2.1.6 Anlisis combinatorio. 2.2 Combinaciones y permutaciones. Combinaciones y permutaciones Qu diferencia hay?

Normalmente usamos la palabra "combinacin" descuidadamente, sin pensar en si el orden de las cosas es importante. En otras palabras:

"Mi ensalada de frutas es una combinacin de manzanas, uvas y bananas": no importa en qu orden pusimos las frutas, podra ser "bananas, uvas y manzanas" o "uvas, manzanas y bananas", es la misma ensalada.

"La combinacin de la cerradura es 472": ahora s importa el orden. "724" no funcionara, ni "247". Tiene que ser exactamente 4-7-2. As que en matemticas usamos un lenguaje ms preciso:

Si el orden no importa, es una combinacin. Si el orden s importa es una permutacin.

As que lo de arriba se podra llamar "cerradura de permutacin"! Con otras palabras:

Una permutacin es una combinacin ordenada.

Para ayudarte a recordar, piensa en "Permutacin... Posicin" Permutaciones Hay dos tipos de permutaciones:

Se permite repetir: como la cerradura de arriba, podra ser "333". Sin repeticin: por ejemplo los tres primeros en una carrera. No puedes quedar primero y segundo a la vez. 1. Permutaciones con repeticin

Son las ms fciles de calcular. Si tienes n cosas para elegir y eliges r de ellas, las permutaciones posibles son:

n n ... (r veces) = nr

(Porque hay n posibilidades para la primera eleccin, DESPUS hay n posibilidades para la segunda eleccin, y as.)

Por ejemplo en la cerradura de arriba, hay 10 nmeros para elegir (0,1,...,9) y eliges 3 de ellos:

10 10 ... (3 veces) = 103 = 1000 permutaciones

As que la frmula es simplemente:

nr donde n es el nmero de cosas que puedes elegir, y eliges r de ellas (Se puede repetir, el orden importa)

2. Permutaciones sin repeticin

En este caso, se reduce el nmero de opciones en cada paso.

Por ejemplo, cmo podras ordenar 16 bolas de billar?

Despus de elegir por ejemplo la "14" no puedes elegirla otra vez.

As que tu primera eleccin tiene 16 posibilidades, y tu siguiente eleccin tiene 15 posibilidades, despus 14, 13, etc. Y el total de permutaciones sera:

16 15 14 13 ... = 20,922,789,888,000

Pero a lo mejor no quieres elegirlas todas, slo 3 de ellas, as que sera solamente:

16 15 14 = 3360

Es decir, hay 3,360 maneras diferentes de elegir 3 bolas de billar de entre 16.

Pero cmo lo escribimos matemticamente? Respuesta: usamos la "funcin factorial"

La funcin factorial (smbolo: !) significa que se multiplican nmeros descendentes. Ejemplos:

4! = 4 3 2 1 = 24 7! = 7 6 5 4 3 2 1 = 5040 1! = 1

Nota: en general se est de acuerdo en que 0! = 1. Puede que parezca curioso que no multiplicar ningn nmero d 1, pero ayuda a simplificar muchas ecuaciones. As que si quieres elegir todas las bolas de billar las permutaciones seran:

16! = 20,922,789,888,000

Pero si slo quieres elegir 3, tienes que dejar de multiplicar despus de 14. Cmo lo escribimos? Hay un buen truco... dividimos entre 13!...

16 15 14 13 12 ... = 16 15 14 = 3360 13 12 ... Lo ves? 16! / 13! = 16 15 14

La frmula se escribe:

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas (No se puede repetir, el orden importa) Ejemplos:

Nuestro "ejemplo de elegir en orden 3 bolas de 16" sera:

16!

16!

20,922,789,888,000

= 3360

(16-3)! 13!

6,227,020,800

De cuntas maneras se pueden dar primer y segundo premio entre 10 personas?

10!

10! 40,320

3,628,800

= 90

(10-2)! 8!

(que es lo mismo que: 10 9 = 90)

Notacin

En lugar de escribir toda la frmula, la gente usa otras notaciones como:

Combinaciones Tambin hay dos tipos de combinaciones (recuerda que ahora el orden no importa):

Se puede repetir: como monedas en tu bolsillo (5,5,5,10,10) Sin repeticin: como nmeros de lotera (2,14,15,27,30,33) 1. Combinaciones con repeticin

En realidad son las ms difciles de explicar, as que las dejamos para luego.

2. Combinaciones sin repeticin

As funciona la lotera. Los nmeros se eligen de uno en uno, y si tienes los nmeros de la suerte (da igual el orden) entonces has ganado!

La manera ms fcil de explicarlo es:

imaginemos que el orden s importa (permutaciones), despus lo cambiamos para que el orden no importe. Volviendo a las bolas de billar, digamos que queremos saber qu 3 bolas se eligieron, no el orden.

Ya sabemos que 3 de 16 dan 3360 permutaciones.

Pero muchas de ellas son iguales para nosotros, porque no nos importa el orden.

Por ejemplo, digamos que se tomaron las bolas 1, 2 y 3. Las posibilidades son:

El orden importa 123 132 213 231 312 321 123

El orden no importa

As que las permutaciones son 6 veces ms posibilidades.

De hecho hay una manera fcil de saber de cuntas maneras "1 2 3" se pueden ordenar, y ya la sabemos. La respuesta es:

3! = 3 2 1 = 6

(Otro ejemplo: 4 cosas se pueden ordenar de 4! = 4 3 2 1 = 24 maneras distintas, prueba t mismo!)

As que slo tenemos que ajustar nuestra frmula de permutaciones para reducir por las maneras de ordenar los objetos elegidos (porque no nos interesa ordenarlos):

Esta frmula es tan importante que normalmente se la escribe con grandes parntesis, as:

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas (No se puede repetir, el orden no importa) Y se la llama "coeficiente binomial".

Notacin

Adems de los "grandes parntesis", la gente tambin usa estas notaciones:

Ejemplo

Entonces, nuestro ejemplo de bolas de billar (ahora sin orden) es:

16!

16!

20,922,789,888,000

= 560

3!(16-3)!

3!13! 66,227,020,800

O lo puedes hacer as:

161514 321 6

3360

= 560

As que recuerda, haz las permutaciones, despus reduce entre "r!"

... o mejor todava...

Recuerda la frmula!

Es interesante darse cuenta de que la frmula es bonita y simtrica:

Con otras palabras, elegir 3 bolas de 16 da las mismas combinaciones que elegir 13 bolas de 16.

16!

16!

16! 3!13!

= 560

3!(16-3)!

13!(16-13)!

Tringulo de Pascal

Puedes usar el tringulo de Pascal para calcular valores. Baja a la fila "n" (la de arriba es n=0), y ve a la derecha "r" posiciones, ese valor es la respuesta. Aqu tienes un trozo de la fila 16:

1 14 91 364 ...

1 15 105 455 1365 ... 1 16 120 560 1820 4368 ...

1. Combinaciones con repeticin

OK, ahora vamos con este...

Digamos que tenemos cinco sabores de helado: banana, chocolate, limn, fresa y vainilla. Puedes tomar 3 paladas. Cuntas variaciones hay?

Vamos a usar letras para los sabores: {b, c, l, f, v}. Algunos ejemplos son

{c, c, c} (3 de chocolate) {b, l, v} (uno de banana, uno de limn y uno de vainilla) {b, v, v} (uno de banana, dos de vainilla) (Y para dejarlo claro: hay n=5 cosas para elegir, y eliges r=3 de ellas. El orden no importa, y s puedes repetir!)

Bien, no puedo decirte directamente cmo se calcula, pero te voy a ensear una tcnica especial para que lo averiges t mismo.

Imagina que el helado est en contenedores, podras decir "sltate el primero, despus 3 paladas, despus sltate los 3 contenedores siguientes" y acabars con 3 paladas de chocolate!

Entonces es como si ordenaras a un robot que te trajera helado, pero no cambia nada, tendrs lo que quieres. Ahora puedes escribirlo como (la flecha es saltar, el crculo es tomar)

Entonces los tres ejemplos de arriba se pueden escribir as:

{c, c, c} (3 de chocolate): {b, l, v} (uno de banana, uno de limn y uno de vainilla): {b, v, v} (uno de banana, dos de vainilla): OK, entonces ya no nos tenemos que preocupar por diferentes sabores, ahora tenemos un problema ms simple para resolver: "de cuntas maneras puedes ordenar flechas y crculos"

Fjate en que siempre hay 3 crculos (3 paladas de helado) y 4 flechas (tenemos que movernos 4 veces para ir del contenedor 1 al 5).

As que (en general) hay r + (n-1) posiciones, y queremos que r de ellas tengan crculos.

Esto es como decir "tenemos r + (n-1) bolas de billar y queremos elegir r de ellas". Es decir, es como el problema de elegir bolas de billar, pero con nmeros un poco distintos. Lo podras escribir as:

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas (Se puede repetir, el orden no importa) Es interesante pensar que podramos habernos fijado en flechas en vez de crculos, y entonces habramos dicho "tenemos r + (n-1) posiciones y queremos que (n-1) tengan flechas", y la respuesta sera la misma...

Qu pasa con nuestro ejemplo, cul es la respuesta?

(5+3-1)! 3!(5-1)! 3!4! En conclusin

= 624

7!

5040

= 35

Uau, es un montn de cosas que absorber, quizs tendras que leerlo otra vez para entenderlo todo bien!

Pero saber cmo funcionan estas frmulas es slo la mitad del trabajo. Averiguar cmo se interpreta una situacin real puede ser bastante complicado.

Por lo menos ahora sabes cmo se calculan las 4 variantes de "el orden s/no importa" y "s/no se puede repetir".

Calculadora de combinaciones y permutaciones El tringulo de Pascal

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) Ejemplo

Los cinco individuos que componen la direccin de una pequea empresa manufacturera sern sentados juntos en un banquete. Determinar el nmero de diferentes posiciones posibles de los asientos para los cinco individuos. Solucin n Pn = n! = 5! = (5)(4)(3)(2)(1) = 120 Permutaciones En Subgrupo De n Objetos El nmero de permutaciones de n objetos tomados r a la vez, donde r es menor que n es igual a:
nPr = n!

---(n-r)!

Ejemplo En relacin al ejemplo anterior, supongamos que slo a tres de los cinco directivos se les pedir representar a la compaa en el banquete. Cuntas diferentes posiciones sern posibles en la mesa considerando que pueden ser elegidos tres cualesquiera de los cinco individuos? Solucin n Pr = 5 P3 = n! = 5! = (5)(4)(3)(2)(1) = 60
---(n - r)! ---(5 - 3)! ---------------(2)(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)!

Ejemplo Supongamos que se elegir a tres miembros de una pequea organizacin social con un total de diez miembros para que integren un comit. Cul es el nmero de grupos diferentes de tres personas que pueden ser elegidos, sin importar el diferente orden en el que cada grupo podra elegirse? Solucin nCr =10C3 = n! = 10! =109x87!=109x8=720= 120
------r(n - r)! ------3!(103)! --------- ------ --3!x7! 32x1 6

Combinaciones representando la probabilidad En trminos de combinaciones, frecuentemente podemos determinar la probabilidad de un evento determinado, el nmero de combinaciones de resultados que incluyen ese evento en comparacin con el nmero total de combinaciones posibles. Ejemplo En referencia al anterior, del los 10 miembros, seis son mujeres y cuatro son hombres, Cul es la probabilidad de que de una eleccin aleatoria de los miembros del comit diera por resultado la seleccin de dos mujeres y un hombre? Nmero de comits con 2M y 1H = 6 C2 x 4 C1 = 6! x 4! = 6! x 4! = 15 x 4 = 60
2!(62)! 1!(41)! 2!(4!) 1!(3!)

Nmero total de combinaciones posibles = 10 C3 =

10! = 10! = (10)(9)(8) = 720 = 120

3!(10 - 3)! 6

3!(7!)

(3)(2)(1)

Probabilidad que sean 2H y 1M = P(2M y 1H) = 6 C2 x 4 C1 = 60 = 0.50

10 C3 120

Ejercicios sugeridos a) Supongamos que hay ocho diferentes lugares de capacitacin administrativa para asignar a ocho empleados en el programa preliminar de capacitacin administrativa de una empresa. De cuntas maneras diferentes pueden ser asignados los ocho individuos a los ocho lugares distintos? b) En referencia a la situacin descrita en el inciso a, supongamos que slo se dispone de seis diferentes lugares para los ocho candidatos. De cuntas maneras diferentes pueden asignarse los seis lugares distintos a seis de los ocho individuos c) En referencia a la situacin descrita en el inciso b, supongamos que seis de los lugares disponibles pueden considerarse comparables y en realidad iguales para efectos prcticos. De cuntas maneras pueden elegirse seis de los ocho candidatos para ocupar los seis lugares? d) Hallar n si n P4 = 42 y n P2 e) Un grupo de proyecto de dos ingenieros y tres tcnicos debe formarse a partir de un grupo departamental que incluye a cinco ingenieros y nueve tcnicos. Cuntos diferentes grupos de proyecto pueden formarse con los catorce empleados disponibles? f) En referencia a la situacin de asignacin descrita en el inciso d, supongamos que los cinco individuos son asignados aleatoriamente a partir de los catorce empleados del departamento, sin referencia al hecho de si cada persona es ingeniero o tcnico. Cul es la probabilidad de que el grupo de proyecto incluya a : 1.-Exactamente dos ingenieros; 2.-Ningn ingeniero;

3.-Ningn tcnico? Respuestas: a) 40320 b) 20160 c) 28 d) 840 e) 1.- P = 0.42, 2.- P = 0.06 y 3.- P = 0.0005

2.3 Introduccin a la probabilidad. Definicin de Probabilidad. Propiedades.

3.1. Definicin de Probabilidad.

Definicin de Probabilidad.

Probabilidad de un suceso es el nmero al que tiende la frecuencia relativa asociada al suceso a medida que el nmero de veces que se realiza el experimento crece.

Un experimento aleatorio se caracteriza porque repetido muchas veces y en idnticas condiciones el cociente entre el nmero de veces que aparece un resultado (suceso) y el nmero total de veces que se realiza el experimento tiende a un nmero fijo. Esta propiedad es conocida como ley de los grandes nmeros, establecida por Jakob Bernouilli. Tiene el inconveniente de variar la sucesin de las frecuencias relativas de unas series de realizaciones a otras, si bien el valor al que se aproximan a medida que el nmero de realizaciones aumenta se mantiene estable.

La frecuencia relativa del suceso A:

Propiedades de la frecuencia relativa:

0fr (A)1 cualquiera que sea el suceso A. fr() = fr(A) + fr(B) si = . fr(E) = 1 fr() = 0.

Esta definicin presenta el inconveniente de tener que realizar el experimento un gran nmero de veces y adems siempre obtendremos un valor aproximado de la probabilidad.

Definicin axiomtica.

La definicin axiomtica de probabilidad se debe a Kolmogorov, quien consider la relacin entre la frecuencia relativa de un suceso y su probabilidad cuando el nmero de veces que se realiza el experimento es muy grande.

Sea E el espacio muestral de cierto experimento aleatorio. La Probabilidad de cada suceso es un nmero que verifica:

Cualquiera que sea el suceso A, P(A) 0. Si dos sucesos son incompatibles, la probabilidad de su unin es igual a la suma de sus probabilidades. = P() = P(A) + P(B). La probabilidad total es 1. P(E) = 1.

Definicin de Laplace.

En el caso de que todos los sucesos elementales del espacio muestral E sean equiprobables, Laplace define la probabilidad del suceso A como el cociente entre el nmero de resultados favorables a que ocurra el suceso A en el experimento y el nmero de resultados posibles del experimento.

Ejemplo:

Consideremos el experimento "lanzar un dado de quinielas y anotar el resultado".

El espacio muestral es E = {1,X,2}.

Las probabilidades de cada uno de los sucesos son:

P() = 0

P({1}) = 1/3 P({X}) = 1/3 P({2}) = 1/3

P({1,2}) = P({1}) + P({2}) = 1/3 + 1/3 = 2/3 P({1,X}) = 2/3 P({2,X}) = 2/3

P({1,X,2}) = P(E) = 1

3.2. Propiedades.

P() = 1 - P( A )

P( ) = 0

SiA B P( B ) = P( A ) + P( )

SiA B P( A ) P( B )

Si A1 , A2 , ... , Ak , son incompatibles dos a dos, entonces: P( A1 A2... Ak ) = P( A1 ) + P( A2 ) + ... + P( Ak )

P( ) = P( A ) + P( B ) - P( )

Si el espacio muestral E es finito y un sucesos es A={x1 , x2 , ... , xK} , entonces: P( A ) = P( x1 ) + P( x2 ) + ... + P( xK )

2.3.1 Definicin y expresin. 2.4 Eventos mutuamente excluyentes y Eventos no excluyentes. Unidad 4. Probabilidad

1. Introduccin

Muchos de los eventos que ocurren en la vida diaria no pueden ser predichos con exactitud desde antes por diversas razones, pues la mayora de los hechos estn influidos por factores externos. Adems, existen aquellos sucesos que estn directamente influidos por el azar, es decir, por procesos que no se est seguro de lo que va a ocurrir. Sin embargo, la probabilidad nos permite

acercarnos a esos sucesos y estudiarlos, ponderando las posibilidades de su ocurrencia y proporcionando mtodos para tales ponderaciones.

Precisamente, algunos de esos mtodos proporcionados por la probabilidad nos llevan a descubrir que algunos sucesos tienen una mayor o menor probabilidad de ocurrir que la ponderacin asignada a travs del sentido comn. Nuestros sentidos, la informacin previa que poseemos, nuestras creencias o posturas, nuestras inclinaciones, son algunos de los factores que intervienen para no permitirnos hacer ponderaciones reales y sistemticas. La probabilidad nos permitir estudiar los eventos de una manera sistemtica y ms cercana a la realidad, retribuyndonos con informacin ms precisa y confiable y, por tanto, ms til para las disciplinas humanas.

Precisamente, un applet que muestra cmo no siempre la probabilidad que le asignamos a un evento a travs del sentido comn coincide con la probabilidad real obtenida por medios tericos es el desarrollado por West y Street de la University of South Carolina, que permite estudiar un concurso de televisin de los 70's llamado Let's Make a Deal.

2. Anlisis combinatorio

En ocasiones el trabajo de enumerar los posibles sucesos que ocurren en una situacin dada se convierte en algo difcil de lograr o, simplemente, tedioso. El anlisis combinatorio, o clculo combinatorio, permite enumerar tales casos o sucesos y as obtener la probabilidad de eventos ms complejos.

En el caso de que existan ms de un suceso a observar, habra que contar el nmero de veces que pueden ocurrir todos los sucesos que se desean observar, para ello se utiliza el principio fundamental de conteo:

Si un suceso se puede presentar de n1 formas, y otro se puede presentar de n2 formas, entonces el nmero de formas en que ambos sucesos pueden presentarse en ese orden es de n1n2.

En otras palabras, basta multiplicar el nmero de formas en que se pueden presentar cada uno de los sucesos a observar.

Este principio nos remite automticamente al factorial de un nmero natural, que se puede pensar como una funcin con dominio los nmeros naturales junto con el cero y codominio los nmeros naturales. El factorial de un nmero n, denotado n!, se define como:

Ahora, n es muy grande el proceso de clculo se vuelve tedioso y muy cargado, incluso para una computadora, por lo que se utiliza la aproximacin de Stirling a n!:

donde e2.71828..., que es la base de los logaritmos neperianos.

En Excel existe la funcin FACT(n) que calcula el factorial de un nmero entero no negativo n.

En el anlisis combinatorio se definen las permutaciones, con o sin repeticin, y las combinaciones.

2.2 Permutaciones (u ordenaciones) con repeticin

Las permutaciones son tambin conocidas como ordenaciones, y de hecho toman este nombre porque son ordenaciones de r objetos de n dados. En este curso las representaremos como ORnr nORr.

Por ejemplo: Sea A={a,b,c,d}, cuntas "palabras" de dos letras se pueden obtener?

Se pide formar permutaciones u ordenaciones de 2 letras, cuando el total de letras es 4. En este caso r=2 y n=4.

Las "palabras" formadas son: aa, ab, ac, ad, ba, bb, bc, bd, ca, cb, cc, cd, da, db, dc, dd. En total son 16.

En general, si se toman r objetos de n, la cantidad de permutaciones u ordenaciones con repeticin obtenidas son:

ORnr = nORr = n r

2.3 Permutaciones (u ordenaciones) sin repeticin

En este caso, a diferencia del anterior, se realizan ordenaciones de r objetos de n dados atendiendo a la situacin de cada objeto en la ordenacin. Su representacin ser Pnr nPr.

Por ejemplo: Sea el mismo conjunto A={a,b,c,d}, cuntas ordenaciones sin repeticin se pueden obtener?

Lo que resulta es: ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc. Son 12 en total.

En general, si se toman r objetos de un total de n, la cantidad de permutaciones

Pnr = nPr =

El Excel cuenta con la funcin PERMUTACIONES(n,r) que realiza el clculo.

2.4 Combinaciones

Es una seleccin de r objetos de n dados sin atender a la ordenacin de los mismos. Es decir, es la obtencin de subcojuntos, de r elementos cada uno, a partir de un conjunto inicial de n elementos. La denotaremos con Cnr, nCr .

Por ejemplo: Si tomamos el mismo conjunto A={a,b,c,d}, cuntos subconjuntos de 2 elementos cada uno se pueden obtener?

Hacindolos se obtienen: {a,b}, {a,c}, {a,d}, {b,c}, {b,d}, {c,d}. Son seis los subconjuntos.

En general, si de n objetos dados se hacen combinaciones de r objetos cada una, el nmero de combinaciones obtenidas son:

Cnr = nCr =

o, que es lo mismo,

Cnr = nCr =

En Excel la funcin COMBINAT(n,r) calcula las combinaciones de n objetos tomando r de ellos.

3. Eventos

Cuando se realiza un experimento, que es cualquier proceso que produce un resultado o una observacin, se van a obtener un conjunto de valores. A este conjunto de valores que puede tomar una variable se le denomina espacio muestral.

Por ejemplo: Si se tiene un dado cualquiera, el espacio muestral (EM) es EM={1,2,3,4,5,6}.

Si existen ms de una variable, el espacio muestral est formado por las combinaciones de valores de cada una de las variables.

Si tomamos un subconjunto cualquiera del espacio muestral tenemos lo que se denomina un evento, y si ste consta de un solo elemento entonces es un evento elemental.

Como se puede uno imaginar, existen eventos que siempre, no importa el nmero de experimentos o su situacin, ocurren, y en cambio existen otros que nunca ocurren. Los que siempre ocurren son los eventos seguros, y los que nunca son los eventos imposibles.

Sin embargo, no todos los resultados son al azar, pues si un experimento es cualquier proceso entonces los resultados pueden tomar cualquier tipo de valor. Por esta razn, se define como experimento aleatorio al proceso en el que se pueden predecir con certeza la ocurrencia de sus eventos, con excepcin del seguro o del imposible. Hay que hacer la observacin que esta definicin habla en trminos generales y no especficamente sobre algn experimento en particular.

A aqulla variable que est asociada a un experimento de este tipo se le denomina variable aleatoria.

En cambio, a un experimento no aleatorio se le denomina experimento determinstico.

Cuando hablamos de varios eventos dentro del mismo experimento se pueden dar varios casos.

Si dos o ms eventos no pueden ocurrir simultneamente, se llaman eventos mutuamente excluyentes, es decir, que la interseccin de ambos eventos es vaca.

Por otro lado, en ocasiones un evento o ms eventos dependen de otro evento previo, es decir, un evento A ocurre dado que ocurri un evento B. Si existe este tipo de relacin entre eventos se dice que son eventos dependientes o condicionados (el evento A depende del evento B, o el resultado del evento A est condicionado al resultado del evento B). Por otro lado, si no existe tal relacin entre eventos se dice que son eventos independientes. Los criterios de dependencia o de independencia se definirn ms adelante, en trminos de probabilidad condicional.

4. Probabilidad de eventos

Para calcular la probabilidad de eventos es necesario que stos se comporten de una maner ms o menos estable. Precisamente, se echa mano de la regularidad estadstica, que es la propiedad de los fenmenos aleatorios, y que consiste en que al aumentar el nmero de repeticiones de un experimento en condiciones prcticamente constantes, la frecuencia relativa de ocurrencia para cada evento tiende a un valor fijo.

Sin embargo, al momento de definir la probabilidad de un evento podemos tomar en cuenta los siguientes criterios:

La probabilidad subjetiva de un evento se la asigna la persona que hace el estudio, y depende del conocimiento que esta persona tenga sobre el tema. Precisamente por su carcter de subjetividad no se considera con validez cientfica, aunque en la vida diaria es de las ms comnes que se utilizan al no apoyarse ms que en el sentido comn y los conocimientos previos, y no en resultados estadsticos. La probabilidad frecuencial de un evento es el valor fijo al que tienden las frecuencias relativas de ocurrencia del evento de acuerdo a la regularidad estadstica. Esta definicin sera la ms real, pero proporciona probabilidades aproximadas, es decir, proporciona estimaciones y no valores reales. Adems, los resultados son a posteriori, pues se necesita realizar el experimento para poder obtenerlo. (Para ver un ejemplo haz click aqu.)

La probabilidad clsica de un evento E, que denotaremos por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral:

Es la definicin ms utilizada porque supone de antemano, y se necesita como requisito indispensable, que todos los eventos elementales tienen la misma probabilidad de ocurrir. 5. Axiomas de la probabilidad

Recordemos primero que las frecuencias relativas de una distribucin tenan las siguientes propiedades:

Las frecuencias relativas son mayores o iguales que cero. La frecuencia relativa del espacio muestral es igual a la unidad. Si dos eventos son mutuamente excluyentes, es decir que no ocurren simultneamente, entonces la frecuencia relativa de su unin es la suma de las frecuencias relativas de cada uno. Tomando en cuenta que la probabilidad de un evento, de acuerdo a la definicin ya expuesta, es la frecuencia relativa cuando se aumenta el tamao de la muestra, se tienen lo siguiente.

Si E es un evento de un espacio muestral S y P(E) es la probabilidad de E, entonces se satisfacen los axiomas de la probabilidad:

0 P(E) 1. P(S) = 1. Si E1, E2, ... , En son eventos mutuamente excluyentes, entonces

Con estos axiomas podremos tratar algunas de las propiedades de la probabilidad de eventos.

6. Posibilidades y probabilidades

Se habla muy comnmente en sitios de apuestas, como en las autdromos o hipdromos, de que "las apuestas a tal o cual participante es de x a y", es decir, que las posibilidades de que gane es de x a y. Esta manera de expresarse se refiere al uso de razones.

En trminos generales, la posibilidad de que ocurra un evento se determina mediante la razn de la probabilidad de que ocurra a la probabilidad de que no ocurra.

Esto quiere decir que si la probabilidad de que un evento ocurra es p, entonces las posibilidades de que ocurra son x a y, es decir

Tales que x y y son enteros positivos.

Por ejemplo: Si se tiran dos monedas normales (no trucadas), la probabilidad de que las dos monedas caigan cara es de . Esto quiere decir si alguien apuesta a que las dos monedas no caen simultneamente en cara, la posibilidad de ganar la apuesta es de

es decir, 3 a 1.

Hemos de considerar que si es mayor la probabilidad de que no ocurra un evento, entonces se acostumbra mencionar las posibilidades en contra del evento.

Por ejemplo: Si se tira un dado no trucado, sabemos que la probabilidad de obtener un cuatro es 1/6, es decir que la posibilidad de obtener un cuatro es de 1 a 6; pero se acostumbra decir que las posibilidades en contra, esto es, de no obtener un cuatro es de 6 a 1.

Inversamente, en el caso de tener las posibilidades de un evento, entonces es fcil obtener su probabilidad, pues si la posibilidad de un evento es de x a y, entonces la probabilidad p de que ocurra tal evento es

Por ejemplo: En la Copa Mundial de Futbol Francia 1998 se deca que el equipo mexicano tena una posibilidad de 1 a 75 de llegar a ser el campen del torneo.

Si se desea encontrar la probabilidad de que el equipo mexicano llegase a ser campen, entonces se tiene que

es la probabilidad de que ocurriese el evento.

Esto tiene la ventaja de que permite, en combinacin con el tercer axioma de la probabilidad, medir la confiabilidad que tienen las opiniones de las personas sobre las posibilidades que le asignan a algunos eventos. Esto quiere decir que el clculo de las probabilidades de dos eventos mutuamente excluyentes a partir de las posibilidades otorgadas de manera subjetiva resulta como un criterio de consistencia.

Por ejemplo: Un criminlogo piensa que las posibilidades de que en la prxima semana la cantidad de delitos en una ciudad aumente con respecto a la anterior es de 5 a 2, de que sea la misma cantidad de delitos es de 1 a 3 y las posibilidades de que aumente la cantidad o sea la misma es de 7 a 4.

Si se desea saber si son consistentes las probabilidades correspondientes habra que hacer los clculos.

Las probabilidades de aumente la cantidad de delitos, sea igual la cantidad de delitos, y de que aumente o sea igual la cantidad de delitos es, respectivamente, de

y dado que (como son eventos mutuamente excluyentes) no es lo mismo que 7/11, entonces los criterios del criminlogo pueden ser cuestionados.

7. Propiedades de la probabilidad de eventos no elementales

Cuando se tienen eventos elementales no existe mucho problema en el sentido del clculo de las probabilidades, pues basta con una contabilizacin o el uso directo del clculo combinatorio. Pero en el caso de eventos no elementales, que son los compuestos por ms de un evento elemental, el proceder de manera anloga resulta muy complejo y las operaciones pueden sobrepasar la capacidad de clculo existente. Sin embargo, utilizando los axiomas de la probabilidad y las siguientes propiedades, se podrn expresar las probabilidades de estos eventos en trminos de los eventos elementales que lo componen, siempre y cuando se conozcan las probabilidades de stos.

Veamos la probabilidad de una unin de eventos, la cual la podremos calcular de la siguiente manera:

Propiedad 1. Si A y B son dos eventos, la probabilidad de que ocurra A o B es igual a la suma de las probabilidades de ocurrencia de A y de B, menos la probabilidad de que ocurran A y B simultneamente. Es decir, P(AB) = P(A) + P(B) - P(AB)

Ahora, si el caso es que los eventos sean mutuamente excluyentes se tiene:

Propiedad 2. Si dos eventos, A y B, son mutuamente excluyentes entonces la probabilidad de que ocurra A o B es igual a la suma de las probabilidades de ocurrencia de A y de B. Es decir P(AB) = P(A) + P(B)

Otra propiedad que se deriva de las anteriores es cuando se busca la probabilidad del complemento de un evento E, que denotaremos como ~E:

Propiedad 3. Si E es un evento y ~E su complemento, entonces P(~E) = 1 - P(E)

Retomando los conceptos de eventos dependientes o condicionales, se va a definir la probabilidad condicional como sigue:

Propiedad 4. La probabilidad de que ocurra un evento A dado que ocurri el evento B (el evento A depende del evento B), denotado P(A|B), es:

Hay que notar que esta propiedad no es conmutativa, situacin que s ocurre con la probabilidad de unin o la interseccin de eventos, por lo que no hay que confundir P(A|B) y P(B|A).

Finalmente, el criterio para la independencia de eventos queda como sigue:

Propiedad 5. Dos eventos A y B son independientes si y slo si P(A|B) = P(A) y P(B|A) = P(B) o, que es lo mismo: P(AB) = P(A) P(B)

Eventos Mutuamente Excluyentes

Eventos mutuamente excluyentes y eventos no excluyentes: Dos o ms eventos son mutuamente excluyentes o disjuntos, si no pueden ocurrir simultneamente. Es decir, la ocurrencia de un evento impide automticamente la ocurrencia del otro evento (o eventos).

P(A) + P(A) = 1 Ejemplo: Al lanzar una moneda solo puede ocurrir que salga cara o sello pero no los dos a la vez, esto quiere decir que estos eventos son excluyentes. Dos o ms eventos son no excluyentes, o conjuntos, cuando es posible que ocurran ambos. Esto no indica que necesariamente deban ocurrir estos eventos en forma simultanea. Ejemplo: Si consideramos en un juego de domino sacar al menos un blanco y un seis, estos eventos son no excluyentes porque puede ocurrir que salga el seis blanco. Reglas de la Adicin La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos sucesos A y B es igual a: P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente P(A o B) = P(A) + P(B) - P(A y B) si A y B son no excluyentes Siendo: P(A) = probabilidad de ocurrencia del evento A P(B) = probabilidad de ocurrencia del evento B P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B Eventos Independientes: Dos o ms eventos son independientes cuando la ocurrencia o noocurrencia de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se obtuvo. Ejemplo: lanzar al aire dos veces una moneda son eventos independientes por que el resultado del primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o sello, en el segundo lanzamiento. Eventos dependientes: Dos o ms eventos sern dependientes cuando la ocurrencia o noocurrencia de uno de ellos afecta la probabilidad de ocurrencia del otro (o otros)

2.5 Eventos independientes, Eventos dependientes y probabilidad condicional. Eventos Independientes

Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se obtuvo.

Ejemplo:

lanzar al aire dos veces una moneda son eventos independientes por que el resultado del primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o sello, en el segundo lanzamiento.

Eventos dependientes

Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso, empleamos entonces, el concepto de probabilidad condicional para denominar la probabilidad del evento relacionado. La expresin P(A|B) indica la probabilidad de ocurrencia del evento A s el evento B ya ocurri.

PROBABILIDAD CONDICIONAL

En esta seccin examinaremos como la probabilidad de ciertos eventos depende o se ve influida por la ocurrencia de otros. Para ello veremos algunos ejemplos.

Ejemplo 27: Se seleccionan dos semillas aleatoriamente, una por una, de una bolsa que contiene 10 semillas de flores rojas y 5 de flores blancas. Cul es la probabilidad de que: a. La primera semilla sea roja? b. La segunda semilla sea blanca dado que la primera fue roja? Solucin:

a. La probabilidad de que la primera semilla sea roja es , puesto que hay 10 semillas de flores rojas de un total de 15. Escrito con notacin de probabilidad tenemos: b. La probabilidad de que la segunda semilla sea blanca se ve influida por lo que sali primero, es decir esta probabilidad est sujeta a una condicin, la de que la primera semilla sea roja. Este tipo de probabilidad se le llama probabilidad condicional y se denota por , y se lee: la probabilidad de B2 dado R1.

Esta probabilidad total de 14 restantes.

, puesto que todava hay 5 semillas blancas en un

Veamos la situacin en un diagrama de rbol:

Definicin de Probabilidad Condicional: Para dos eventos cualesquiera A y B en un espacio muestra S, tales que P(A) > 0 con P(A) 0, la probabilidad del evento B dado el evento A, se define por .

Ejemplo 28: Una persona lanza una moneda 3 veces, Cul es la probabilidad de obtener 3 guilas dado que sali por lo menos un guila? Solucin: El espacio muestra del experimento de lanzar una moneda 3 veces es S = {aaa, aas, asa, ass, saa, sas, ssa, sss} El evento A de que por lo menos hay un guila en los tres lanzamientos es: A = {aaa, aas, asa, ass, saa, sas, ssa} El evento B de que obtenga 3 guilas es B = {aaa} Por lo tanto, A B ={aaa} y

De donde Ntese que es la probabilidad de una ocurrencia en las siete que son posibles en A; es decir, calcular la probabilidad condicional de B dado A es como calcular la probabilidad de B con relacin al conjunto A, como si ste fuera un nuevo espacio muestra S* = A.

Proposicin 3.5: Para dos eventos A y B cualesquiera del espacio muestra S,

Demostracin: Para cualquier evento B,

Como los eventos (B A) y (B AC) son mutuamente exclusivos y su unin es B, entonces por el axioma 3, tenemos: [3.3]

Despejando P(A B) de la definicin de probabilidad condicional, tenemos P(A B) = P(A) P(B/A) y P(AC B) = P(AC) P (B/AC) Sustituyendo en [3.3] se tiene P(B) = P(A) P(B/A) + P(AC) P (B/AC). Obsrvese que en un diagrama de rbol si se multiplica

P(A) P(B/A) = P(A B) y P(AC) P(B/AC) = P(AC B)

Ejemplo 29: Consideremos dos cajas, la caja 1 contiene 3 esferitas blancas y 4 rojas y la caja 2 contiene 8 blancas y 4 rojas. Se selecciona una caja al azar y luego se extrae una esfera al azar. Hallar la probabilidad de que la esfera sea blanca. Solucin: Sea A el evento de seleccionar la caja 1 y AC el evento de seleccionar la caja 2, entonces P(A) = P(AC) = 1/2 ya que cualquiera de las dos cajas tiene la misma probabilidad de ser extrada. Sea B el evento de seleccionar una esfera blanca, entonces P(B/A) = 3/7 ya que en la caja 1 hay 3 esferas blancas en un total de 7 y P(B/AC) = 8/12 porque en la caja 2 hay 8 esferas blancas en un total de 12. Ahora bien, por la proposicin 3.5 tenemos:

2.6 Teorema de Bayes. 2.7 Valor esperado o esperanza matemtica.

Esperanza matemtica
La esperan za matemtica o valor esperado de una variable a leatoria discreta es la suma del producto de la proba bilidad de cada suceso por el va lor de dicho suceso.

Los nombre de esperan za matemtica y valo r esperado tienen su origen en los juegos de aza r y hacen referencia a la ga nancia promedio espera da por un jugador cuando ha ce un gran nmero de apuestas.

Si la esperanza matemtica es cero, E(x) = 0, el juego es equitativo, es decir, no existe ventaja ni para el jugador ni para la banca.

Ejemplos

Si una persona compra una papeleta en una rifa , en la que puede ganar de 5.000 un segundo premio de 2000 con probabilidades de: 0.001 y 0.003. Cul sera el precio justo a pagar por la papeleta?

E(x) = 5000 0. 001 + 2000 0.003 = 11