Permutaciones

Llamamos permutacin de un conjunto a cada una de las posibles ordenaciones de todos los elementos de dicho conjunto. Por ejemplo, en el conjunto {1,2,3}, cada ordenacin posible de sus elementos, sin repetirlos, es una permutacin. Existe un total de 6 permutaciones para estos elementos: "1,2,3", "1,3,2", "2,1,3", "2,3,1", "3,1,2" y "3,2,1".

Combinaciones Denominamos combinaciones ordinarias o sin repeticin de n elementos tomados de m en m, (m<=n) a las distintas agrupaciones de m elementos de manera que: -En cada grupo entren m elementos distintos -Dos grupos son distintos si difieren en algn elemento El numero de combinaciones ordinarias de m elementos tomados de m en m lo notaremos Cn,m y se calcula Frmula para determinar las combinaciones:

Introduccin a la probabilidad El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se contino con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos.

Conceptos bsicos de probabilidad Experimento aleatorio: conjunto de pruebas cuyos resultados estn determinados nicamente por el azar. Espacio muestral: conjunto de todos los resultados posibles de un experimento aleatorio Punto muestral o suceso elemental: el resultado de una sola prueba de un experimento muestral Suceso o evento: cualquier subconjunto de puntos mustrales Sucesos mutuamente excluyentes: sucesos o eventos que no pueden ocurrir simultneamente . Sucesos complementarios: dos sucesos o eventos mutuamente excluyentes cuya unin es el espacio muestral Sucesos independientes: sucesos o eventos que no tienen relacin entre s; la ocurrencia de uno no afecta la ocurrencia del otro Sucesos dependientes: sucesos o eventos que s tienen relacin entre s; la ocurrencia de uno s afecta la ocurrencia del otro.

Experimento aleatorio y ensayo Se denominan experimentos deterministas aquellos que realizados de una misma forma y con las mismas condiciones iniciales, ofrecen siempre el mismo resultado. Como ejemplo, tenemos que un objeto de cualquier masa partiendo de un estado inicial de reposo, y dejado caer al vaco desde una torre, llega siempre al suelo con la misma velocidad:

Cuando en un experimento no se puede predecir el resultado final, hablamos de experimento aleatorio. Este es el caso cuando lanzamos un dado y observamos su resultado. En los experimentos aleatorios se observa que cuando el nmero de experimentos aumenta, las frecuencias relativas con las que ocurre cierto suceso e, fn(e),

tiende a converger hacia cierta cantidad que denominamos probabilidad de e.

Es una accin o proceso que puede tener distintos resultados posibles, y cuyo resultado no se conoce hasta que no se lleva a cabo. Ejemplos: tirar una moneda tirar un dado extraer una bolilla de un bolillero medir la cantidad de milmetros de lluvia cados elegir un nmero al azar

Espacio muestral y evento El espacio muestral es el conjunto de los posibles resultados de un experimento aleatorio recibe el nombre de espacio muestral del experimento. Denotaremos el espacio muestral con la letra S. Un evento es un subconjunto del espacio muestral de un experimento aleatorio. Tipos de eventos Evento: Es el resultado de un experimento. Cuando cada evento es seleccionado al azar, el experimento se denomina aleatorio o al azar. Evento simple ( E ): Cada uno de los posibles resultados de un experimento y que no se puede descomponer. En el caso del lanzamiento del dado, cada uno de los posibles nmeros en la cara del dado es un evento simple. Ejemplo: Evento simple: Lanzamiento de un dado A = { evento que salga un # impar } A = { 1, 3, 5 } B = { el nmero sea 4 } = { 1, 2, 3, 4 }

Cuando los eventos se representan en un diagrama deVenn ( ver ms adelante ) se denominan puntos muestrales. Evento compuesto: Los eventos A, B, C, etc., son eventos compuestos si se componen de dos o ms eventos simples. Ejemplo: Evento Compuesto: Lanzamiento de dos monedas A = el evento de observar una cara A = {HH, HT, TH, TT }

Eventos mutuamente 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).

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 simultnea.

Eventos colectivamente exhaustivos: Un conjuntos de eventos E1, E2,...En son colectivamente exhaustivos cuando E1U E2.... UEn= S, donde S es el espacio muestral.

Eventos complementarios: Si A B = y A B = E, se dice que A y B son eventos complementarios: Ac = B y Bc = A

Su Medicin Matemtica o Clsica. Si en un experimento aleatorio todos los resultados son equiprobables (iguales probabilidades), es decir, la ocurrencia de uno es igualmente posible que la ocurrencia de cualquiera de los dems, entonces, la probabilidad de un evento A es la razn:

P(A) = nmero de casos favorables para A/nmero total de casos posibles

A partir de esta definicin las probabilidades de los posibles resultados del experimento se pueden determinar a priori, es decir, sin realizar el experimento.

Definiciones de probabilidad: -Enfoque clsico (a priori): Este enfoque permite determinar valores de probabilidad antes de ser observado el experimento por lo que se le denomina enfoque a priori. El enfoque clsico es aplicado cuando todos los resultados son igualmente probables y no pueden ocurrir al mismo tiempo. Si queremos conocer la probabilidad del evento A segn este enfoque debemos calcular el siguiente cociente: N(A) P(A) = ------------N(S)

Donde: N(A): resultados elementales posibles son favorables en el evento A

N(S): posibles resultados en el espacio muestral

EJEMPLOS 1) En un mazo de cartas bien barajadas que contiene 4 ases y 48 cartas de otro tipo, la probabilidad de obtener un as (A) en una sola extraccin es N(A) P(A) = ------ = N(S) 4 1

----- = ---52 13

-Enfoque Emprico o Frecuencial (a posteriori): Este enfoque permite determinar la probabilidad con base en la proporcin de veces que ocurre un resultado favorable en cierto nmero experimentos. No implica ningn supuesto previo de igualdad de probabilidades. A este enfoque se le denomina tambin enfoque emprico debido a que para determinar los valores de probabilidad se requiere de la observacin y de la recopilacin de datos. Tambin se le denomina a posteriori, ya que el resultado se obtiene despus de realizar el experimento un cierto nmero de veces.

Si queremos conocer la probabilidad del evento A segn este enfoque debemos calcular el siguiente cociente: Nmero de observaciones de A n(A)

P(A) = -------------------------------------- = ------Tamao de la muestra n

EJEMPLO

1) Antes de incluir la cobertura para ciertos tipos de problemas dentales en plizas de seguros mdicos para adultos con empleo, una compaa de seguros desea determinar la probabilidad de ocurrencia de esa clase de problemas, para que pueda fijarse la prima de seguros de acuerdo con esas cifras. Por ello, un especialista en estadstica recopila datos para 10,000 adultos que se encuentran en las categoras de edad apropiadas y encuentra que 100 de ellos han experimentado el problema dental especfico durante el ao anterior. Por ello, la probabilidad de ocurrencia es: 100

P(A) = --------------- = 0.01, o 1%

10,000

-Axioma bsicos de la probabilidad: son las condiciones mnimas que deben verificarse para que una funcin definida sobre un conjunto de sucesos determine consistentemente sus probabilidades. Primer axioma La probabilidad de un suceso es un

nmero real mayor o igual que 0.

Segundo axioma La probabilidad del total, , es igual a 1, es decir,

Tercer axioma Si entonces: son sucesos mutuamente excluyentes (incompatibles dos a dos, disjuntos o de interseccin vaca dos a dos),

Segn este axioma se puede calcular la probabilidad de un suceso compuesto de varias alternativas mutuamente excluyentes sumando las probabilidades de sus componentes. Propiedades que se deducen de los axiomas: De los axiomas anteriores se deducen otras propiedades de la probabilidad:

1. 2. 3. 4. 5. Si

donde el conjunto vaco Para cualquier suceso

representa en probabilidad el suceso imposible

entonces

Calculo de probabilidades: Se define como clculo de probabilidad al conjunto de reglas que permiten determinar si un fenmeno ha de producirse, fundando la suposicin en el clculo, las estadsticas o la teora. -Tabla de contingencia La tabla de contingencia es un medio particular de representar simultneamente dos carcteres observados en una misma poblacin, si son discretos o continuos reagrupados en clases. Los dos carcteres son clases de se escribirn , las de

, el tamao de la muestra es . Se denota:

. Las modalidades o

el efectivo conjunto de

: es el nmero de individuos para los cuales

toma el valor

el valor

el efectivo marginal de

: es el nmero de individuos para los cuales

toma el valor

el efectivo marginal de

: es el nmero de individuos para los cuales

toma el valor

Se representan estos valores en una tabla de doble entrada, llamada tabla de contingencia:

Cada fila y cada columna corresponden a una submuestra particular. La fila de ndice individuos para los cuales el carcter individuos para los cuales el carcter toma el valor toma el valor . La columna de ndice

es la distribucin en es la distribucin sobre

, de los , de los

. Dividiendo las filas y las columnas por sus sumas, obtenemos en cada y , las

una, distribuciones empricas formadas por frecuencias condicionales. Para denotaremos:

-Tablas de probabilidad

Probabilidad simple
la probabilidad de que ocurra un suceso A en un espacio muestral E. Si la naturaleza del experimento permite considerar a cada uno de los resultados como igualmente probables diremos que: La probabilidad simple de un suceso es el cociente del nmero de casos favorables por el nmero de casos posibles.

Esta frmula slo es aplicable si el espacio muestral es finito y si todos los sucesos elementales son igualmente probables.

Probabilidad conjunta
Esta regla expresa la probabilidad de que ocurra un suceso A y un suceso B. Pueden ocurrir dos formas: que el segundo suceso depende del primero o que ninguno dependa del otro, por lo tanto veremos estas dos formas:

Para sucesos dependientes:

Si observas esta regla, puedes darte cuenta que se relaciona fuertemente con la Interseccin entre conjuntos ( y ), es una multiplicacin. Ejemplo 1: Se sacan dos cartas sin restitucin ( se saca la primera se observa y no se vuelve a meter ) de una baraja de 52 cartas, Cul es la probabilidad de que ambas sean reyes ? Sea R = sacar un rey Observe que lo que necesitamos es la probabilidad de sacar un rey en la primera carta y un rey en la segunda, es decir:

Regla general de la adicion

Regla especial de la adicin. Establece que si dos eventos A y B son mutuamente excluyentes la probabilidad de que uno u otro evento ocurra es igual a la suma de sus probabilidades. De lo anterior se puede deducir que la probabilidad de que ocurra A ms la probabilidad de que no ocurra A debe sumar 1. A esto se le llama la regla del complemento. Esta regla establece que para determinar la probabilidad de que ocurra un evento se puede restar de 1 la probabilidad de que no ocurra. 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

Ejemplo: Si A y B son dos eventos que no son mutuamente excluyentes, entonces P(A o B) se calcula con la siguiente frmula: P(A o B) = P(A) + P(B) - P(A y B) El Diagrama de Venn ilustra esta regla Ejemplo: En una muestra de 500 estudiantes, 320 dijeron tener un estreo, 175 dijeron tener una TV y 100 dijeron tener ambos Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga slo un estreo, slo una TV y uno de cada uno? P(S) = 320 /500 = .64. P(T) = 175 /500 = .35. P(S y T) = 100 /500 = .20.

Probabilidad condicional e independencia estadsticas

determinar la independencia por ejemplo los dos eventos considerados se refieren a ensayos no relacionados tales como el lanzamiento de dos monedas de diferente denominacin en consecuencia los resultados con ambas monedas son independientes. La falta de independencia o sea la dependencia es demostrada por la siguiente ilustracin considrese el experimento donde se lanzan dos dados y se observa los dos eventos la suma es igual a 10 y nmero doble que se establece P(10)=3/36=1/12, P(doble)=6/36=1/6 la ocurrencia de 10 afecta la probabilidad de doble? Considrese esta pregunta de la manera siguiente: a ocurrido una suma igual a 10 debe de ser uno de los resultados siguientes [(4,6),(5,5),(6,4)] una de estas tres posibilidades es nmero doble.

En consecuencia debe concluirse que P (doble sabiendo que ha ocurrido un diez), escrita P(doble/10), es igual a 1/3 ya que un tercio es distinta a la probabilidad de un doble puede concluirse que el evento 10 afecta la probabilidad de un nmero doble as un doble y 10 son eventos dependientes. El smbolo P(A/B)=P(B/A)=PB. Considrese la probabilidad condicional. Tmese, por ejemplo, el experimento donde se lanza un dado: S=[1,2,3,4,5,6] en este experimento pueden definirse dos eventos como A =ocurre un 4, y B=ocurre un nmero par. Entonces P(A)=1/6, el evento A se satisface exactamente por uno de los seis mustrales igualmente probables en S. La probabilidad condicional de A dado B, P(A/B), se encuentra de manera similar, pero S ya no es este caso el espacio muestral. Esto puede verse de la manera siguiente: se lanza un dado sin que se pueda ver, aunque recibe la informacin de que el nmero obtenido sea par, es decir que ha ocurrido el evento B. Esta es la condicin dada, conocindola a uno se la pide asignar la

probabilidad del evento ocurre un 4. Slo haqy tres posibilidades en el nuevo espacio muestral (reducido), [2,4,6]. Cada uno de los tres resultados es igualmente probable: en consecuencia P(A B)=1/3. Esto puede escribirse como: P(A/B) = P(A y B) / P(B) REGLA DE LA MULTIPLICACIN .- Regla de la multiplicacin CASO GENERAL Sean A y B dos eventos definidos en el espacio muestral S. Entonces : P(A y B)=P(A).P(B/A) o bien P(A y B)=P(B).P(A/B) Si los eventos A y B son independientes, el caso general de la regla de la multiplicacin (la frmula anterior). .- Regla de la multiplicacin CASO ESPECIAL Sean A y B dos eventos definidos en el espacio muestral S. Si A y B son eventos independientes entonces: P(A y B)=P(A).P(B) Esta frmula puede ser generalizada. Si A,B,C;;g son eventos independientes, entonces: P(A y B y C y y G)=P(A).P(B).PP(G= Regla de la multiplicacin e Independencia estadstica

La regla general de la multiplicacin

Los eventos A y B son independientes slo si :

P (A / B) = P (A) P (B / A) = P (B)

Los eventos son estadsticamente independiente slo s:

P(A y B) = P (A). P (B)

Teorema de Bayes

El teorema de Bayes es de enorme relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene gripe, se podra saber -si se tiene algn dato ms-, la probabilidad de tener gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la comprensin de la probabilidad de aspectos causales dados los efectos observados.

Frmula de Bayes, tambin conocida como la Regla de Bayes:

n objetos tomados todos a la vez Esto es, cuando se ordenan objetos en una curva cerrada (por ejemplo, en una mesa redonda, en un llavero, la rueda de la fortuna, etc.) Generalmente se usa PCn para representar el nmero de permutaciones circulares de n objetos tomados todos a la vez, y se calcula con la frmula:

PC n (n 1)!
Nota: esta frmula se obtiene siempre que se fije cualquiera de los n objetos en el arreglo circular, los restantes n -1 objetos se consideran como una permutacin

lineal,la cual es posible hacer de (n-1)! maneras.