TEORIA DE PROBABILIDADES

INTRODUCCION




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 continu 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:
















1. Historia

La probabilidad naci de la mano de los juegos de azar. En Francia, a mediados de siglo
XVII, el juego era una forma comn de entretenimiento, ya que no haba impedimentos
legales demasiado estrictos para practicarlo. En un mazo de cartas, la probabilidad de
sacar un naipe de oro es de 10 entre 40 (10/40), ya que el mazo tiene 40 cartas, y
solamente 10 son de oro.


Esto equivale a decir, simplificando, que la probabilidad de sacar una carta de oro es de 1
sobre 4 (1/4). En aquel entonces, se daba por sentado que repitiendo por lo menos 400
veces la extraccin, la frecuencia del oro sera muy similar a .


El caballero De Mr observ que haba una diferencia entre la realidad y este clculo,
por eso decidi consultar con el matemtico Blas Pascal, quien comenz a debatir con
otros colegas los temas probabilsticos. Las cartas que intercambiaron se consideran
el origen de la teora de probabilidades.


1.1 Nociones Bsicas

Para emprender el estudio de la estadstica y su alcance a la hora de analizar un conjunto
de datos es necesario tener a mano las nociones basicas de probabilidad. La probabilidad
y la estadstica son dos disciplinas ntimamente conectadas. Inicialmente el nico punto
de unin que se puede establecer es que ambas disciplinas tienen en comn el estudio de
los fenmenos aleatorios.

La teora de probabilidades tiene como problema general describir mediante un modelo
matemtico cada tipo de fenmeno aleatorio, mientras que la inferencia estadstica tiene
planteado el problema inverso , es decir , a partir del conocimiento de una parte del
fenmeno pretende establecer sus propiedades, para lo cual forzosamente debe utilizar
algn modelo probabilstico que describa el fenmeno. Es esta dependencia de la
estadstica con la teora de probabilidad lo que justifica profundizar el estudio de esta
ltima.














1.2 Fenmenos y modelos

Un fenmeno natural es toda manifestacin natural que puede ser percibida mediante los
sentidos o instrumentos. Los fenmenos naturales se pueden clasificar en deterministicos
y aleatorios. Los determinsticos se pueden definir como toda manifestacion natualque
observada repetidamente bajo las mismas condiciones, produce siempre resultados
idnticos. Por ejemplo, el tiempo que tarda un objeto en llegar al suelo invariablemente
Ser a el mismo, si las condiciones son iguales en cada repeticion de la experiencia. Los
aleatorios, en cambio, son todo proceso que al observarlo repetidamente bajo el mismo
conjunto de condiciones, producen resultados diferentes. Tirar un dado es un ejemplo de
este fenmeno, ya que aunque se conozcan todos los resultados posibles, no se puede
predecir con completa certeza uno en particular.

Una manera de estudiar estos fenmenos es mediante la construccin de modelos
matemticos, los cuales intentan (simplificando u omitiendo algunos detalles) representar,
mediante expresiones cuantitativas, las caractersticas, propiedades y/o funcionamiento
de los procesos naturales. De acuerdo con los fenmenos ya mencionados los modelos
existentes pueden ser determinsticos o aleatorios.

- Modelos determinsticos
Estos modelos establecen que las condiciones en las cuales se realiza un experimento
determinan la ocurrencia de un resultado particular. Por ej., si observamos el
desplazamiento de un mvil cierta distancia (d), podemos utilizar como modelo
matemtico para describir la velocidad media desarrollada (v) la ecuacin v = d=t (con t el
tiempo transcurrido). Este es un modelo determinstico, porque cada vez que se repita la
experiencia y se obtengan los mismos valores d y t, se producira el mismo valor de v.
Obviamente, este es un modelo simplificado en el que muchos factores no han sido
tenidos en cuenta (temperatura del aire, presin atmosfrica, etc.), sin embargo, las
pequeas desviaciones que se podrn llegar a obtener no invalidan el modelo.

- Modelos aleatorios

En estos modelos las condiciones de un experimento no determinan un resultado
particular, sino su probabilidad de ocurrencia dentro de un conjunto de resultados
posibles. Es decir, que estos modelos son frmulas que permiten obtener la distribucin
de probabilidad de los resultados posibles del experimento. Por ej., cuantas veces saldr
el numero 6 al lanzar un dado 5 veces? En este caso se debe utilizar un modelo
probabilstico, que permite conocer cul es la probabilidad de obtener cualquiera de los
resultados posibles.


- Definiciones Sucesos Compuestos

Sucesos mutuamente excluyentes:
Dos sucesos A y B son mutuamente excluyentes cuando la ocurrencia de uno de
ellos impide la ocurrencia del otro.
P(AB)=P(AyB)=P(AB)=0


- Sucesos colectivamente exhaustivos

Dos sucesos A y B son colectivamente exhaustivos cuando al menos uno de ellos
deba ocurrir siempre que se realiza el experimento.
Dicho en otras palabras, deber cumplirse que la suma de las probabilidades de
todos los sucesos deber ser igual a 1.


2.- Espacio Muestral
Es el conjunto de todos los posibles resultados de un experimento , Suele representarse
con la letra S. Puede visualizarse a travs de:
Listas
Conjunto de posibles resultados al tirar un dado={1;2;3;4;5;6}
Diagramas de rbol Conjunto de posibles resultados al tirar dos monedas





- Clasificacin de los Espacios Mustrales
Podemos diferenciar entre dos tipos de espacios mustrales: discretos y continuos.
Por ejemplo, imaginemos que se lanza una moneda y un dado de seis caras. La
probabilidad de obtener un resultado particular corresponde a la multiplicacin de sus
probabilidades. Es decir, la probabilidad de obtener cara y un tres ser:
Ahora bien, la probabilidad de un suceso cualquiera es la suma de las probabilidades de
los distintos resultados aislados posibles. As, la probabilidad de sacar siempre un
resultado impar en los dados, independientemente del resultado de la moneda, ser:

Espacios muestrales discretos: Son espacios mustrales cuyos elementos
resultan resultan de hacer conteos conteos, y por lo general general son
subconjuntos subconjuntos de los nmeros nmeros enteros.


Espacios muestrales continuos: Son espacios mustrales cuyos elementos
resultan de hacer mediciones y por lo general son intervalos en la recta resultan de
hacer mediciones, y por lo general son intervalos en la recta Real.




3.- Eventos

Un Evento es un resultado particular de un experimento aleatorio. En trminos de
conjuntos, un evento es un subconjunto del espacio muestral. Por lo general se le
representa por las primeras letras del alfabeto. Ejemplo:

A: Que salga un nmero par al lanzar un dado.
E: Que haya que esperar ms de 10 minutos para ser atendidos.

Evento Nulo: Es aqul que no tiene elementos elementos. Se representa
representa por .
Evento Seguro: Es el espacio muestral que puede ser considerado como un
evento.


3.1 Relaciones entre eventos

- Operaciones con sucesos.
Unin: describe al evento de que ocurra por lo menos uno de ellos
Interseccin : descrbe al evento de que acurra en AyB
Diferencia: puede ocurrir o no ocurrir
Producto cartesiano: ocurre 1 A y 2B

Aplicaciones
Dos aplicaciones principales de la teora de la probabilidad en el da a da son en el
anlisis de riesgo y en el comercio de los mercados de materias primas. Los gobiernos
normalmente aplican mtodos probabilsticos en regulacin ambiental donde se les llama
"anlisis de vas de dispersin", y a menudo miden el bienestar usando mtodos que son
estocsticos por naturaleza, y escogen qu proyectos emprender basndose en anlisis
estadsticos de su probable efecto en la poblacin como un conjunto. No es correcto decir
que la estadstica est incluida en el propio modelado, ya que tpicamente los anlisis
de riesgo son para una nica vez y por lo tanto requieren ms modelos de probabilidad
fundamentales, por ej. "la probabilidad de otro 11-S". Una ley de nmeros
pequeos tiende a aplicarse a todas aquellas elecciones y percepciones del efecto de
estas elecciones, lo que hace de las medidas probabilsticas un tema poltico.
Un buen ejemplo es el efecto de la probabilidad percibida de cualquier conflicto
generalizado sobre los precios del petrleo en Oriente Medio - que producen un efecto
domin en la economa en conjunto. Un clculo por un mercado de materias primas en
que la guerra es ms probable en contra de menos probable probablemente enva los
precios hacia arriba o hacia abajo e indica a otros comerciantes esa opinin. Por
consiguiente, las probabilidades no se calculan independientemente y tampoco son
necesariamente muy racionales. La teora de las finanzas conductuales surgi para
describir el efecto de este pensamiento de grupo en el precio, en la poltica, y en la paz y
en los conflictos.
Se puede decir razonablemente que el descubrimiento de mtodos rigurosos para calcular
y combinar los clculos de probabilidad ha tenido un profundo efecto en la sociedad
moderna. Por consiguiente, puede ser de alguna importancia para la mayora de los
ciudadanos entender cmo se calculan los pronsticos y las probabilidades, y cmo
contribuyen a la reputacin y a las decisiones, especialmente en una democracia.
Otra aplicacin significativa de la teora de la probabilidad en el da a da es en
la fiabilidad. Muchos bienes de consumo, como los automviles y la electrnica de
consumo, utilizan la teora de la fiabilidad en el diseo del producto para reducir la
probabilidad de avera. La probabilidad de avera tambin est estrechamente relacionada
con la garanta del producto.
Se puede decir que no existe una cosa llamada probabilidad. Tambin se puede decir que
la probabilidad es la medida de nuestro grado de incertidumbre, o esto es, el grado de
nuestra ignorancia dada una situacin. Por consiguiente, puede haber una probabilidad de
1 entre 52 de que la primera carta en un baraja sea la J de diamantes. Sin embargo, si
uno mira la primera carta y la reemplaza, entonces la probabilidad es o bien 100% 0%, y
la eleccin correcta puede ser hecha con precisin por el que ve la carta. La fsica
moderna proporciona ejemplos importantes de situaciones determinsticas donde slo la
descripcin probabilstica es factible debido a informacin incompleta y la complejidad de
un sistema as como ejemplos de fenmenos realmente aleatorios.

PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS


DISTRIBUCION BINOMIAL

Una variable binomial se deriva a partir del experimento de Bernoulli.

Pruebas de Bernoulli. Son experimentos que tienen las siguientes caractersticas:

1. Para cada prueba se tiene dos resultados posibles, xito y fracaso (E y F), (la
ocurrecia y la no ocurrencia de un evento particular).

Probabilidad de xito = p
Probabilidad de fracaso = q = 1-p

2. El valor de "p" no se altera a travs de las repeticiones de la prueba.

3. Las pruebas realizadas son independientes.

Ejemplo: Se examina en laboratorio en placas Petrick los foliolos que producen brotes. Si
produce brote es un exito, caso contrario es un fracaso.

En una prueba, la probabilidad de exito p = 1/2 por ejemplo. Sea la v.a. discreta X:
nmero de foliolos con brote (xitos)
1ra Prueba 2da Prueba r sima Prueba


O
1
= {E,F} O
2
= {E,F} O

= {E,F}
O
1
= {C,S} O
2
= {C,S} O

= {C,S}




DISTRIBUCION DE POISSON


La distribucin de Poisson se deduce de un proceso de Poisson o como el lmite de la
distribucin binomial.


Al Proceso de Poisson esta asociado un parmetro


x: Nmero de eventos discretos en "t" unidades de medida.


: es el nmero esperado o promedio de eventos discretos en una unidad de
medida.


t: nmero de unidades de medida


e: 2.71828 (base del logaritmo neperiano)


La variable x as definida es una V.A.D. distribuida como Poisson con la funcin de
probabilidad dada anteriormente.

Casos:
- Nmero de manchas por metro cuadrado de cierto objeto. Son eventos discretos
porque se puede encontrar 0,1,2 muchas ms manchas en un metro cuadrado.
El metro cuadrado es la unidad de medida y es un intervalo continuo porque tiene
infinitos puntos.
- El nmero de tuberculos infectados en un lote.
- El nmero de vehculos que llegan a una estacin de servicio durante una hora
en un da determinado. Los eventos son 0, 1,2,.... vehculos. El intervalo continuo
es 1 hora.


PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS


1. DISTRIBUCION NORMAL


Definicin.- Sea X una v.a. continua con media y variancia , luego esta variable se
distribuye como variable Normal si tiene la siguiente funcin de densidad:



1. La curva f(x) es de forma acampanada y tiene como asntota el eje de las abscisas.
2. Es simtrica respecto a la recta vertical X=
3. Presenta una relacin entre media "" y desviacin estndar o:

Si =1 , o=1; entonces la variable tiene una distribucin normal estndar.


TEOREMA DEL LIMITE CENTRAL.

La importancia de este teorema es que nada se dice de la forma de distribucin de
f(x). Cualquiera que sea la distribucin con variancia finita, la media muestral tendr
una distribucin cercana a la normal cuando la muestra sea grande.


DISTRIBUCION MUESTRAL.


Valor Estadstico.- Es una v.a. que depende de la muestra observada. La
distribucin del valor estadstico se llama distribucin muestral y a la desviacin estandar
el error estndar.


Distribucin muestral de la media (yx )

Si x
1
, x
2
, ..., x
n
es una muestra aleatoria de tamao "n" de una v.a. X con media
y variancia o, entonces la distribucin de la media muestral es aproximadamente
normal con media y variancia o/n, para n > 30.


Esta definicin es vlida para poblaciones finitas o infinitas, discretas o continuas cuando
n 30


Si la poblacin tiene distribucin normal, la distribucin de la media de la muestra es
normal para cualquier "n".


Si la muestra es sin reemplazo de una poblacin finita de tamao


"N", entonces:


DISTRIBUCION CHI-CUADRADO:
X
(v) gl
.
Definicin. - Sea Z
1
, Z
2
, Z
3
, ...Z
v
variables aleatorias normales e independientes con
media 0 y variancia 1.


Caractersticas:


1. Distribucin contina con tendencia asimtrica hacia la
derecha.
2. Los valores de W son positivos.
3. Para cada grado de libertad se tiene una distribucin Chi
Cuadrado.
4. A medida que aumenta el nmero de grados de libertad, la distribucin tiende a la
simetra.


Teorema. "Aditividad de la distribucin Chi Cuadrado". Si W
1
, W
2
,...,W
n
son variables
aleatorias independientes distribuidas cada una como Chi Cuadrado con v
1
, v
2
,...,v
n
grados de libertad respectivamente, entonces: W = EW
i
se distribuye como Chi
Cuadrado con v = Ev
i
grados de libertad.

DISTRIBUCION "t" DE STUDENT


Definicin.- Sea "Z" una v.a. normal estndar y "Y" otra variable distribuida como Chi
Cuadrado con "v" grados de libertad. La variable "t" definida como:



Caractersticas.

1. Es una curva simtrica y asinttica, de forma acampanada
2. Alcanza su mxima altura en t=0, donde:
t
= Me
t
= Mo
t
= 0
3. Para cada valor de "v" existe una curva de probabilidad.
4. A medida que "v" aumenta, la distribucin de "t" se aproxima a la distribucin normal
estndar.
5.
t
= 0 , v>1
o
t
= v/(v-2) , v>2

Teorema. - La distribucin de probabilidades de la variable t, definida como:



DISTRIBUCION "F" DE FISHER


Definicin.- Sea "W
1
" una v.a. distribuida como Chi cuadrado con v
1
grados de
libertad y "W
2
" otra variable aleatoria con distribucin Chi cuadrado con v
2
grados de libertad; independientes, entonces la variable aleatoria "F" definida como:


Caractersticas.

1. Continua y asimtrica hacia la derecha
2. Los valores de F son valores positivos, F>0
3. Para cada par de grados de libertad v
1
, v
2
se tiene una distribucin de F.
4. A medida que aumentan los valores de v
1
y v
2
, la curva se hace menos
asimtrica.
5.
F
= v
1
/(v
2
-2) para v
2
> 2



6. Tiene la propiedad recproca:


Teorema .- Si de una poblacin normal con media desconocida y variancia o
1
se extrae
una muestra de tamao n
1
cuya variancia es de S
1
, y de otra poblacin normal
tambin con media desconocida y variancia o
2
se extrae una muestra de tamao n
2
cuya variancia es de S
2
, entonces la variable aleatoria F definido como:


Teora de Dempster-Shafer (Intervalos de creencia)
En este tema trabajamos con otra teora sobre la representacin y gestin de la
incertidumbre: la teora de Dempster-Shafer. En ella, hay dos niveles de incertidumbre:
una probabilidad y un intervalo en el que puede moverse dicha probabilidad. La evidencia
inicial (representada con la medida M) asocia un valor entre 0 y 1 a cada conjunto de
hiptesis elementales (X, Y y Z en el ejemplo de abajo). En concreto, cada conjunto se
entiende como una hiptesis disyuntiva, y la evidencia asociada a un conjunto no puede
ser desglosada para asignasela de forma cierta a ninguno de los componentes de dicho
conjunto. Por ejemplo, si X = Juan es culpable e Y = Luis es culpable, la evidencia de su
culpabilidad en el crimen que se les puede atribuir por el mvil de cobrar la herencia es
indivisible si ambos son herederos en igual derecho. As, si dicha evidencia es 0.3, este
sera el valor de M({X,Y}). Esta evidencia deja al margen a Z porque suponemos que no
participa de la herencia. La funcin M debe cumplir una serie de propiedades enunciadas
en las clase de teora.
A partir de M, se definen nuevas medidas: M se acumula en valores de Creencia (total),
que dan lugar a la Duda, y de sta se saca la Posibilidad. Con ellos se definen los
intervalos de creeencia o intervalos en los que fluctuan las probabilidades de las hiptesis.
Con intervalos muy estrechos se conocen las probabilidades con ms certeza. Con
intervalos poco solapados se puede decidir con certeza respecto a cul de las hiptesis
elementales (X, Y o Z) es la ms o la menos probable.




Conclusiones

La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de
resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los
resultados posibles, bajo condiciones suficientemente estables. La teora de la
probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica,
la ciencia y la filosofa para sacar conclusiones sobre la probabilidad de sucesos
potenciales y la mecnica subyacente de sistemas complejos.
La probabilidad constituye un importante parmetro en la determinacin de las diversas
casualidades obtenidas tras una serie de eventos esperados dentro de un rango
estadstico.

Existen diversas formas como mtodo abstracto, como la teora Dempster-Shafer y la
teora de la relatividad numrica, esta ltima con un alto grado de aceptacin si se toma
en cuenta que disminuye considerablemente las posibilidades hasta un nivel mnimo ya
que somete a todas las antiguas reglas a una simple ley de relatividad.

Bibliografa


http://tarwi.lamolina.edu.pe/~fmendiburu/index-
filer/academic/Foresteria%20I/Teoria/Exposicion%20Probabilidad.pdf
http://www.uv.es/ceaces/pdf/prob1.pdf
http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/T02.pdf
http://www.bdigital.unal.edu.co/6187/5/9589322751_Parte1.pdf
http://eduardolakatos.files.wordpress.com/2007/12/teoria-de-probabilidad.pdf
http://www.mate.unlp.edu.ar/~maron/MaronnaHome_archivos/Probabilidad%20y%20Estadistica
%20Elementales.pdf