Ejemplos
Por lo tanto :
{varón, mujer}
Se dice que dos eventos son mutuamente excluyentes si uno
y sólo uno de ellos puede tener lugar a un tiempo.
9 Definición clásica.
9 Frecuencia relativa de ocurrencia.
9 Probabilidad subjetiva.
Probabilidad clásica
Se define la probabilidad de que un evento ocurra como:
Ejemplo :
Probabilidad de que nazca una niña= 1/2
Probabilidad clásica
¾ La probabilidad clásica, a menudo, se le conoce como
probabilidad a priori, debido a que si utilizamos ejemplos
previsibles como monedas no alteradas, dados no
cargados y mazos de barajas normales, entonces podemos
establecer la respuesta de antemano, sin necesidad de
lanzar una moneda, un dado o tomar una carta. No
tenemos que efectuar experimentos para poder llegar a
conclusiones.
¾ Este planteamiento de la probabilidad tiene serios
problemas cuando intentamos aplicarlo a los problemas de
toma de decisiones menos previsibles.
¾ La probabilidad clásica supone también una especie de
simetría en el mundo
Frecuencia relativa de ocurrencia
Ejemplo:
La prevalencia (probabilidad de ocurrencia) de una
enfermedad es calculada como:
Número de casos
Prevalencia=
Población en riesgo
Cuando utilizamos el planteamiento de frecuencia relativa para
establecer probabilidades, el número que obtenemos como
probabilidad adquirirá mayor precisión a medida que aumentan
las observaciones
Probabilidades subjetivas
95
P( A / B) = = 0.71
133
Fenómenos complejos
Ejemplo:
¿cuál es la probabilidad de que al menos uno de los pacientes del
médico presente efectos colaterales?
Uno de los pacientes A o B o ambos pueden presentar efectos
colaterales (los eventos no son excluyentes P(A y B)=0.01))
Gravedad de hipertensión
Antecedentes
Leve/Mod. Grave Total
18 7 25
Angina
243 38 281
Total 261 45 306
Enferm. 4 1 5
Cerebrovasc. 257 44 301
Total 261 45 306
Anormalidad 56 22 78
electrocardiográfica 205 23 228
Total 261 45 306
Variable aleatoria
Es una variable que cuantifica los resultados de un experimento
aleatorio o se puede decir también que es una variable que toma
diferentes valores como resultado de un experimento aleatorio.
⎛n⎞ x
P( x) = ⎜ ⎟ p (1 − p )n − x ; x=0,1,2,...n
⎝ x⎠
Donde :
p = Probabilidad de exito
1 - p = probabilidad de fracaso
x = número de éxitos deseados
n = número de repeticiones del experimento
Pueden ser descritos mediante una variable aleatoria discreta que toma
valores enteros (0, 1, 2...),
El evento ocurre en un periodo de tiempo, un área, un volumen.
La distribución de Poisson.
Fórmula binomial:
eλ λ x
P( x) = ; x=0,1,2,...
x!
λ : Número medio de ocurrencias del evento
e −2 2 x
P( x) = ; x=0,1,2,...
x!
Muestra aleatoria
Muestra no aleatoria
a) Muestras aleatorias
1. Muestrea simple al azar
2. Muestra sistemática
3. Muestra estratificada
4. Muestra de conglomerados
5. Muestra secuencial
b) Muestras no aleatorias
1 Muestra de conveniencia
2. Muestras dirigidas
3. Muestra de voluntarios
4. Muestra de cuotas
TIPOS DE MUESTRAS
Muestreo secuencial
Muestreo secuencial
grande
E
R
R
O
R
Pequeño
Pequeño Grande
TAMAÑO DE MUESTRA (n )
EL TAMAÑO DE MUESTRA
Zα σ 2
Zα σ N 2 2
n= 2 n= 2 2
E Zα σ + E2 N
E : Margen de error
Z : Valor de la variable normal estándar para una probabilidad (1-α )
σ 2 : medida de variabilidad de la varible principal
N : Tamaño de la población