INTRODUCCION A LA TEORIA DE PROBABILIDADES El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos

futuros. Es por ello que el estudio de probabilidades surge como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se contino con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos. A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad: El enfoque clsico Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia de A, y todos los resultados son igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que ocurra A es:

El objetivo de esta prctica es realizar varios experimentos de probabilidad, anotar los resultados y posteriormente compararlos con los resultados tericos. Objetivos de las Probabilidades El objetivo fundamental de la probabilidad, es la de mostrar al alumno la importancia y utilidad del Mtodo Estadstico en el mbito econmico-empresarial. Con tal fin, el alumno deber aprender a manejar los mtodos y tcnicas ms adecuadas para el correcto tratamiento y anlisis de la informacin proporcionada por los datos que genera la actividad econmica. Para ello se comienza afianzando los conocimientos que el alumno ya posee de Estadstica Descriptiva, adems de algunos conceptos nuevos relacionados con este tema. El valor de la probabilidad El valor ms pequeo que puede tener la probabilidad de ocurrencia de un evento es igual a 0, el cual indica que el evento es imposible, y el valor mayor es 1, que indica que el evento ciertamente ocurrir. Entonces si decimos que P(A) es la probabilidad de ocurrencia de un evento A y P(A ) la probabilidad de no-ocurrencia de A, tenemos que:

El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea igualmente posible. Este enfoque es llamado enfoque a priori porque permite, (en caso de que pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier evento de muestra. Ejemplo: Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una piedra roja en un intento es:

El enfoque de frecuencia relativa Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la proporcin de veces que ocurre un evento favorable en un numero de observaciones. En este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de los valores de probabilidad se basa en la observacin y recopilacin de datos. Ejemplo: Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn de seguridad. Si un vigilante de transito se para en esa misma esquina un ida cualquiera Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad?

Tanto el enfoque clsico como el enfoque emprico conducen a valores objetivos de probabilidad, en el sentido de que los valores de probabilidad indican al largo plazo la tasa relativa de ocurrencia del evento. El enfoque subjetivo Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un individuo de que un evento ocurra, basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de probabilidad bajo este enfoque es un juicio personal. Concepto de Probabilidad Se define como clculo de probabilidad al conjunto de reglas que permiten determinar si un fenmeno ha de producirse, fundando la suposicin en el clculo, las estadsticas o la teora.

Eventos mutuamente excluyentes y eventos no excluyentes Dos o ms eventos son mutuamente excluyentes o disjuntos, si no pueden ocurrir simultneamente. Es decir, la ocurrencia de un evento impide automticamente la ocurrencia del otro evento (o eventos). Ejemplo: Al lanzar una moneda solo puede ocurrir que salga cara o sello pero no los dos a la vez, esto quiere decir que estos eventos son excluyentes. Dos o ms eventos son no excluyentes, o conjuntos, cuando es posible que ocurran ambos. Esto no indica que necesariamente deban ocurrir estos eventos en forma simultnea. Ejemplo: Si consideramos en un juego de domino sacar al menos un blanco y un seis, estos eventos son no excluyentes porque puede ocurrir que salga el seis blanco. Reglas de la Adicin La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos sucesos A y B es igual a: P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes Siendo: P(A) = probabilidad de ocurrencia del evento A P(B) = probabilidad de ocurrencia del evento B P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B Eventos Independientes Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se obtuvo. Ejemplo: lanzar al aire dos veces una moneda son eventos independientes por que el resultado del primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o sello, en el segundo lanzamiento. Eventos dependientes Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso, empleamos entonces, el concepto de probabilidad condicional para denominar la probabilidad del evento relacionado. La expresin P(A|B) indica la

probabilidad de ocurrencia del evento A s el evento B ya ocurri. Se debe tener claro que A|B no es una fraccin. P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A) Reglas de Multiplicacin Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms eventos. Es decir la interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es: P(A y B) = P(A B) = P(A)P(B) si A y B son independientes P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes Distribucin de probabilidad normal Es una distribucin de probabilidad continua que es tanto simtrica como mesocurtica. La curva que representa la distribucin de probabilidad normal se describe generalmente como en forma de campana. Esta distribucin es importante en inferencia estadstica por tres razones diferentes: 1. Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta distribucin. 2. Las probabilidades normales pueden utilizarse generalmente para aproximar otras distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson. 3. Las distribuciones estadsticas tales como la media de la muestra y la proporcin de la muestra, siguen a menudo la distribucin normal, sin tener en cuenta la distribucin de la poblacin Los valores de los parmetros de la distribucin de probabilidad normal son = 0 y = 1. Cualquier conjunto de valores X normalmente distribuido pueden convertirse en valores normales estndar z por medio de la formula:

P(T > t) = e - Ejemplo: Un departamento de mantenimiento recibe un promedio de 5 llamadas por hora. Comenzando en un momento aleatoriamente seleccionado, la probabilidad de que una llamada llegue dentro de media hora es: Promedio 5 por hora, como el intervalo es media hora tenemos que = 2,5/media hora. P (T < 30 min.) = 1- e -5 = 1 - 0,08208 = 0,91792 Factorial Saltar a: navegacin, bsqueda 0 1 1 1 2 2 3 6 4 24 5 120 6 720 7 5.040 8 40.320 9 362.880 10 3.628.800 15 1.307.674.368.000 20 2.432.902.008.176.640.000 25 15.511.210.043.330.985.984.000.000 45 50 30.414.093.201.713.378.043 10 100 70 1,19785717... 10 1.000 450 1,73336873... 10 10.000 3.249 6,41233768... 10 100.000 25.206 1,205703438... 10 456.573 100.000 2,8242294079... 10 Para todo entero positivo n, el factorial de n o n factorial o factorial de n se define como el producto de todos los nmeros enteros positivos desde 1 hasta n. Es decir La multiplicacin anterior se puede simbolizar tambin como

Haciendo posible el uso de la tabla de proporciones de rea y hace innecesario el uso de la ecuacin de la funcin de densidad de cualquier distribucin normal dada. Para aproximar las distribuciones discretas binomial y de Poisson se debe hacer: Binomial np Si n > 30 np(1-p) .np > 5 n(1-p) >5 Poisson > 10 Distribucin de probabilidad exponencial Si en el contexto de un proceso de Poisson ocurren eventos o xitos en un espectro continuo de tiempo y espacio. Entonces la longitud del espacio o tiempo entre eventos sucesivos sigue una distribucin de probabilidad exponencial. Puesto que el tiempo y el espacio son un espectro continuo, esta es una distribucin continua. En caso de este tipo de distribucin no vale la pena preguntarse cul es la probabilidad de que el primer pedido de servicio se haga exactamente de aqu a un minuto?. Mas bien debemos asignar un intervalo dentro del cual el evento puede ocurrir, preguntndonos, cul es la probabilidad de que el primer pedido se produzca en el prximo minuto?. Dado que el proceso de Poisson es estacionario, la distribucin exponencial se aplica ya sea cuando estamos interesados en el tiempo (o espacio) hasta el primer evento, el tiempo entre dos eventos sucesivos, o el tiempo hasta que ocurra el primer evento despus de cualquier punto aleatoriamente seleccionado. Donde es la cifra media de ocurrencias para el intervalo de inters, la probabilidad exponencial de que el primer evento ocurra dentro del intervalo designado de tiempo o espacio es. P(T < t) = 1 - e - De manera que la probabilidad exponencial de que el primer evento no ocurra dentro del intervalo designado de tiempo o espacio es:

el factorial de n representa el nmero de formas distintas de ordenar n objetos distintos. La notacin actual n! fue usada por primera vez por Christian Kramp en 1803. La definicin de la funcin factorial tambin se puede extender a nmeros no naturales manteniendo sus propiedades fundamentales, Es posible, sin embargo, dar un argumento intuitivo para justificar la eleccin, como sigue: Para cada nmero entero positivo n mayor que 1, es posible determinar el valor del factorial anterior mediante el uso de la siguiente identidad:

, vlida para todo nmero mayor o igual que 1. As, si se conoce que 5! es 120, entonces 4! es 24 porque

4!= , y por tanto 3! debe ser necesariamente 6 puesto que

3!= . El mismo proceso justifica el valor de 2! = 2 y 1!=1 ya que

Si aplicamos la misma regla para el caso extremo en que n'=1 tendramos que 0! corresponde a

Algunas identidades de los dobles factoriales: 1. Aunque el argumento puede resultar convincente, es importante tener en cuenta que no es ms que un argumento informal y que la razn real por la cual se toma la convencin de 0! = 1 es por ser un caso especial de la convencin de producto vaco usada en muchas otras ramas de las matemticas. Los factoriales se usan mucho en la rama de la matemtica llamada combinatoria, a travs del binomio de Newton, que n da los coeficientes de la forma desarrollada de (a + b) : 2.

3.

4.

5.

6.
donde representa un coeficiente binomial:

Por medio de la combinatoria, los factoriales intervienen en el clculo de las probabilidades. Intervienen tambin en el mbito del anlisis, en particular a travs del desarrollo polinomial de las funciones (frmula de Taylor). Se generalizan a los reales con la funcin gamma, de gran importancia en la teora de nmeros. Para valores grandes de n, existe una expresin aproximada para el factorial de n, dado por la frmula de Stirling:

La ventaja de esta frmula es que no precisa induccin y, por lo tanto, permite evaluar n! ms rpidamente cuando mayor sea n. El factorial de n es generalizado para cualquier nmero real n por la funcin gamma de manera que

Productos similares Primorial El primorial (sucesin A002110 en OEIS) se define de forma similar al factorial, pero slo se toma el producto de los nmeros primos menores o iguales que n. Doble factorial Se define el doble factorial de n como:

Por ejemplo, 8!! = 2 4 6 8 = 384 y 9!! = 1 3 5 7 9 = 945. La sucesin de dobles factoriales (sucesin A006882 en OEIS) para empieza as: 1, 1, 2, 3, 8, 15, 48, 105, 384, 945, 3840, ... La definicin anterior puede extenderse para definir el doble factorial de nmeros negativos:

Y esta es la sucesin de dobles factoriales para:

El doble factorial de un nmero negativo par no est definido.1233