Roos

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 19

COLEGIO DE BACHILLERES DEL ESTADO

DE OAXACA
PLANTEL 06 COBAO PUTLA DE GUERRERO

ASIGNATURA: PROBABILIDAD Y ESTADISTICA II

ALUMNO: ANGEL EDUARDO SALVADOR SIERRA

DOCENTE: FLAVIO FRANCISCO FIGUEROA

GRUPO: 606

NUMERO DE LISTA: 24

SEMESTRE: 2023’A

PUTLA VILLA DE GUERRERO A 26 DE JUNIO DEL


2023
INDICE

BLOQUE I
Enfoque y elementos de probabilidad (experimento, espacio muestral y evento)
▪ Operaciones (unión. Intersección, diferencia, incompatibles, y evento
contrario)
▪ Técnicas de conteo:
▪ Diagrama de árbol
▪ Permutaciones y combinaciones
▪ Principio multiplicativo y aditivo Eventos:
▪ Mutuamente excluyentes
▪ Dependientes
▪ Independientes

BLOQUE II
▪ Distribución de Bernoulli
▪ Distribución binominal
▪ Distribución normal

BLOQUE III
▪ Probabilidad condicional
▪ Teorema de bayes
▪ Distribución poisson
1.- Enfoque y elementos de probabilidad (experimento, espacio muestral y evento)

Experimento o suceso:
Es cualquier acontecimiento que ocurre en la naturaleza. El Dr. Edgar Acuña
distingue dos tipos de ellos:
Experimentos Determinísticos: Son aquellos en donde no hay incertidumbre acerca
del resultado que ocurrirá cuando estos son repetidos varias veces.
Experimentos Aleatorios: Son aquellos en donde no se puede anticipar el resultado
que ocurrirá, pero si [sic] se tiene una completa idea acerca de todos los resultados
posibles del experimento cuando éste es ejecutado
Por otra parte, el experimento aleatorio no se sabe con exactitud el resultado,
retomando el mismo ejemplo de la moneda resulta aleatorio o azaroso el tratar de
determinar si caerá cara o águila, pero sí se conocen los posibles resultados que
son, precisamente: cara y águila.
Lo anterior, lleva a definir el espacio muestral, Larson lo limita como: el conjunto
de todos los posibles resultados del experimento y lo representa con la letra S Por
parte del Dr. Acuña distingue dos tipos de este espacio.
Espacios muestrales discretos: Son aquellos muestrales cuyos elementos
resultan de hacer conteos, y por lo general son subconjuntos de los números
enteros.
Espacios muestrales continuos: Son espacios muestrales cuyos elementos
resultan de hacer mediciones, y por lo general son intervalos en la recta Real.

Enfoques de probabilidad Teoría de Probabilidad Clásica


Como sabrás, las teorías de probabilidad surgieron gracias a los juegos de azar,
especialmente a un jugador apasionado llamado De Meré quien le preguntó a
Pascal sobre la probabilidad de los juegos de azar, muy populares durante el siglo
XVII. De este modo Blaise Pascal y su amigo Pierre Fermat de Toulouse fueron los
primeros en desarrollar sistemáticamente el cálculo de probabilidades.
A esta probabilidad se le llamó Probabilidad Clásica definida como: “Si se tiene un
espacio muestral asociado a un experimento y cada uno de los eventos
elementales de este espacio son igualmente factibles, con eventos elementales
eventos entonces la probabilidad de

y el experimento está formado por

ocurrencia está dada por el cociente , es decir;

Donde:

Número de eventos de , también se les llama casos favorables de .


Números de eventos elementales o casos posibles de .

Teoría frecuencial o a posteriori


La teoría de probabilidad clásica presenta algunos inconvenientes por lo que se
buscó la manera de forma empírica de encontrar una forma más general de
probabilidad.
Esta teoría, frecuencial o a posteriori, recibe este nombre porque la probabilidad
de un evento se calcula después de haberse repetido muchas veces, en cuanto
mayor sea el número de repeticiones mayor será la exactitud del cálculo.
Así, por ejemplo, si se quiere deducir la probabilidad que hay al lanzarse una
moneda y que quede con la cara hacia arriba, se lanza muchas veces la moneda y
se cuentan las veces que la cara queda arriba.
Sin embargo, esta teoría frecuencial tampoco reúne los requisitos para aceptarse
de manera formal.
Ejemplo 1
En el salón de clases de Rubén, se formaron equipos de 5 alumnos, si se sorteará
el representante de cada equipo ¿Cuál es la probabilidad de que Rubén sea electo?,
¿cuál es la probabilidad de que no sea electo?
Solución
De acuerdo a la probabilidad clásica se tiene:

El número de casos favorables es uno: Rubén. El número de casos posibles son


los 5 miembros del equipo, por tanto:

Dependiendo de cómo se pida el resultado se puede expresar como un quinto, o


se puede hacer la división que es 0.2, o multiplicarse por 100 y darlo en
porcentaje: 20%.

Para responder la segunda pregunta, denominada

tal que:
O, lo que es lo mismo,

Así que, para encontrar la probabilidad de que no sea elegido Rubén se tiene:

A la no ocurrencia de un evento, se le conoce también como complemento del


evento, debido a que son todas las demás posibilidades fuera del evento propuesto,
y la unión del evento con su complemento da el evento seguro, así que si hablamos
del evento A su complemento se representa como .
2.- Operaciones (unión. Intersección, diferencia, incompatibles, y evento contrario)
La unión de dos sucesos A y B es la probabilidad de que ocurra el suceso A, el
suceso B o los dos sucesos a la vez.
El símbolo de la unión de dos sucesos diferentes es una U, por lo que la unión de
dos sucesos se expresa con una U en medio de las dos letras que representan los
sucesos.
La probabilidad de la unión de dos sucesos es igual a la suma de la probabilidad de
ocurrencia de cada suceso menos la probabilidad de la intersección de ambos
sucesos.
Por ejemplo, vamos a calcular la probabilidad de los sucesos «sacar un número
par» o «sacar un número mayor que 4» en el lanzamiento de un dado.
Existen tres posibilidades para conseguir un número par al lanzar el dado (2, 4 y
6), por lo tanto, la probabilidad de ocurrencia del suceso es:
Existen tres posibilidades para conseguir un número par al lanzar el dado (2, 4 y
6), por lo tanto, la probabilidad de ocurrencia del suceso es:

La intersección de dos sucesos A y B es la probabilidad de que los dos sucesos A


y B ocurran al mismo tiempo.
El símbolo de la intersección de dos sucesos se representa con una U invertida.

La probabilidad de la intersección de dos sucesos es igual al producto de las


probabilidades de cada suceso por separado.

Evidentemente, para poder calcular la probabilidad de la intersección de dos


sucesos, estos dos tienen que ser compatibles.
Tal y como hemos calculado más arriba, la probabilidad de suceder de cada evento
por separado es:

Por lo tanto, la probabilidad de la intersección de los dos eventos será la


multiplicación de las probabilidades de cada suceso:

3.- Diagrama de ven


Dado que los conjuntos pueden tener elementos comunes, las regiones encerradas
por sus líneas límite se superponen, siendo los elementos del conjunto que
pertenecen simultáneamente a ambos conjuntos conocidos como, la intersección
del conjunto.

A = {1; 2; 3; 4; 6; 12}
B = {1; 3; 5; 15}
U = {1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16}

A = {x | x es divisor natural de 12}


B = {x | x es divisor natural de 15}
U = {x | x es natural menor o igual que 16}
Diagrama de un conjunto
Tiene solamente 2 regiones: la de los elementos que responden a la definición A y
la de los que se oponen a ella.

Diagrama de dos conjuntos


Tiene 4 regiones. Considérese el siguiente ejemplo: el conjunto A es el de los
animales bípedos y el conjunto B es el de los animales que pueden volar. El área
donde las dos regiones se superponen contiene por lo tanto a todos los animales
que, al mismo tiempo, son bípedos y pueden volar. En resumen:
• A (regiones amarilla y verde): animales bípedos,
• B (regiones azul y verde): animales que pueden volar,
• A y B (región verde): animales bípedos que pueden volar,
• A y no B (región amarilla): animales bípedos que no pueden volar,
• no A y B (región azul): animales no bípedos (que no tienen dos patas) que
pueden volar,
• no A y no B (región gris): animales no bípedos que no pueden volar,
• A o B (regiones amarilla, azul y verde): animales bípedos o que pueden volar.
Los pingüinos, que tienen dos patas y no pueden volar, están en la región amarilla;
los mosquitos, que tienen seis patas y pueden volar, están en la región azul; los
loros, que tienen dos patas y pueden volar, están en la región verde; las ballenas,
que no tienen patas ni pueden volar, están en la región gris.

Diagrama de tres conjuntos


Tienen 8 regiones. Los diagramas de tres conjuntos fueron los más usados por
Venn en toda su obra. Un ejemplo de aplicación podría ser el siguiente: dado un
grupo de personas, A es el conjunto de las de sexo masculino, B el conjunto de las
mayores de 18 años y C el conjunto de las que trabajan. De este modo, la región
verde sería la de las personas de sexo masculino, mayores de 18 años, que no
trabajan.

Diagramas de más de tres conjuntos


La dificultad de representar más de tres conjuntos mediante diagramas de Venn es
evidente. Venn sentía afición por los diagramas de más de tres conjuntos, a los que
definía como "figuras simétricas, elegantes en sí mismas". A lo largo de su vida,
diseñó varias representaciones usando elipses, y dejó indicaciones para la
construcción de diagramas con cualquier cantidad de curvas, partiendo del
diagrama de tres círculos.

Diagramas de Edwards
Anthony William Fairbank Edwards propuso diagramas para más de tres conjuntos,
proyectando el diagrama sobre una esfera. Tres conjuntos pueden ser
representados fácilmente tomando tres hemisferios en ángulos rectos (x = 0, y = 0
y z = 0). Un cuarto conjunto puede ser representado tomando una curva similar a
la juntura de una pelota de tenis que suba y baje alrededor del ecuador. Los
conjuntos resultantes pueden ser proyectados de nuevo sobre el plano para
mostrar diagramas de tipo engranaje, con cantidades cada vez mayores de dientes.
Edwards ideó estos diagramas mientras diseñaba la ventana acristalada en
memoria de Venn que hoy adorna el comedor del Caius College.

TECNICAS DE CONTEO:
1.-Diagrama de árbol
Un diagrama de árbol, también conocido como árbol de probabilidad, es una
representación gráfica de todos los posibles resultados de un experimento junto
con sus probabilidades.
De modo que un diagrama de árbol sirve para representar gráficamente todos los
posibles resultados de un espacio muestral y calcular sus probabilidades.
Un diagrama de árbol se hace de manera que cada resultado (nudo) se ramifica en
nuevos posibles resultados (ramas) hasta llegar a los resultados finales.
Debes tener en cuenta que la suma de las probabilidades de todas las ramas que
salen de un nudo debe ser igual a 1.
El elemento central (problema a solucionar o meta a alcanzar). Se representa en
el tronco del árbol.
• Los sub elementos (ramas del árbol). Son los medios que se necesitan para llegar
a la resolución del problema planteado o del objetivo deseado.

• Es útil para determinar probabilidades de combinaciones y permutaciones.


Es de gran utilidad en distintas áreas de estudio donde ser requiera una toma de
decisiones acertada.
• Se aplica experiencias de nivel personal.

Permutaciones y combinaciones
Las permutaciones se refieren a la acción de organizar a todos los miembros de
un conjunto en algún tipo de orden o secuencia. Esto significa que si es que un
conjunto ya está ordenado, el proceso de reorganizar sus elementos se llama
permutar.
Con las permutaciones, el orden de los elementos sí importa. Si es que nuestra
contraseña es 1234 e ingresamos los números 3241, la contraseña será incorrecta,
ya que tenemos los mismos números, pero en un orden diferente. Esto significa
que 3421 es una permutación de 1234.
EJEMPLO
Las permutaciones de 1, 2, 3, 4 son:
• 4321, 4312, 4123, 4132, 4213, 4231, 3412, 3421, 3214, 3241, 3124, 3142, 2413, 2431,
2314, 2341, 2134, 2143, 1432, 1423, 1324, 1342, 1234, 1243.
Una permutación se relaciona a la acción de organizar los elementos de una
colección de modo que, a diferencia de las permutaciones, el orden de la selección
no importa. Por ejemplo, escoger un equipo de 3 personas de un grupo de 20
personas es una combinación.
EJEMPLO
Si es que tenemos los números 1, 2, 3, 4, 5 y tenemos que escoger 3 números,
podemos obtener los siguientes conjuntos:
123, 234, 345, 124, 125, 134, 145, 135, 235, 245.
Estos son los únicos conjuntos posibles, ya que al escoger 123, obtendremos los
mismos números que 132, 213, 231, 321, 312.

Principio multiplicativo y aditivo

Principio de la multiplicación
Si un evento A se puede realizar de «m» formas diferentes y luego se puede realizar
otro evento B de «n» formas diferentes, el número total de formas en que pueden
ocurrir A y B es igual a m x n. Es decir, ambos eventos se realizan, primero uno y
luego el otro. El «y» indica multiplicación.
Ejemplo: ¿de cuántas formas se puede vestir una persona que tiene 3 pantalones y
3 camisas?
Para vestirse, la persona se pone el pantalón y luego la camisa, es decir tiene 3 x
3 = 9 opciones diferentes de vestirse.

Principio de la adición
Si un evento «A» se puede realizar de «m» maneras diferentes, y otro evento «B»
se puede realizar de «n» maneras diferentes, además, si ocurre uno no puede
ocurrir el otro, entonces, el evento A o el evento B, se realizarán de m+n formas .
Es decir, aquí ocurre A o ocurre B. El «o» indica suma.
Ejemplo: ¿de cuántas formas se puede cruzar un río, sabiendo que se dispone de 3
botes y 4 barcos?
El río se puede cruzar en bote o en barco, es decir, tiene 3 + 4 = 7 opciones
diferentes para cruzar el río. El río se cruza en bote o en barco.

EVENTOS:
Mutuamente excluyentes:
Los eventos mutuamente excluyentes son resultados de un experimento aleatorio
que no pueden suceder al mismo tiempo. Es decir, dos eventos son mutuamente
excluyentes cuando no tienen ningún evento simple en común.
Los eventos mutuamente excluyentes también se llaman sucesos mutuamente
excluyentes.
Cabe destacar que no es suficiente que dos eventos no sucedan una vez al mismo
tiempo para que sean mutuamente excluyentes, si existe la posibilidad de que
dichos eventos ocurran simultáneamente alguna vez ya no son eventos de este
tipo. Para que dos eventos sean mutuamente excluyentes su probabilidad de
ocurrencia conjunta tiene que ser nula.
Ejemplos de eventos mutuamente excluyentes
Una vez hemos visto la definición de eventos mutuamente excluyentes, a
continuación, puedes ver varios ejemplos de este tipo de eventos para acabar de
entender su significado.
Por ejemplo, los eventos «sacar cara» y «sacar cruz» en el lanzamiento de una
moneda son mutuamente excluyentes, ya que nunca ocurrirán simultáneamente

Eventos dependientes
Los eventos dependientes son resultados de un experimento aleatorio cuya
probabilidad de ocurrencia dependen entre sí. Es decir, dos eventos son
dependientes si la probabilidad de que suceda un evento afecta a la probabilidad de
ocurrencia del otro evento.
Los eventos dependientes también se conocen como sucesos dependientes.
La probabilidad de ocurrencia de dos eventos dependientes A y B es igual a la
probabilidad del evento A multiplicada por la probabilidad condicionada del evento
B dado el evento A.
Evento Independientes
Para comprobar que dos eventos son independientes, pasaremos a definir el
concepto de probabilidad condicionada de un evento respecto de otro. Para esto es
necesario diferenciar entre eventos excluyentes y eventos incluyentes:
Dos eventos son excluyentes si los posibles valores o elementos del evento A, no
tienen nada en común con los valores o elementos del evento B.
Por lo tanto en dos eventos excluyentes, el conjunto de la intersección de A con B
es el vacío:

Eventos excluyentes: A∩B = Ø


Por el contrario, si los eventos son incluyentes, puede ocurrir que un resultado del
evento A también coincide con el de otro B, siendo A y B eventos diferentes. En este
caso:

Eventos incluyentes: A∩B ≠ Ø


Esto nos lleva a definir la probabilidad condicionada de dos eventos incluyentes, en
otras palabras, la probabilidad de ocurrencia del evento A, siempre que ocurra el
evento B:

P(A¦B) = P(A∩B)/P(B)
Por lo tanto, la probabilidad condicionada es la probabilidad que ocurra A y B
dividida entre la probabilidad que ocurra B. También puede definirse la probabilidad
que ocurra B condicionada a A: P(B¦A) = P(A∩B)/P(A)

BLOQUE II
Distribución de Bernoulli:
La distribución de Bernoulli, también conocida como distribución dicotómica, es una
distribución de probabilidad que representa una variable discreta la cual solo
puede tener dos resultados: «éxito» o «fracaso».
En la distribución de Bernoulli, «éxito» es el resultado que esperamos que ocurra
y tiene el valor de 1, mientras que el resultado de «fracaso» es un resultado distinto
al esperado y su valor es 0. Así pues, si la probabilidad del resultado de «éxito» es
p, la probabilidad del resultado de «fracaso» es q=1-p.
La distribución de Bernoulli recibe este nombre en honor al estadístico suizo Jacob
Bernoulli.
En estadística, la distribución de Bernoulli tiene principalmente una aplicación, que
es definir las probabilidades de los experimentos en los que solo hay dos posibles
resultados: éxito y fracaso. Así pues, un experimento que usa la distribución de
Bernoulli se llama ensayo de Bernoulli o experimento de Bernoulli.
Si p es la probabilidad de ocurrencia del resultado de «éxito», la probabilidad de la
distribución de Bernoulli es igual a p elevado a x multiplicador por 1-p elevado a 1x.
De modo que las probabilidades de la distribución se Bernoulli se pueden calcular
mediante la siguiente fórmula:

en en cuenta que en una distribución de Bernoulli el valor de x solo puede ser 0


(fracaso) o 1 (éxito).

Distribución binominal
• En cada ensayo, experimento o prueba solo son posibles dos resultados
(éxito o fracaso).
• La probabilidad del éxito ha de ser constante. Esta se representa mediante
la letra p. La probabilidad de que salga cara al lanzar una moneda es 0,5 y
esta es constante dado que la moneda no cambia en cada experimento y las
probabilidades de sacar cara son constantes.
• La probabilidad de fracaso ha de ser también constate. Esta se representa
mediante la letra q = 1-p. Es importante fijarse que mediante esa ecuación,
sabiendo p o sabiendo q, podemos obtener la que nos falte.
• El resultado obtenido en cada experimento es independiente del anterior.
• Por lo tanto, lo que ocurra en cada experimento no afecta a los siguientes.
• Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2
al mismo tiempo. No se puede ser hombre y mujer al mismo tiempo o que al
lanzar una moneda salga cara y cruz al mismo tiempo.
• Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los
2 ha de ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda,
si no sale cara ha de salir cruz.
• La variable aleatoria que sigue una distribución binomial se suele
representar como X~(n,p), donde n representa el número de ensayos o
experimentos y p la probabilidad de éxito.

La fórmula para calcular la distribución normal es:

Distribución normal
La distribución normal es una distribución de probabilidad continua cuya gráfica
tiene forma de campana y es simétrica respecto a su media. En estadística, la
distribución normal sirve para modelizar fenómenos de características muy
diferentes, por eso es tan importante esta distribución.
De hecho, en estadística la distribución normal se considera, por mucho, la
distribución más importante de todas las distribuciones de probabilidad, ya que no
solo permite modelizar un gran número de fenómenos reales, sino que además la
distribución normal se puede usar para aproximar otros tipos de distribuciones
bajo ciertas condiciones.
El símbolo de la distribución normal es la letra mayúscula N. Así pues, para indicar
que una variable sigue una distribución normal se indica con la letra N y se añade
entre paréntesis los valores de su media aritmética y su desviación estándar.
En el siguiente gráfico puedes ver cómo varia la función de densidad de la
distribución normal dependiendo de los valores de su media aritmética y de su
desviación típica

BLOQUE III
Probabilidad condicional:
La probabilidad condicional, o probabilidad condicionada, es la posibilidad de que
ocurra un evento, al que denominamos A, como consecuencia de que ha tenido
lugar otro evento, al que denominamos B.
Es decir, la probabilidad condicional es aquella que depende de que se haya
cumplido otro hecho relacionado.
Si tenemos un evento, que denominamos A, condicionado a otro evento, al cual
denominamos B, la notación sería P(A|B) y la fórmula sería la siguiente:

P(A|B)=P(A ∩ B)/P(B)
Es decir, en la fórmula de arriba se lee que la probabilidad de que suceda A, dado
que ha acontecido B, es igual a la probabilidad de que ocurra A y B, al mismo tiempo,
entre la probabilidad de B.
Lo opuesto a la probabilidad condicional es la probabilidad independiente. Es decir,
aquella que no depende de la ocurrencia de otro evento.
Las propiedades de la probabilidad condicional son las siguientes:
Esto significa que la probabilidad de A dado B, más la probabilidad del complemento
de A (los elementos del universo que no pertenece a A) dado B, es igual a 1.

Esta propiedad implica que si A es un subconjunto de B (o son dos conjuntos


iguales), la probabilidad de que ocurra A dado B es 1.

Lo anterior quiere decir que la probabilidad de A es igual a la probabilidad de A


dado B por la probabilidad de B más la probabilidad de A, dado el complemento de
B por el complemento de B.

Teorema de bayes
El teorema de Bayes es un procedimiento que nos permite expresar la probabilidad
condicional de un evento aleatorio A dado B, en términos de la distribución de
probabilidad del evento B dado A y la distribución de probabilidad de solo A.
Este teorema es de mucha utilidad, ya que gracias a él podemos relacionar la
probabilidad de que un evento A ocurra sabiendo que ocurrió B, con la probabilidad
de que ocurra lo contrario, es decir, que ocurra B dado A.
El teorema de Bayes fue una proposición plateada por el reverendo Thomas Bayes,
un teólogo inglés del siglo XVIII quien también fue matemático. Fue autor de varios
trabajos en teología, pero en la actualidad es conocido por un par de tratados
matemáticos, entre los cuales destaca como resultado principal el ya referido
teorema de Bayes.
Primero, para una mayor compresión de este teorema, son necesarias algunas
nociones básicas de teoría de probabilidad, especialmente el teorema de la
multiplicación para probabilidad condicional, el cual establece que

Para E y A eventos arbitrarios de un espacio muestral S.


Y la definición de particiones, la cual nos dice que si tenemos A1 ,A2,…, An eventos de
un espacio muestral S, estos formarán una partición de S, si los Ai son mutuamente
exclusivos y su unión es S.

Distribución poisson
La distribución de Poisson es una distribución de probabilidades discreta, mediante
la cual se puede conocer la probabilidad de que, dentro de una muestra de tamaño
grande y durante un cierto intervalo, ocurra un evento cuya probabilidad es
pequeña
Con frecuencia, la distribución de Poisson se puede utilizar en lugar de la
distribución binomial, siempre y cuando se cumplan las siguientes condiciones
descritas: muestra grande y probabilidad pequeña.

La forma matemática de la distribución de Poisson es la siguiente:

– La variable aleatoria es y

– μ (también a veces denotado como λ) es la media o parámetro de la distribución


– Número de Euler: e = 2.71828
– La probabilidad de obtener y = k es P

– k es el número de éxitos 0, 1,2,3…


– n es el número de pruebas o eventos (el tamaño de la muestra)
Las variables aleatorias discretas, como su nombre lo indica, dependen del azar y
únicamente toman valores discretos: 0, 1, 2, 3, 4…, k.
La media de la distribución viene dada por:

La varianza σ, que mide la dispersión de los datos, es otro parámetro importante.


Para la distribución de Poisson es:

σ=μ

Poisson determinó que cuando n → ∞, y p → 0, la media μ –también llamada


valor esperado– tiende a una constante:

μ → constante
Importante: p es la probabilidad de ocurrencia del evento tomando en cuenta la
población total, mientras que P (y) es la predicción de Poisson sobre la muestra.

También podría gustarte