You are on page 1of 12

Antecedentes histricos de la probabilidad la probabilidad es la gua misma de la vida Probabilidades es uno de los instrumentos bsicos de la estadstica y uno sus

orgenes en los juegos de azar, en el siglo 17. Los juegos de azar, como implica su nombre, incluyen acciones tales como girar una ruleta, lanzar dados, tirar al aire monedad, extraer una carta de un naipe, etc., en los cuales el resultado de un evento es incierto. Sin embargo, an cuando el resultado de un evento en particular sea incierto, existe un resultado que se puede predecir. (Los eventos en que interviene el azar son llamados aleatorios) Para cuantificar la posibilidad de que ocurra un evento usamos la palabra probabilidad y que es un tipo especial de medida: es la medida de la incertidumbre de un evento. En general, un carcter comn a los eventos cuya frecuencia se expresa en trminos de probabilidad, es la incertidumbre previa sobre la ocurrencia de esos eventos en un caso particular. A pesar de ello, puede existir la necesidad de predecir el resultado para adoptar una decisin. Por ejemplo, cada vez que se hace un viaje en avin no se sabe con certeza si ocurrir o no un accidente: hay una pequea probabilidad de que sta ocurra y, completariamente, una alta probabilidad de que no suceda. Tomar la decisin de hacer un viaje en avin supone predecir que no habr un accidente, prediccin que se basa en la pequea probabilidad de que ste ocurra. Han contribuido al desarrollo de la teora de la probabilidad: Girolamo cardano (1501- 1576), filsofo, antrlogo y matemtico italiano, a quin se le tribuye la primera discusin sobre probabilidad en su manual para jugadores liber de ludo aleae (Manual para tirar los dados) Galileo galilet (1563- 1642), matemtico, fsico y astrnomo italiano, en 1620 escribi una exposicin sobre el tema, al ser requerido por entusiastas de los juegos de azar. El problema surgi de la manea siguiente: si lanzamos tres dados al mismo tiempo, cul es el resultado ms frecuente? Los jugadores expirementados opinaban que un total de 10 y 11 puntos era lo ms frecuente. Era objetiva esta conclusin de los jugadores? Galileo respondi con un artculo intitulado sobre le scorpeti dei dadi (Acerca de los descubrimientos del dado). El raciocinio de galileo fue el siguiente: si lanzamos una vez un dado (de 6 caras), la probabilidad de que aparezca un resultado determinado es 1/6. Si lanzamos un dado dos veces, la probabilidad de obtener otros resultados aumenta, ya que el resultado de cada dado puede combinarse con los resultados del otro dado. En concreto, en este caso existirn 6.6 posibles combinaciones.

Parece lgico que si sumamos los resultados de dos dados lanzados simultneamente, los posibles totales no tienen una misma probabilidad de acontecer por igual. As, por ejemplo, para obtener un valor 2 con dos dados slo existe una posibilidad en 36. Hs, para obtener un resultado 4, existe mayor probabilidad, ya que la suma 4 puede ser obtenida de tres maneras diferentes: (1,3); (2,2); (3,1). Si lanzamos tres dados, cada uno de los 36 posibles resultados obtenidos en el lanzamiento de dos dados puede ser combinado con otros 6 posibles resultados, obteniendo de esta manera 216 resultados posibles. Analizando estos resultados, galileo respondi a la pregunta 10 u 11 era comn, pero tambin exista prcticamente una misma posibilidad de obtener valores entre 9 y 12. Refiere la historia que en el ao 1650 el caballero francs de mer, un apasionado al juego, habra llevado a Blas pascal, (1632- 1662), problemas relacionados con juegos de azar. Pascal a su vez inici correspondencia con otros matemticos amigos, destacndose entre ellos Pierre permat (16011665) por los estudios realizados. Cristian huygens (1629- 1695), fsico gemetra y astrnomo holands, publica en 1657 tratado de problemas de probabilidades que fue un tratado de problemas relacionados con los juegos. De acuerdo con la historia, en el siglo 18 el clculo de probabilidades lleg pronto a hacerse popular por sus alusiones a los juegos de azar y se desarroll rpidamente. En la sociedad europea de esa poca particularmente en Francia el juego moviliz muchas personas y una cantidad considerable de dinero. Los que ms contribuyeron a su desarrollo en este perodo fueron: Jacobo derouilli (1654-1705), matemtico suizo, originario de una familia holandesa refugiada en Basilea. En 1713 se public su obra tutilada ars conjectandi (el arte de la conjetura), pocos aos despus de su muerte. Abraham de moivre (1667-1754), gemetra francs, publico en 1718 the doctrine of chance (la doctrina de las probabilidades), donde figuran las primeras indicaciones de la distribucin normal de probabilidades. Sinon de laplace (1749-1827), introdujo reglas e ideas nuevas y demostr que la teora poda ser aplicada a mltiples problemas de ndole cientfica y prctica. Public en 1812 thorie analytique des probablits. Para laplace, la teora de las probabilidades no es otra cosa que el sentido comn reducido a clculos.

Slo en 1933, A. N. Kolmogorov, matemtico ruso, public un famoso libro sobre probabilidades basado en la teora de conjuntos. A l correspondi presentar el primer tratamiento axiomtico de la teora de la probabilidad. Como una informacin general, sealo que el orden del desarrollo histrico de la teora de la probabilidad fue la siguiente: 1.- probabilidad clsica o a priori (laplace) 2.- probabilidad frecuencial o a posteriori (Probabilidad estadstica) 3.- modelo axiomtico. Finalmente, dejaremos establecido que probabilidades es de fundamental importancia en reas como estadstica (el azar afecta tanto a la reunin de datos como a su anlisis), ciencias fisica, tecnologa ciencias sociales, gentica, seguros de vida, y en todo evento que tenga relacin con el anlisis de datos. 2.- eventos y probabilidades 2.1 espacio muestral y eventos Cuando lanzamos un dado, por ejemplo, los resultados que pueden salir son: 1, 2, 3, 4,5 o 6 en el caso del lanzamiento de una moneda, los resultados posibles son cara y sello. El conjunto de resultados posibles puede ser cualquier conjunto, con la condicin de que sus electos aparezcan como resultado de un experimento. En vez de conjunto de resultados posibles se ha introducido el nombre de espacio muestral, y los experimentos que dan lugar a espacios mustrales se llaman experimentos aleatorios. Se llama espacio muestral, asociando a un experimento aleatorio, al conjunto de todos los resultados posibles de dicho experimento. Si a, a2, an son todos los resultados posibles de un experimento aleatorio, entonces s = {a1, a2, an } Nota 1: en nuestro estudio slo consideraremos espacios mustrales finitos no vacos: s contiene un nmero finito de resultados posibles. Si s es un conjunto numerable, es decir, contiene un nmero finito o finito numerables de resultados posibles, entonces s recibe el nombre de espacio muestral discreto. (Si s es infinito no numerable, entonces se habla de espacio muestral continuo). A conjunto numerable si es posible ponerlo en correspondencia biunvoca con n o una parte inicial de n.

A numerable a n o con una parte inicial de n. Ejemplo: Q es un conjunto numerables porque es coordinable con n. Q N Contraejemplo: R / N; en cambio R ] -1, 1[ hay tantos reales en R como en ]-1, 1[, o como en cualquier intervalo abierto ]a, b[, a < b. Ejemplos de espacios mustrales 1.2.3.4.5.lanzamiento de una moneda: S = {c, s} alternativas de una proporcin: S= {1, 0} sexo de los recin nacidos: s = {varn, mujer} eleccin de un helado: s = {lcuma, chocolate, frutilla} Lanzamiento de un dado: s = {1, 2, 3, 5, 6} a) que son productos cartesianos:

1.- lanzamiento de una moneda dos veces (o de dos monedas a la vez, identificables por una marca). Tambin en este ejemplo es posible considerar como espacio muestral La suma de los nmeros que muestran las caras superiores de los dados. O sea, S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} en conexin con los experimentos sealados a menudo interesan ciertos subconjuntos. Por ejemplo, los siguientes subconjuntos del espacio muestral precedente S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}: A = {(X, Y) / X + Y = 7} = {(1, 6), (2, 5) , (3, 4), (4, 3), (5, 2), (6, 1)} (SUMA DE LOS RESULTADOS DE LOS DADOS ES 7) B = { (x, y) / x + y < 4} = {(1, 1), (1, 2), (2, 1)} (SUMA DE LOS RESULTADOS DE LOS DADOS ES MENOR QUE 4) Un conjunto A es llamado un evento si y slo si A C S; es decir, a todo subconjunto de un espacio muestral S. Sea S un espacio muestral finto A es evento. En particular, si consideramos el evento suma de los resultados de los dados es menor que 3, entonces el conjunto contiene un solo elemento: A = {(1, 1 )} Un evento que contiene un solo elemento se llama evento elemental ( o punto muestral).

Nota 2: evento no tiene el significado vulgar de algo que ocurre, de algo que sucede: es un elemento estadstico e implica la caracterizacin de un hecho, pero no su ocurrencia. El hecho en s caracteriza el evento, ocurra o no. Nota 3: para todo espacio muestral S, S y o son eventos, ya que S y o son subconjuntos de S. 2.2 eventos mutuamente excluyentes Al lanzar una vez un dado puede obtenerse, por ejemplo, 5 o 6, pero no ambos; es decir, no ocurren simultneamente. Se dice que dos eventos A Y B son mutuamente excluyentes si y solo A B = o Tambin se dice que son incompatibles. 3.- Probabilidad clsica o 2 a priori. En el mtodo cientfico del tratamiento de problemas estadstios, as como en cualquier otro campo de la metodologa cientfica, puede hablarse de dos aspectos generales: 1.- a partir de ciertas hiptesis, y se pretende prever ciertos resultados;

CONCEPTOS BSICOS EN LA PROBABILIDAD

EXPERIMENTO Y ENSAYO Un experimento aleatorio es un proceso que tiene las siguientes propiedades: 1. El proceso se efecta de acuerdo a un conjunto bien definido de reglas. 2. Es de naturaleza tal que se repite o puede concebirse la repeticin del mismo. 3. El resultado de cada ejecucin depende de "la casualidad" y por lo tanto, no se puede predecir un resultado nico. Una sola ejecucin del experimento se llama ensayo

ESPACIO MUESTRA Y EVENTO Al conjunto de todos los posibles resultados de un experimento se llama espacio muestra o espacio muestral del experimento, y se denota por S. Cada uno de los resultados del experimento se llama

elemento o punto de S. Se dice que un espacio muestra es finito o infinito, cuando el conjunto S tiene un nmero finito o infinito de elementos, respectivamente. En muchos problemas prcticos no estamos tan interesados en los resultados individuales del experimento sino en el hecho de que un resultado se encuentre contenido en un cierto conjunto de resultados. Es claro que cada conjunto de este tipo es un subconjunto del espacio muestra S, Este subconjunto se llama evento o suceso.

EVENTOS MUTUAMENTE EXCLUYENTES Dos eventos A y B que no ocurren simultneamente o que no tienen elementos en comn; es decir, si A B = , entonces A y B son eventos mutuamente exclusivos o mutuamente excluyentes.

EVENTOS COMPLEMENTARIOS Dos eventos A y B son complementarios si A B = S y A B = . En caso de que se cumplan estas dos propiedades a B se le denota por AC (B es el complemento de A) o a A por BC (A es el complemento de B). Ejemplo 23: Sea el experimento de sacar dos fusibles, ambos a la vez, de una caja que contiene 5 fusibles (supongamos que estn marcados con las letras a, b, c, d, y e). Supongamos adems que 3 estn defectuosos (supongamos que los defectuosos son b, c, y d). El espacio muestra es el conjunto de las formas en que se pueden sacar dos fusibles de los cinco. S = {ab, ac, ad, ae, bc, bd, be, cd, ce, de}

Algunos eventos son: 1. 2. 3. 4. El evento A en que ninguno de los dos fusibles sean defectusos. El evento B, en que uno de los dos fusibles es defectuoso. El evento C, en que uno o ms fusibles son defectuosos. El evento D, en que los dos fusibles son defectuosos.

Escritos en notacin de conjuntos tenemos: A = {ae} B = {ab, ac, ad, be, ce, de} C = {ab, ac, ad, bc, bd, be, cd, ce, de} D = {bc, bd, cd}

Los eventos A y B; A y D; B y D; A y C son mutuamente exclusivos, porque A B = , A D = ; B D = .y A C = . Los eventos A y C son adems complementarios, o sea, A C = y A C = S. Modelo matemtico En ciencias aplicadas, un modelo matemtico es uno de los tipos de modelos cientficos que emplea algn tipo de formulismo matemtico para expresar relaciones, proposiciones sustantivas de hechos, variables, parmetros, entidades y relaciones entre variables y/o entidades u operaciones, para estudiar comportamientos de sistemas complejos ante situaciones difciles de observar en la realidad. El trmino modelizacin matemtica es utilizado tambin en diseo grfico cuando se habla de modelos geomtricos de los objetos en dos (2D) o tres dimensiones (3D). El significado de modelo matemtico en matemtica fundamental, sin embargo es algo diferente. En concreto en matemticas se trabajan con modelos formales. Un modelo formal para una cierta teora matemtica es un conjunto sobre el que se han definido un conjunto de relaciones unarias, binarias y trinarias, que satisface las proposiciones derivadas del conjunto de axiomas de la teora. La rama de la matemtica que se encarga de estudiar sistemticamente las propiedades de los modelos es la teora de modelos. ]Clasificaciones de los modelos Se podra decir que un modelo de las ciencias fsicas es una traduccin de la realidad fsica de un sistema en trminos matemticos, es decir, una forma de representar cada uno de los tipos entidades que intervienen en un cierto proceso fsico mediante objetos matemticos. Las relaciones matemticas formales entre los objetos del modelo, deben representar de alguna manera las relaciones reales existentes entre las diferentes entidades o aspectos del sistema u objeto real. As una vez "traducido" o "representado" cierto problema en forma de modelo matemtico, se pueden aplicar el clculo, el lgebra y otras herramientas matemticas para deducir el comportamiento del sistema bajo estudio. Un modelo fsico requerir por tanto que se pueda seguir el camino inverso al modelado, permitiendo reinterpretar en la realidad las predicciones del modelo. ]Segn la informacin de entrada Con respecto a la funcin del origen de la informacin utilizada para construir los modelos pueden clasificarse de otras formas. Podemos distinguir entre modelos heursticos y modelos empricos:

Modelos heursticos (del griego euriskein 'hallar, inventar'). Son los que estn basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenmeno estudiado.

Modelos empricos (del griego empeirikos relativo a la 'experiencia'). Son los que utilizan las observaciones directas o los resultados de experimentos del fenmeno estudiado.

]Segn el tipo de representacin Adems los modelos matemticos encuentran distintas denominaciones en sus diversas aplicaciones. Una posible clasificacin puede atender a si pretenden hacer predicciones de tipo cualitativo o pretende cuantificar aspectos del sistema que se est modelizando:

Modelos cualitativos o conceptuales, estos pueden usar figuras, grficos o descripciones causales, en general se contentan con predecir si el estado del sistema ir en determinada direccin o si aumentar o disminuir alguna magnitud, sin importar exactamente la magnitud concreta de la mayora de aspectos.

Modelos cuantitativos o numricos, usan nmeros para representar aspectos del sistema modelizado, y generalmente incluyen frmulas y algoritmos matemticos ms o menos complejos que relacionan los valores numricos. El clculo con los mismos permite representar el proceso fsico o los cambios cuantitativos del sistema modelado.

]Segn la aleatoriedad Otra clasificacin independiente de la anterior, segn si a una entrada o situacin inicial concreta pueden corresponder o no diversas salidas o resultados, en este caso los modelos se clasifican en:

Determinista. Se conoce de manera puntual la forma del resultado ya que no hay incertidumbre. Adems, los datos utilizados para alimentar el modelo son completamente conocidos y determinados.

Estocstico. Probabilstico, que no se conoce el resultado esperado, sino su probabilidad y existe por tanto incertidumbre.

]Clasificacin segn su aplicacin u objetivo Por su uso suelen utilizarse en las siguientes tres reas, sin embargo existen muchas otras como la de finanzas, ciencias etc.

Modelo de simulacin o descriptivo, de situaciones medibles de manera precisa o aleatoria, por ejemplo con aspectos de programacin lneal cuando es de manera precisa, y probabilstica o heurstica cuando es aleatorio. Este tipo de modelos pretende predecir qu sucede en una situacin concreta dada.

Modelo de optimizacin. Para determinar el punto exacto para resolver alguna problemtica administrativa, de produccin, o cualquier otra situacin. Cuando la optimizacin es entera o no lineal, combinada, se refiere a modelos matemticos poco predecibles, pero que pueden acoplarse a alguna alternativa existente y aproximada en su cuantificacin. Este tipo de modelos requiere comparar diversas condiciones, casos o posibles valores de un parmetro y ver cual de ellos resulta ptimo segn el criterio elegido.

Modelo de control. Para saber con precisin como est algo en una organizacin, investigacin, rea de operacin, etc. Este modelo pretende ayudar a decidir qu nuevas medidas, variables o qu parmetros deben ajustarse para lograr un resultado o estado concreto del sistema modelado.

DUAGRAMA DE ARBOL Un diagrama de rbol es una herramienta que se utiliza para determinar todos los posibles resultados de un experimento aleatorio. En el clculo de la probabilidad se requiere conocer el nmero de objetos que forman parte del espacio muestral, estos se pueden determinar con la construccin de un diagrama de rbol. El diagrama de rbol es una representacin grfica de los posibles resultados del experimento, el cual consta una serie de pasos, donde cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo. Se utiliza en los problemas de conteo y probabilidad. Para la construccin de un diagrama en rbol se partir poniendo una rama para cada una de las posibilidades, acompaada de su probabilidad. Cada una de esta ramas se conoce como rama de primera generacin. En el final de cada rama de primera generacin se constituye a su vez, un nudo del cual parten nuevas ramas conocidas como ramas de segunda generacin, segn las posibilidades del siguiente paso, salvo si el nudo representa un posible final del experimento (nudo final). Hay que tener en cuenta que la construccin de un rbol no depende de tener el mismo nmero de ramas de segunda generacin que salen de cada rama de primera generacin y que la suma de probabilidades de las ramas de cada nudo ha de dar 1.

Existe un principio sencillo de los diagramas de rbol que hace que stos sean mucho ms tiles para los clculos rpidos de probabilidad: multiplicamos las probabilidades si se trata de ramas adyacentes (contiguas), el ejemplo de alumna de la primera facultad, o bien las sumamos si se trata de ramas separadas que emergen de un mismo punto, el ejemplo de encontrar un alumno. Ejemplos Una universidad est formada por tres facultades:

La 1 con el 50% de estudiantes. La 2 con el 25% de estudiantes. La 3 con el 25% de estudiantes.

Las mujeres estn repartidas uniformemente, siendo un 60% del total en cada facultad.

Probabilidad de encontrar una alumna de la primera facultad?

Probabilidad de encontrar un alumno varn?

pero tambin podra ser lo contrario.

PRINCIPIO FUNDAMENTAL DEL PROCESO DE CONTAR De la seccin anterior se puede establecer una manera eficiente de contar considerando el principio de multiplicacin, el cual llamaremos: Principio fundamental del proceso de contar quedando explcitamente de la siguiente manera: Si en una primera decisin se puede hacer de n formas diferentes y una segunda decisin en m formas diferentes entonces las dos decisiones se pueden hacer en n por m o sea nm formas diferentes en el orden dado. Ej.- Cuantas palabras de 4 letras (sin significado) se puede formar con las letras de la palabra vernica, sin usar mas de una vez cada una de las letras, 8 x 7 x 6 x 5 = 1680 PERMUTACIONES El nmero de permutaciones de n objetos es el nmero de formas en los que pueden acomodarse esos objetos en trminos de orden. Permutaciones En n Objetos Permutaciones de n elementos tomando n a la vez es igual a: nPn = n! = (n) x (n-1) x x (2) x (1)

COMBINACIONES En el caso de las combinaciones, lo importante es el nmero de agrupaciones diferentes de objetos que pueden incurrir sin importar su orden. Por lo tanto en las combinaciones se busca el nmero se subgrupos diferentes que pueden tomarse a partir de n objetos. El nmero de combinaciones de n objetos tomados r a la vez es igual a: nCr = n! ---r! (n-r)!

You might also like