a piori
Supongamos que un suceso E tiene h posibilidades
de ocurrir entre un total de n posibilidades, cada una
de las cuales tiene la misma oportunidad de ocurrir
que las dems.
Entonces, la probabilidad de que ocurra E (o sea un
xito) se denota por:
h
p Pr{E}
n
El total de las n posibilidades; las n resultados
posibles del ensayo, experimento, etc.; se llama el
espacio muestral y se denota por S
EJEMPLO:
Sea el suceso E: obtener un nmero par en la tirada
de un dado
El espacio muestral S
de los resultados
posibles son: obtener
uno, dos, tres, cuatro,
cinco seis
S = { 1, 2, 3, 4, 5, 6 }
Entonces E: obtener dos cuatro seis (obtener un
nmero par en la tirada de un dado)
E = { 2, 4, 6 }
Pr{obtener par }
3
6
1
2
lim fr
Pr(E)
20
40
60
80
100
120
140
160
180
200
18
31
42
48
59
72
83
92
101
N de caras 11
Fr. relativa 0,550 0,450 0,517 0,525 0,480 0,492 0,514 0,519 0,511 0,505
Los valores de la
frecuencia relativas obtenidas
se aproximan a 0,5.
0,5
La probabilidad de
obtener cara en un
lanzamiento es 0,5
0,58
La frecuencia relativa
tiende a la probabilidad
0,54
0,5
p(cara) = 0, 5
0,46
0,42
20
60
100
140
180
6
PROBABILIDAD AXIOMATICA
2.- p(S) = 1
3.- Aditividad:
p(E1 E2) = p(E1) + p(E2)
si E1 E2 =
(donde es el conjunto vaco).
Kolmogorov A.
(1903- 1987)
7
0,5 = 0,25
1/4 = 1/10.
P( A
B)
P( A) P( B)
A
Acontecimientos
compatibles
A
B
AU B
P( A
B)
P( A) P( B) P( A
B)
Probabilidad condicional
P( A B)
P( B)
P( A B)
tamao de uno con
respecto al otro
S espacio muestral
A
B
A1
A2
A3
A4
15
A2
A1
A3
A4
Teorema de Bayes
A2
A1
P(Ai | B)
B
P(B Ai )
P(B)
A3
A4
17
Teorema de Bayes
P( Ai B)
P( B Ai ).P( Ai )
P( Ai B)
P( B)
P( B A j ).P( A j )
j
18
Tres joyeros idnticos tienen cada uno dos cajones. Cada cajn
del primero contiene un reloj de oro, y cada uno del segundo
un reloj de plata, En un cajn del tercero hay un reloj de oro y
en el otro uno de plata. Si seleccionamos un joyero al azar,
abrimos uno de sus cajones y en el hay un reloj de plata, cul
es la probabilidad de que en el otro cajn haya un reloj de oro?
RO p(J3 / P)
J1
J2
RO
RP
RP
J3
1 / 3 0,5
p( J 3 / P )
1 / 3 0 1 / 3 1 1 / 3 0,5
1
3
RO
RP
20
21
DISTRIBUCIONES DE PROBABILIDAD
Variables discretas:
Si una variable X puede tomar un conjunto discreto de
valores X1, X2, , XK, con probabilidades respectivas
p1, p2, ... pK, donde p1 + p2 + + pK = 1, decimos que
tenemos definida una distribucin de probabilidad
discreta para X. La funcin p(X), que tiene valores p1,
p2, ... pK para X = X1, X2,..., XK, se llama funcin de
probabilidad o una funcin de frecuencia de X. Como X
puede tomar ciertos valores con ciertas probabilidades,
se le llama una variable aleatoria discreta. Una variable
aleatoria se conoce tambin como variable estocstica.
2
3
4
5
6
8
9
10
11
12
1
P(2) =
36
2
P(3) =
36
3
P(4) =
36
4
P(5) =
36
5
P(6) =
36
6
P(7) =
36
5
P(8) =
36
2
P(11) =
36
(2,78%)
1
(5,56%)
18
1
(8,33%)
12
1
(11,11%)
9
11
(13,89%)
12
1
6
3 - 1 3 - 2 3 - 3 3 - 4 3 - 5 3 - 6 10
(16,66%)
(13,89%)
1
(5,56%)
18
1
(11,11%)
9
1
P(12) =
(2,78%)
36
P(9) =
4
36
3
P(10) =
36
1
12
(8,33%
Distribucin de probabilidades:
x
10
11
12
p(x) (%) 2,78 5,56 8,33 11,11 13,89 16,66 13,89 11,11 8,33 5,56 2,78
p [%]
20
18
16
14
12
10
8
6
4
2
3 4 5
9 10 11 12
puntos
DISTRIBUCIONES DE PROBABILIDAD
Variables continuas:
Las ideas anteriores se extienden a variables que pueden
tomar un conjunto continuo de valores. El polgono de
frecuencias relativas de una muestra se convierte en una
curva continua de ecuacin Y = p(X). El rea total bajo esa
curva y sobre el eje X es 1, y el rea entre X a y X b
(sombreada en la figura) da la probabilidad de que X est
entre a y b, que se denota por Pr{a < X < b}.
Llamamos a p(x) una funcin densidad de probabilidad, o
brevemente una funcin densidad, y cuando tal funcin es
dada decimos que se ha definido una distribucin de
probabilidad continua para X. La variable X se llama
entonces una variable aleatoria continua.
p( X )
ESPERANZA MATEMTICA
Si p es la probabilidad de que una persona reciba
una cantidad S de dinero, la esperanza matemtica
(o simplemente esperanza) se define como pS.
Anlisis combinatorio
Principio fundamental
Si un suceso puede ocurrir de n1 maneras, y si cuando
ste ha ocurrido otro suceso puede ocurrir de n2
maneras, entonces el nmero de maneras en que
ambos pueden ocurrir en el orden especificado es n1n2.
EJEMPLO: de cuntas
maneras distintas se
puede ir de A hasta B?
A
Hay 4 3 = 12 caminos
distintos para ir desde
A hasta B
Permutaciones
Dados n objetos distintos, llamamos permutacin a
una ordenacin particular de los n objetos.
Ejemplo: Hay 6 posibles permutaciones con las tres
letras a, b, c:
abc, acb, bac, bca, cab, cba.
El nmero de permutaciones de n objetos diferentes
tomados todos a la vez es n!
Pn
n (n 1) (n
2) 3 2 1
n!
20
19
18
12
11 670.442.572.800
...
10 factores
Pn,r
n (n 1) (n 2) ... (n r 1)
Pn,r
n!
(n r)!
En el problema
anterior:
P20,10
n (n 1) (n 2) ... 3 2 1
(n r) (n r 1) ... 3 2 1
20!
(20 10)!
20!
10!
20 19 18 ... 12 11
P9,3
9 8 7
504
9 9 8 641