 4 5 5 5 5 5 5
1. 0.455 0.456 0.457 0.458 0.459 0.459 0.460 0.461 0.462 0.463
7 4 4 3 2 1 9 8 6 5 3
1. 0.464 0.464 0.465 0.466 0.467 0.467 0.468 0.469 0.469 0.470
8 1 9 6 4 1 8 6 3 9 6
1. 0.471 0.471 0.472 0.473 0.473 0.474 0.475 0.475 0.476 0.476
9 3 9 6 2 8 4 0 6 1 7
2. 0.477 0.477 0.478 0.478 0.479 0.479 0.480 0.480 0.481 0.481
0 2 8 3 8 3 8 3 8 2 7
2. 0.482 0.482 0.483 0.483 0.483 0.484 0.484 0.485 0.485 0.485
1 1 6 0 4 8 2 6 0 4 7
2. 0.486 0.486 0.486 0.487 0.487 0.487 0.488 0.488 0.488 0.489
2 1 4 8 1 5 8 1 4 7 0
2. 0.489 0.489 0.489 0.490 0.490 0.490 0.490 0.491 0.491 0.491
3 3 6 8 1 4 6 9 1 3 6
2. 0.491 0.492 0.492 0.492 0.492 0.492 0.493 0.493 0.493 0.493
4 8 0 2 5 7 9 1 2 4 6
2. 0.493 0.494 0.494 0.494 0.494 0.494 0.494 0.494 0.495 0.495
5 8 0 1 3 5 6 8 9 1 2
2. 0.495 0.495 0.495 0.495 0.495 0.496 0.496 0.496 0.496 0.496
6 3 5 6 7 9 0 1 2 3 4
2. 0.496 0.496 0.496 0.496 0.496 0.497 0.497 0.497 0.497 0.497
7 5 6 7 8 9 0 1 2 3 4
2. 0.497 0.497 0.497 0.497 0.497 0.497 0.497 0.497 0.498 0.498
8 4 5 6 7 7 8 9 9 0 1
2. 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.498
9 1 2 2 3 4 4 5 5 6 6
3. 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.499 0.499
0 7 7 7 8 8 9 9 9 0 0
X
-25 0 25 50 75 100 125
----------------------------------------- Z =
-3 -2 -1 0 1 2 3
Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0. 0.0000 0.0039 0.0079 0.0119 0.0159 0.0199 0.0239 0.0279 0.0318 0.0358
0 0 9 8 7 5 4 2 0 8 6
0. 0.0398 0.0438 0.0477 0.0517 0.0556 0.0596 0.0635 0.0674 0.0714 0.0753
1 3 0 6 2 7 2 6 9 2 5
0. 0.0792 0.0831 0.0870 0.0909 0.0948 0.0987 0.1025 0.1064 0.1102 0.1140
2 6 7 6 5 3 1 7 2 6 9
Intervalo de confianza (IC): Definición y propiedades
Supongamos que tenemos una moneda, la cual puede o no estar balanceada. Así,
después de varios lanzamientos, la probabilidad que el resultado sea sello variará
desde 0 (todas las veces cara, es decir, una moneda balanceada) hasta 1 (todas
las veces sello, nuevamente balanceada), pasando por 0,5 (la mitad de las veces
sello y las otras cara, lo que equivale a una moneda no balanceada). Como no
conocemos la verdadera naturaleza de la moneda, vamos a experimentar con ella.
Realizamos 1.000 lanzamientos, resultando 500 sellos y 500 caras, con lo que
estamos aún más seguros que nuestra moneda no está balanceada (nuestro
rango puede ser 0,45 a 0,55 o menor).
El ejemplo anterior nos permite aclarar varios conceptos:
• El valor real más probable corresponde al estimador puntual del estudio, en este
caso 0,5.
Al analizar estos datos se obtiene una reducción absoluta del riesgo (RRA) de
4,2% con 95% de intervalo de confianza de 0,9% a 7,5%. Esto quiere decir que
el valor real, es decir, el resultante al aplicar la intervención a la población total de
pacientes con AIT, está con 95% de probabilidad entre un RRA de 0,9% a 7,5%,
siendo el valor más probable 4,2%. Si aumentamos el n de la muestra a 20.000
obtendríamos nuevamente un RRA de 4,2%, pero con un intervalo de confianza
más estrecho, de 3,5% a 4,9% (Fórmula en apéndice 1).
Apéndice 1. Fórmula de intervalo de confianza:
Donde:
Interpretación de un IC
Figura 1. Estudio hipotético cuyo estimador puntual informa un RRA 2,8%, pero
cuyo IC sobrepasa la línea del no efecto, por lo tanto es posible que el valor real
sea daño. No existe diferencia estadística significativa en este estudio.
Así, para evaluar beneficio clínico, primero debemos establecer un umbral mínimo
de beneficio, el que depende del tipo de evento a prevenir o favorecer los efectos
adversos, costos, etc. de la nueva droga, y luego observar el beneficio mínimo
probable que muestra el estudio, que corresponde al extremo del IC más cercano
a la línea del no efecto. Si el extremo del IC no sobrepasa el umbral se asume que
el beneficio mínimo probable es suficiente para recomendar la nueva terapia.
Existe la posibilidad que la nueva droga hiciese daño (RRA negativo). El proceso
es similar al anterior, estableciendo un umbral máximo de daño tolerable, y
observando el extremo del IC que más se acerca a la línea del no efecto. Si la
nueva droga genera más daño con una diferencia estadísticamente significativa,
debemos observar si el extremo del IC sobrepasa ese umbral. Si no lo hace se
asume que el daño mínimo probable es más alto que lo tolerable, por lo tanto se
está en condiciones de rechazar la nueva terapia 7,8 (Figura 4).
De esta forma, aunque el valor P mide la fuerza de una asociación, siempre es útil
el intervalo de confianza para complementar la evaluación de la magnitud del
efecto de una intervención y poder realizar una interpretación adecuada de los
resultados de un estudio.
BIOGRAFIA.
https://statologos.com/ejemplos-de-definicion-de-medida-de-probabilidad/
https://www.significados.com/metodo-inductivo/
https://www.esan.edu.pe/conexion-esan/conoce-las-principales-distribuciones-de-
probabilidad#:~:text=Una%20distribuci%C3%B3n%20de%20probabilidad
%20es,se%20realice%20en%20el%20futuro.
https://www.matematicasonline.es/BachilleratoCCSS/segundo/archivos/
distribucion_normal/DISTRIBUCION%20NORMAL.htm
https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0034-
98872005000900017