En cierta ocasin, una maestra de Probabilidad y Estadstica fue a las Vegas a probar su suerte en los grandes casinos de apuestas. La maestra en cuestin se dirigi a las mquinas tragamonedas ubicadas en un prestigioso hotel y estuvo largo rato observando cada una de ellas. Calculando mentalmente en qu momento sera una buena oportunidad para que ella insertara una moneda. La maestra, aunque no obtuvo ganancias millonarias, alcanz a pagar todo el viaje para ella y su familia. Cmo le hizo para determinar ese momento?, qu observaciones realiz durante el tiempo que estuvo en el casino? Rara vez, las personas y los tomadores de decisiones disponen de toda la informacin a partir de la cual seleccionar una de dichas decisiones, por ejemplo, sin duda has escuchado frases como: El pronstico meteorolgico indica que hay un 70% de posibilidades de lluvia. La probabilidad de que un nuevo yogurt infantil sabor pltano sea aceptado por el pblico es del 45%. El equipo local gana el 30% de los juegos como visitante. Todas las frases mantienen una caracterstica en particular: no hay certidumbre en el resultado final, es decir, en realidad no sabremos si el da de hoy va a llover o si el equipo local ganar su prximo juego de visita, todo es incierto. Podemos observar esta incertidumbre tambin en los juegos de azar en el que los dados son el elemento ms importante del juego. En un juego de dados, una persona debe obtener en la suma de cuatro dados la cantidad 11 o 21. Cuntas posibles combinaciones hay en la suma de los puntos para que se obtenga una de esas cantidades?, qu posibilidades reales hay de ganar?, conocemos realmente la mecnica del juego para obtener un resultado favorable? Por qu un jugador cree que si en la primera oportunidad obtiene una suma favorable en los dados, tendr suerte toda la noche?, es en realidad cierto que el primer resultado indica que trae suerte o que de alguna manera influye ese resultado en los siguientes turnos con los dados? Cuando realizamos un experimento debemos saber realmente cul es nuestra variable de decisin; es decir, si sabemos que en el juego de los dados conviene obtener un 11 o 21, toda nuestra atencin en el estudio del experimento deber centrarse en esa variable: obtener un 11 o un 21, puesto que otro resultado no es importante para obtener ganancias en el juego. La teora de probabilidad, llamada tambin la ciencia de la incertidumbre, permite a las personas y a los tomadores de decisiones analizar los riesgos y minimizar -no eliminar- el azar inherente dada la limitada informacin con la que se cuenta. La teora de probabilidad est basada en el hecho de que existe una serie de resultados posibles dado un experimento o una situacin en particular. A partir de los resultados posibles y con informacin adicional, la teora de probabilidad busca deducir o inferir la probabilidad de que ocurra uno de esos resultados. Tema 1. Conceptos de probabilidad 1.1 Conceptos bsicos de probabilidad La probabilidad se define como un nmero decimal entre 0 y 1 que mide la creencia de que llegue a ocurrir un evento especfico el cual es resultado de un experimento. Algunos ejemplos de experimentos son: Preguntar a un grupo de estudiantes su preferencia en marcas de computadoras porttiles. Medir el dimetro exterior de anillos de pistn para determinar el nmero probable de defectos encontrados. Contar el nmero de reclusos mayores a 60 aos. Un evento se define como un resultado posible para un experimento, por ejemplo: Experimento: Tirar un dado Evento: Obtener un 1 Obtener un 2 Obtener un 3 Obtener un 4 Obtener un 5 Obtener un 6 Cuanto ms se acerca la probabilidad a 0, es ms improbable que suceda el evento al que se asocia. Cuanto ms se acerca la probabilidad a 1, estaremos ms seguros de que suceder. Espacio muestral Al conjunto de eventos que componen un experimento se le denomina espacio muestral. Ejemplo: El espacio muestral de tirar un dado est representado por el siguiente conjunto:
De igual forma, el espacio muestral de tirar un par de datos, est dado por el siguiente conjunto:
En probabilidad es importante conocer el espacio muestral de un experimento para determinar las caractersticas de independencia de los eventos; o determinar si los eventos son mutuamente excluyentes. 1.2 Enfoques de la probabilidad La teora de probabilidad tiene dos enfoques: La probabilidad objetiva y la probabilidad subjetiva. Probabilidad objetiva El enfoque de la probabilidad objetiva se divide a su vez en probabilidad clsica o a priori, y el concepto de frecuencia relativa o probabilidad a posteriori. La probabilidad clsica se basa en la consideracin de que los resultados de un experimento son igualmente posibles. Empleando el punto de vista clsico, la probabilidad de que ocurra un evento se calcula dividiendo el nmero de resultados favorables entre el total de resultados posibles:
Ejemplo: Si consideramos el experimento del dado, podemos hacernos las siguientes preguntas: Cul es la probabilidad de obtener 1?
Observando los eventos posibles del experimento, el espacio muestral del experimento est dado por S = {1, 2, 3, 4, 5, 6}, donde slo uno ellos cumple con la condicin. En este caso la probabilidad ser , o bien 0.1667, lo que significa que existe un 16.67% de probabilidades de que se obtenga el nmero 1 al lanzar un dado. Cul es la probabilidad de obtener un par?
Observando los eventos posibles del experimento, considerando el espacio muestral S = {1, 2, 3, 4, 5, 6}, tres de ellos cumple con la condicin: el 2, el 4 y el 6. En este caso la probabilidad ser , o bien, 0.5000, lo que significa que existe un 50% de probabilidades de que se obtenga un nmero par al lanzar un dado. Cul es la probabilidad de obtener 7?
En este caso el resultado ser 0 porque no existe un evento asociado al experimento, pues ninguna cara del dado tiene el nmero 7. En este ejemplo, observamos dos caractersticas: 1. Al tirar un dado, solamente un evento es posible. Si cae un dos, no puede caer al mismo tiempo un 5. A esta caracterstica se le llama eventos mutuamente excluyentes. 2. El experimento del dado tiene un total de 6 resultados posibles. Dichos eventos son el total del experimento. A esta caracterstica se le denomina colectivamente exhaustivo. El concepto de frecuencia relativa define que la probabilidad de que un evento ocurra en el tiempo, se determina observando el nmero de veces que ocurri en el pasado. En trminos de una frmula tenemos que:
Ejemplo: Un estudio realizado a 751 graduados de Administracin, revel que 453 de los 751 no estaban trabajando en su principal rea de estudio. Cul es la probabilidad de que un graduado est trabajando en un rea distinta a su principal rea de estudio? Segn la frmula, tenemos que:
Por tanto:
El resultado muestra que existe un 60.31% de probabilidades de que al seleccionar un graduado de la universidad al azar, est trabajando en un rea distinta a su principal rea de estudio. Probabilidad subjetiva Si existe poca o ninguna informacin o experiencia en la que se pueda basar una probabilidad, la probabilidad subjetiva puede darnos una solucin. Fundamentalmente significa evaluar las opiniones disponibles y otra informacin para despus llegar a la probabilidad. Algunos ejemplos de la probabilidad subjetiva son: Estimar la posibilidad de que el equipo local obtenga un triunfo en su prximo juego como visitante. Estimar la posibilidad de que apruebes el curso de Probabilidad y Estadstica con una calificacin superior a 90. 1.3 Teoremas de probabilidad Una vez definidos los conceptos y los diferentes enfoques de la probabilidad, definiremos algunas reglas y propiedades bsicas de la probabilidad.
Probabilidad nula La probabilidad de un evento es cero si el evento es nulo o vaco. Por ejemplo, al tirar un dado la probabilidad de que caiga 7 es cero. Es un evento nulo, pues no existe una cara del dado que tenga siete puntos. Matemticamente, la probabilidad nula se representa como:
Probabilidad del complemento La probabilidad del evento complemento es igual a la resta de 1 menos la probabilidad del evento. Matemticamente:
Ejemplo: Considerando el ejemplo del dado, cul es la probabilidad de no obtener 1? Evento A: Obtener 1. Evento A: No obtener 1. Aplicando la frmula tenemos que:
Reglas de adicin 1. Regla especial de adicin: Para aplicar la regla especial de adicin, los eventos deben ser mutuamente excluyentes. Por ejemplo, al tirar un dado.
Ejemplo: Considerando el ejemplo del dado, cul es la probabilidad de obtener 1 o un nmero par? Evento A: Obtener 1. Evento B: Obtener un nmero par. Aplicando la frmula tenemos que:
2. Regla general de adicin. Cuando los eventos de un experimento no sean mutuamente excluyentes, se utiliza la frmula de la regla general de adicin:
Ejemplo: Una encuesta del departamento de turismo de Nuevo Len realizada a 200 turistas, revel que 120 turistas visitaron el nuevo Andador Santa Luca y 100 turistas visitaron la cascada conocida como Cola de Caballo. Tambin se sabe que 60 de los turistas visitaron ambos lugares. Cul es la probabilidad de que un turista haya visitado el Andador Santa Luca o la Cola de Caballo? Utilizando la regla general de adicin, obtenemos: Evento A: Visitar Andador Santa Luca. Evento B: Visitar Cola de Caballo. Aplicando la frmula tenemos que:
Esto es irreal pues la probabilidad debe ser de 0 a 1. Inclusive, si revisamos nuevamente el ejemplo, los eventos no son mutuamente excluyentes y hay una cantidad de turistas que visitaron ambos lugares. En este caso aplicamos la regla general de adicin.
Cuando dos eventos se traslapan, como en el caso de los turistas de Nuevo Len, se dice que existe una Probabilidad Conjunta. Reglas de multiplicacin 1. Regla especial de multiplicacin: Para aplicar la regla especial de adicin los eventos deben ser independientes, como el caso de tirar dos dados, pues el evento obtenido en el primer dado no afecta al evento obtenido en el segundo dado.
Ejemplo: Considerando el ejemplo de dos dados, cul es la probabilidad de obtener 5 en un dado y otro 5 en el otro dado? Evento A: Obtener 5 en el dado 1. Evento B: Obtener 5 en el dado 2. Aplicando la frmula tenemos que:
2. Regla general de multiplicacin: Se utiliza para determinar la probabilidad conjunta de que ocurran dos eventos dependientes. Por ejemplo, sacar de una urna con pelotas de diferentes colores, dos pelotas de forma consecutiva.
Ejemplo: Una urna contiene 5 pelotas rojas y 5 pelotas azules. Cul es la probabilidad de obtener una pelota roja en un primer evento y una segunda pelota roja en un segundo evento? Utilizando la regla general de multiplicacin, obtenemos: Evento A: Obtener una pelota roja en un primer intento. Evento B: Obtener una pelota roja en un segundo intento. Aplicando la frmula tenemos que:
En el primer evento se tienen en total 10 pelotas, 5 de las cuales son rojas. Por tanto, la probabilidad de obtener una pelota roja es de . En el segundo evento quedan nicamente 9 pelotas, 4 de ellas rojas. Esto muestra que la probabilidad de sacar una segunda pelota roja dado que ya sacamos una roja, es de . Glosario Experimento: Se refiere a una actividad que se observa o se mide, es algo que se planea hacer y cuyo resultado no lo conocemos con certeza. Eventos mutuamente excluyentes: Si slo uno de varios eventos pueden ocurrir en un experimento. Evento independiente: Se dice que dos eventos son independientes si la probabilidad de que ocurra uno no tiene ninguna relacin con la probabilidad de que ocurra el otro. Evento simple: Se dice que un evento es simple si consiste de un resultado. Evento compuesto: Se dice que un evento es compuesto si consta de ms de un resultado. Experimento colectivamente exhaustivo: Se le denomina as al experimento que tiene un conjunto de eventos que incluyen todos los resultados posibles. Probabilidad conjunta: Probabilidad que mide la posibilidad de que dos o ms eventos ocurran en forma simultnea. Cierre La teora de probabilidad y estadstica permite a los tomadores de decisiones reducir la incertidumbre en la tarea que le corresponda, desde una decisin financiera hasta las apuestas en un juego de azar.
La probabilidad busca determinar la posibilidad de que ocurra un evento especfico dado un espacio de solucin o espacio muestral. En el diseo de experimentos se establece, de manera implcita, la forma en que se darn los eventos y por tanto, su espacio muestral. Es a travs del diseo de experimentos y del espacio muestral como podemos determinar si los eventos son independientes o mutuamente excluyentes y, por ende, podemos decidir sobre cmo resolver el experimento y tomar una decisin lgica tendiente a obtener un resultado favorable.
Ahora que conoces los conceptos bsicos de probabilidad, puedes avanzar en el conocimiento de probabilidad y estadstica con conceptos como dependencia y de eventos mutuamente excluyentes, esenciales para determinar la naturaleza del experimento y llegar a conclusiones confiables. Tema 2. Probabilidad Condicional e Independencia 2.1 Probabilidad Condicional
La probabilidad condicional puede definirse como:
1. Devore, J. (2008). Probabilidad y estadstica para ingeniera y ciencias (7 a ed.). Mxico: Cengage Learning. Captulo: 2. Coloquialmente se dice que la probabilidad condicional es la probabilidad de que ocurra el evento A dado que el evento B ocurri. Ejemplo Consideremos el siguiente experimento. Una muestra al azar de 100 diferentes tipos de animales arroja los siguientes resultados: 15 animales son aves que vuelan y nadan. 45 animales son aves que nadan. 20 animales son aves que vuelan. 55 animales son aves. 25 animales vuelan y nadan. 70 animales nadan. 50 animales vuelan. Podemos poner esta informacin en un diagrama de Venn como se ilustra en la figura 2.1
Fig. 2.1. Diagrama de Venn resultante Con esta informacin agrupada en un diagrama, podemos fcilmente calcular probabilidades. Por ejemplo: Cul es la probabilidad de que un animal seleccionado al azar sea un ave?
Cul es la probabilidad de que un animal seleccionado al azar sea un animal que nade?
Volviendo al planteamiento original, ahora podemos calcular probabilidades condicionales, por ejemplo: Cul es la probabilidad de que un ave seleccionada al azar nade? Ahora ya sabemos que el evento trata de que el animal seleccionado es un ave. Lo que nos falta es determinar la probabilidad de que esa ave seleccionada nade. Aplicando la frmula de probabilidad condicional tenemos:
Reemplazando las variables de acuerdo a nuestro planteamiento:
De los primeros ejemplos, tenemos que la probabilidad de que un animal seleccionado sea un ave es de 55 de cada 100. Si observamos el diagrama de Venn, nos daremos cuenta que la proporcin de aves que vuelan es de 45 de cada 100. Con esta informacin podemos obtener la probabilidad de que un ave seleccionada al azar nade:
Diagrama de rbol Una tcnica muy til para representar eventos condicionales es un diagrama de rbol. Supongamos el siguiente ejemplo: se hace un estudio para determinar los aos en que fallan ciertas partes electrnicas de una marca de televisores. El resultado, en una muestra de 200 televisores seleccionados, se redujo a dos tipos de fallas generales. Es el siguiente:
El diagrama de rbol resultante del planteamiento se refleja en la figura 2.2
Fig. 2.2. Diagrama de rbol resultante Con el rbol resultante podemos determinar cul es la probabilidad de que un televisor con falla en el monitor, haya fallado en un periodo de 1 a 5 aos? Aplicando la frmula tenemos:
Nota: En el diagrama de rbol podemos observar, adems de la probabilidad condicional, la probabilidad conjunta. Como se muestra en el lado derecho del diagrama de la figura 2.3.
Fig. 2.3. Diagrama de rbol resultante considerando la probabilidad condicional 2.2 Independencia de eventos
La probabilidad condicional nos ayuda a determinar la probabilidad de ocurrencia de un evento A, dado que ya sabemos con certeza que ya ocurri un evento B. Sin embargo, hay situaciones en donde la probabilidad de ocurrencia de un evento A no se ve afectada por la ocurrencia de un evento B. La independencia de eventos puede definirse de la siguiente forma:
Ejemplo: Se lanzan dos monedas al aire, cul es la probabilidad de que ambas caigan en guila? La probabilidad de que una moneda caiga en guila es de 0.5 al ser lanzada. Podemos deducir que el lanzar una segunda moneda no tiene relevancia con el lanzamiento de una primer moneda, por ende, son eventos independientes. P(A) = Lanzar una primer moneda y que caiga en guila. P(B) = Lanzar una segunda moneda y que caiga en guila. Entonces
Existe un 25% de probabilidades de que resulten dos guilas seguidas. Podemos comprobarlo utilizando un diagrama de rbol. Como muestra la figura 2.4
Fig. 2.4 Diagrama de rbol resultante de lanzar dos monedas al aire 2. Devore, J. (2008). Probabilidad y estadstica para ingeniera y ciencias (7 a ed.). Mxico: Cengage Learning. Captulo: 2, pgina 86 2.3 Teorema de Bayes En el siglo XVIII el reverendo Thomas Bayes, ministro presbiteriano ingls, intent demostrar la existencia de Dios desarroll una frmula que evaluaba la posibilidad de su existencia con base en la evidencia existente en la tierra.
Laplace afin el trabajo de Bayes y le dio el nombre de Teorema de Bayes. Lo defini como el resultado obtenido por la distribucin de probabilidad condicional de un evento A, dado que ocurri B, en trminos de la probabilidad condicional del evento B dado que ocurri A y la distribucin de probabilidad el evento A.
Ejemplo: Se han colocado dos embarques cada uno con 20 computadoras porttiles de reciente modelo. Se sabe que en el embarque 1 existen 5 computadoras descompuestas y en el embarque 2 existe una computadora descompuesta. Se eligi aleatoriamente un embarque y, posteriormente, se eligi una computadora que estaba descompuesta. Cul es la probabilidad de que la computadora descompuesta del embarque 1 haya sido seleccionada al azar? Presentaremos la solucin primero en un diagrama de rbol:
Fig. 2.3. Diagrama de rbol para el embarque de computadoras De acuerdo al teorema de Bayes:
En donde: : : Probabilidad de seleccionar el embarque 1 dado que la computadora estaba descompuesta. : : Probabilidad de seleccionar aleatoriamente el embarque 1. : : Probabilidad de seleccionar aleatoriamente el embarque 2. : : Probabilidad de seleccionar una computadora descompuesta, dado que se seleccion el embarque 1. : : Probabilidad de seleccionar una computadora descompuesta, dado que se seleccion el embarque 2. Sustituyendo los valores en la frmula, tenemos que:
La solucin tiene la siguiente interpretacin: Dado que el embarque 1 tiene ms computadoras defectuosas que el embarque 2, existe un 83.33% de probabilidad de que la computadora haya sido tomada del embarque 1. Glosario Probabilidad conjunta: probabilidad que mide la posibilidad de que dos o ms eventos ocurran en forma simultnea. Cierre La ocurrencia de los eventos probabilsticos en un experimento puede darse de dos formas: una en la que la probabilidad de ocurrencia de un evento A depende de la ocurrencia de un evento B; y la segunda, en donde la ocurrencia de un evento A es independiente de la ocurrencia de un evento B. A estas formas se les conoce como probabilidad condicional e independencia. Durante el diseo de un experimento, con el fin de utilizar las reglas de probabilidad adecuadas (ya sea la regla especial de multiplicacin), es importante identificar si los eventos que se estudian tienen relacin o no. Un caso especial de probabilidad condicional est representado por el teorema de Bayes, cuya principal funcin es determinar probabilidades de ocurrencia de eventos dependientes, dados algunos eventos que conocemos como ciertos. Existe una discusin entre los estadistas tradicionales y los llamados estadistas bayesianos. El sentido de la discusin es que los estadistas tradicionales slo aceptan resultados de probabilidades que puedan ser repetibles mediante la experimentacin, mientras que los estadistas bayesianos permiten probabilidades subjetivas. De ello derivamos que el teorema de Bayes puede servir para determinar la modificacin a las probabilidades subjetivas cuando obtenemos nueva informacin til para el experimento en cuestin. Ahora bien, ya que conoces conceptos como probabilidad condicional, independencia y el teorema de Bayes, sale a la luz un problema comn: cmo representamos todos los posibles eventos de un experimento? y cmo nos aseguramos de la cantidad correcta de posibilidades que pueden darse en dicho experimento? Las tcnicas de conteo te ayudarn a determinar, con exactitud el tamao del espacio muestral. Tema 3. Tcnicas de Conteo 3.1 Diagrama de rbol Una forma grfica para obtener el total de eventos como resultado de un experimento es a travs de un diagrama de rbol. La mejor manera de verlo es a travs de un ejemplo. Ejemplo:
En el mundial de futbol del 2010 la Seleccin Mexicana deber enfrentar a tres rivales en la primera fase y obtener la mayor cantidad de puntos posibles para acceder a la siguiente fase. Considerando nicamente la primera fase, cuntas posibles combinaciones de resultados puede obtener la Seleccin Mexicana? Considerando nicamente los tres juegos en donde se puede perder, empatar o ganar; la lista de resultados posibles est dada por el siguiente diagrama:
Fig. 3.1 Posibles eventos del experimento jugar la primera fase de un mundial De acuerdo a la figura 3.1, la lista de posibles resultados es:
Un diagrama de rbol es de gran utilidad para entender la naturaleza de un experimento y el comportamiento de los eventos entre s. Sin embargo, puede resultar poco prctico llevarlo a cabo pues la cantidad de resultados puede ser muy grande, de manera que podra ser complicado construirlo y de poca utilidad para visualizar las ramas que cumplen con el requerimiento deseado. Existen tcnicas matemticas que permiten obtener el total de elementos en un espacio muestral para un experimento dado, entre las que se encuentran: Principio multiplicativo Principio aditivo Permutaciones Combinaciones 3.2 Principio multiplicativo Si el nmero de eventos posibles en un experimento es relativamente pequeo, resulta sencillo enlistarlos. Regresemos al ejemplo de tirar un dado balanceado. Un dado tiene 6 eventos posibles:
Fig. 3.2 Posibles eventos del experimento de tirar un dado balanceado Existen experimentos en los que describir, enlistar y contar todas las posibilidades, de los eventos, resultara tedioso ya que la cantidad de posibles combinaciones puede llegar a ser enorme. Como seleccionar un conjunto de seis nmeros de 51 posibles para participar en el sorteo Melate. Frmula de la multiplicacin El principio multiplicativo establece que si hay m formas de hacer una cosa y n formas de hacer otra, existen m x n formas de realizar ambas.
Ejemplo:
Un hombre de negocios busca determinar cul combinacin de traje, camisa y corbata debe elegir para concretar una importante negociacin. En su guardarropa, el hombre encuentra: Cuatro trajes. Siete camisas de vestir. Cinco corbatas. Suponiendo que los trajes, las camisas y las corbatas son combinables, de cuntas maneras puede ir vestido este hombre de negocios? Aplicando la frmula, tenemos que:
Donde
3.3 Principio aditivo Adicional a los experimentos donde la cantidad de eventos se establece multiplicando la cantidad de formas de hacer o seleccionar las cosas; existen otro tipo de experimentos con restricciones de orden, jerarqua o prioridad. Por ejemplo cuando una primera decisin excluye por completo una o varias decisiones y, por tanto, la posibilidad de que ocurran otros eventos. Frmula de la adicin El principio aditivo establece que si existen dos actividades en donde la primera tiene M formas de ser realizada y la segunda Nformas de ser realizadas, entonces el conjunto de actividades puede ser llevado a cabo de M + N formas.
Ejemplo:
Una persona requiere la siguiente lista de muebles de oficina: Un escritorio. Un archivero. Un librero. Al llegar a la mueblera se da cuenta que existen escritorios de madera y metlicos, cada uno en cuatro colores diferentes. Tambin encuentra archiveros de uno, dos y tres cajones en tres colores diferentes y libreros de dos, tres, cuatro y cinco estantes en tamao chico, mediano y grande. De cuntas maneras puede seleccionar un mueble de cada tipo? Sea: A = Evento de seleccionar un escritorio. B = Evento de seleccionar un archivero. C = Evento de seleccionar un librero. Sabemos que existen escritorios de dos tipos de materiales en cuatro colores distintos, entonces aplicamos la frmula de la multiplicacin:
Donde:
Tambin sabemos que tienen archiveros de dos, tres y cuatro cajones en tres colores diferentes. Entonces aplicamos la frmula de la multiplicacin:
Donde:
Sabemos que tienen en existencia libreros de dos, tres, cuatro y cinco estantes en tres tamaos diferentes. Entonces aplicamos la frmula de la multiplicacin:
Donde:
Finalmente, para determinar de cuntas formas pueden seleccionar los muebles de oficina, aplicamos la frmula de la adicin:
Donde:
3.4 Permutaciones Como se pudo observar, la frmula de la multiplicacin nos ayuda a determinar la cantidad de arreglos posibles en dos o ms grupos. Sin embargo, existen experimentos en los que slo se tiene un grupo para seleccionar una serie de elementos y queremos determinar el nmero de arreglos posibles en la seleccin. Un claro ejemplo es el caso del sorteo Melate. La permutacin nos ayuda a determinar el nmero posible de arreglos cuando slo hay un grupo de elementos.
1. Mason, R., Lind, D. (1995). Estadstica para administracin y economa (7 a ed.). Mxico: Alfaomega Grupo Editor. Captulo: 5. La frmula de la permutacin supone que primero se obtiene un elemento, despus el segundo y as sucesivamente hasta obtener el total de objetos requeridos del grupo en cuestin, en donde cada elemento es distinguible y no se puede repetir la seleccin de un objeto.
Ejemplo:
En un evento de caridad existe una urna con 10 pelotas diferentes e identificables entre s. Suponga que el presidente de la institucin de caridad desea obtener tres pelotas que definirn a los ganadores de una rifa del primero, segundo y tercer premio respectivamente. Cul es la cantidad de permutaciones posibles al seleccionar tres ganadores de un total de 10? El evento consiste en obtener tres pelotas sin repeticin, dado que una persona no puede ganar dos premios y deseamos saber el total de permutaciones. Aplicando la frmula tenemos:
Donde:
Entonces:
Se tienen 720 formas diferentes de obtener tres ganadores seleccionando 3 pelotas en una urna de 10. Permutaciones con repeticin En el planteamiento original, la permutacin obtiene r elementos de un conjunto de n en el que no se puede volver a seleccionar ms de una vez un elemento dado. Cuando en un experimento pueden existir repeticiones, la frmula de las permutaciones es:
Ejemplo:
Supongamos que en el alfabeto slo existen 5 letras, cuntas palabras de tres letras podran formarse con 5 letras? En este caso las letras pudieran repetirse al ir formando palabras, por lo que se aplica la frmula de la permutacin con repeticiones:
Donde:
Entonces:
3.5 Combinaciones En el caso de las permutaciones otro aspecto importante, adems de la repeticin, es que importa el orden en que se obtienen los objetos del conjunto. En el ejemplo de obtener dos pelotas de una urna de 10, no es lo mismo obtener primero la pelota A y en segundo lugar la pelota B que obtener primero la pelota B y en segundo lugar la pelota A. En este caso la permutacin contara dos veces el obtener la pelota A y B.
Ejemplo: Supongamos que, en la rifa efectuada en el evento de caridad, los tres ganadores obtendrn el mismo premio. Es decir, el premio para cada uno de los tres elegidos es el mismo sin importar quin salga primero, quin segundo y quin tercero. Cul es la cantidad de combinaciones posibles al seleccionar tres pelotas de un total de 10? El evento consiste en obtener tres pelotas sin repeticin, dado que una persona no puede ganar dos premios y deseamos saber el total de combinaciones. No importa el orden en que se obtengan las tres pelotas. Aplicando la frmula tenemos:
Donde:
Entonces:
Se tienen 120 diferentes formas de obtener tres pelotas en una urna de 10 pelotas sin importar el orden en que se seleccionen. Glosario Principio multiplicativo: Establece que si hay m formas de hacer una cosa y n formas de hacer otra, existen m x n formas de realizar ambas. Principio aditivo: Establece que si existen dos actividades en donde la primera tiene M formas de ser realizada y la segunda Nformas de ser realizadas, el conjunto de actividades puede ser llevado a cabo de M + N formas. Permutacin: Disposicin en orden de un conjunto de objetos en el que hay un primero, un segundo, un tercero, etc., hasta n. Combinacin: Tipo de conteo donde se selecciona un nmero de objetos de un conjunto y los arreglos obtenidos son iguales no importando el orden en que se seleccionaron. Cierre Como podemos observar, algunos experimentos tienen un gran nmero de posibles resultados, por lo que es de gran utilidad saber el total de eventos que pueden generarse y, as, obtener una probabilidad de ocurrencia de eventos que cumplan con algn requerimiento.
Las tcnicas de conteo nos permiten determinar la cantidad de eventos que tiene un experimento sin tener que describir por completo el espacio muestral del mismo.
El principio matemtico y el principio aditivo son las dos tcnicas de conteo bsicas y estn presentes en nuestra vida diaria. Por ejemplo, al momento de seleccionar nuestra ropa para el da o cuando tomamos una decisin de hacia a dnde ir de vacaciones y cmo transportarnos al lugar decidido.
Cuando se tiene un problema de seleccin de un subconjunto de resultados o eventos, las tcnicas de permutacin y combinacin son de gran utilidad. Ambas determinan el total de eventos posibles para un experimento, sin embargo presentan una diferencia fundamental.
En las permutaciones el orden en que se seleccionan los objetos es importante, mientras que en las combinaciones importa el resultado final sin considerar el orden. Esto es trascendental en la determinacin de qu frmula utilizar en un experimento, tal como se present en el ejemplo del sorteo en este tema.
Todos los experimentos mostrados, dependiendo de la razn del experimento o la variable de la investigacin( llamada Variable Aleatoria), tienen un comportamiento que puede ser tabulado y graficado. A esto se le llama Distribucin de Probabilidad. Tema 4. Variables aleatorias
4.1 Distribuciones de probabilidad Una distribucin de probabilidad es un resumen grfico o tabular que nos muestra los resultados esperados de un experimento, as como la probabilidad asociada con cada uno de los resultados esperados. Ejemplo: Supongamos que estamos interesados en determinar la suma de los puntos al lanzar dos dados balanceados. El espacio muestral para este experimento es:
Hay 11 posibles resultados. En el primer dado se obtiene 1 y en el segundo dado se obtiene 1; en el primer dado se obtiene 1 y en el segundo dado se obtiene 2; en el primer dado se obtiene 1 y en el segundo dado se obtiene 3; as sucesivamente hasta obtener todos los posibles resultados de la suma de los dos dados. El resumen de los resultados se ve en la siguiente tabla: Dado 1 Dado 2 Suma Dado 1 Dado 2 Suma Dado 1 Dado 2 Suma 1 1 2 3 1 4 5 1 6 1 2 3 3 2 5 5 2 7 1 3 4 3 3 6 5 3 8 1 4 5 3 4 7 5 4 9 1 5 6 3 5 8 5 5 10 1 6 7 3 6 9 5 6 11 2 1 3 4 1 5 6 1 7 2 2 4 4 2 6 6 2 8 2 3 5 4 3 7 6 3 9 2 4 6 4 4 8 6 4 10 2 5 7 4 5 9 6 5 11 2 6 8 4 6 10 6 6 12 Tabla 4.1 Resultados probables de tirar dos dados Con la tabla podemos concluir el nmero de ocurrencias para cada resultado; es decir, el nmero de resultados del experimento donde se obtiene una suma de 2 es 1, mientras que el nmero de resultados donde se obtiene una suma de 7 es 6. Veamos el resumen en una tabla, donde tambin se incluye la probabilidad de que ocurra el resultado: Resultado Esperado Nmero de ocasiones Probabilidad del resultado 2 1
3 2
4 3
5 4
6 5
7 6
8 5
9 4
10 3
11 2
12 1
Tabla 4.2 Resumen de datos y probabilidad del resultado Grficamente podemos observar la distribucin de probabilidad de la suma de los puntos de dos dados balanceados. Utilizaremos la herramienta Excel para construir la grfica de la distribucin de probabilidad. En una hoja de Excel se captura la informacin de la tabla de probabilidades 4.2:
Fig. 4.1. Captura de distribucin de probabilidad en Excel Selecciona las columnas e inserta una grfica de columnas, tal como se ve en la siguiente imagen:
Fig. 4.2. Seleccin del tipo de grfica a insertar Ajustamos los datos del cuadro de dilogo de acuerdo a la siguiente figura:
Fig. 4.3 Seleccin de series a graficar Finalmente, obtenemos una grfica similar a la que se muestra en la grfica 4.1
Grfica 4.1 Distribucin de probabilidad de la suma de puntos de dos dados 4.2 Variables Aleatorias
Vemos unos ejemplos de variables aleatorias: El nmero de empleados ausentes los lunes que puede tomar el valor de 0, 1, 2, 3 El peso de una barra de acero que puede tomar el valor de 2500, 2500.1, 2500.13, etc... Dependiendo de la exactitud de la bscula. El nmero de caras al lanzar dos monedas que puede tomar el valor de 0, 1 o 2. La suma de los puntos al tirar dos dados que puede tomar el valor de 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 o 12. Existen dos tipos de variables aleatorias: 1. Variables aleatorias discretas.
Una variable aleatoria discreta es vlida para cierto nmero de valores definidos y distantes, en otras palabras, es una variable que slo puede tomar ciertos valores claramente separados y que es resultado de contar con algn elemento de inters. Un claro ejemplo de una variable aleatoria discreta es la suma de los puntos de dos dados balanceados. Es importante notar que no necesariamente son valores enteros, pueden ser valores fraccionarios o decimales con cierta distancia entre ellos, como pueden ser puntuaciones otorgadas por los jueces a los gimnastas en los juegos olmpicos. Por ejemplo, la de los clavadistas en donde los resultados podran ser datos como los siguientes: Juez 1 Juez 2 Juez 3 Juez 4 Juez 5 Total 5.9 5.7 6.0 5.3 5.2 28.1 2. Variables aleatorias continuas.
Una variable aleatoria continua es vlida para un nmero infinito de valores dentro de un rango, en otras palabras, es una variable que puede tomar cualquier valor de una cantidad infinitamente grande de valores y que es resultado de medir algn elemento de inters. Algunos ejemplos de variables aleatorias continuas pueden ser: La estatura de un alumno de primero de primaria, puede ir de 1 metro a 1.20 metros, considerando precisiones de varios decimales: 1.05, 1.13, 1.12 La distancia en kilmetros entre las poblaciones mexicanas, pueden tomar desde pocos kilmetros hasta miles de kilmetros: 14.5 Km, 170.33 Km, etc. Las distribuciones de probabilidad establecen el comportamiento de una variable aleatoria, como el ejemplo de la suma de los puntos de dados balanceados. 4.3 Valor esperado y varianza de una variable aleatoria
El valor esperado de una variable aleatoria es una medida de tendencia central que representa una distribucin probabilstica. Tambin es el valor promedio a largo plazo de la variable aleatoria, representado por E(X)
En otras palabras, El valor esperado de una variable aleatoria se calcula multiplicando cada valor de la variable aleatoria por su probabilidad correspondiente y despus se suman estos productos.
En otras palabras, la varianza de una variable aleatoria se obtiene como la suma de las diferencias elevada al cuadrado entre la media y cada valor individual, multiplicado por su probabilidad de ocurrencia. Ejemplo: Una tienda de electrodomsticos, que vende televisores, ha establecido la siguiente distribucin de probabilidad para el nmero de televisores que espera vender en un sbado en particular. Nmero de televisores vendidos X Probabilidad P(X) 0 0.10 1 0.20 2 0.30 3 0.30 4 0.10 Total 1.00 Sea X la variable aleatoria discreta para el nmero de televisores vendidos en un sbado en particular, para calcular el valor esperado, aplicamos la siguiente frmula:
El valor esperado obtenido muestra que en promedio se venden 2.1 televisores en un sbado en particular. Visto en una tabla, tenemos que: Nmero de televisores vendidos X Probabilidad P(X) X * P(X) 0 0.10 0 1 0.20 0.2 2 0.30 0.6 3 0.30 0.9 4 0.10 0.4 Total 1.00 E(X) = 2.1 Para calcular la varianza podemos utilizar nuevamente una tabla: Nmero de televisores vendidos X Probabilidad P(X)
Como corolario podemos definir la desviacin estndar como la raz cuadrada de la varianza, que para este caso es de 1.136 televisores. Recuerda que la desviacin estndar es una medida de dispersin que nos indica la distancia en promedio que existe entre los valores mximo y mnimo, con respecto a la media. Lo anterior significa que en un sbado en particular, la tienda de electrodomsticos puede vender entre 0.964 y 3.236. Glosario Promedio: Valor que representa un conjunto de datos. Seala un centro de los valores. Media: Medida de tendencia central (promedio) que representa el valor central de un conjunto de datos. Media poblacional: Medida de tendencia central para una poblacin
Donde: X = Un valor especfico N = Total de valores de la poblacin Media muestral: Medida de tendencia central para una muestra de una poblacin
Donde: X = Un valor especfico n = Total de valores de la muestra Varianza: Media aritmtica de las desviaciones cuadrticas con respecto a la media. Varianza poblacional: Media aritmtica de las desviaciones cuadrticas con respecto a la media para una poblacin.
Varianza muestral: Media aritmtica de las desviaciones cuadrticas con respecto a la media para la muestra de una poblacin.
Desviacin estndar: Media aritmtica de los valores absolutos de las desviaciones con respecto a la media. Se define como la raz cuadrada de la varianza. Cierre En el mundo real, los experimentos estn basados en un resultado esperado; es decir, medimos la probabilidad de que un resultado sea favorable o no para el interesado en el experimento. A este resultado deseado se le denomina variable aleatoria, pues dado que no conocemos su resultado final, el azar nos obliga a pensar en la aleatoriedad de la situacin. A la manera de representar el comportamiento de los posibles resultados de un experimento se le denomina distribucin de probabilidad. En ella podemos determinar la probabilidad individual de todos y cada uno de los eventos que rodean al experimento, en donde la suma de dichas probabilidades siempre ser 1. Este tema nos ha servido como base para iniciar el estudio de las distribuciones de probabilidad ms conocidas, como la distribucin binomial como una representante de las distribuciones de probabilidad discretas; o como la distribucin normal, la mxima representante de las distribuciones de distribucin continuas. En el siguiente tema, conocers las distribuciones de probabilidad discretas binomial y Poisson, dos modelos matemticos que explican ciertos comportamientos en experimentos de conteos y de promedios en tiempo, distancia o cantidad.