Académique Documents
Professionnel Documents
Culture Documents
1o Bachillerato de CCSS.
1.- CALCULO
DE PROBABILIDADES.
Un experimento aleatorio es aquel que puede dar lugar a varios resultados, sin que pueda
ser previsible enunciar con certeza cul de stos va a ser observado en la realizacin del experimento.
El espacio muestral es el conjunto de formado por todos los resultados de un experimento o
fenmeno aleatorio. Lo denotamos por la letra E.
Se llama suceso de un experimento aleatorio a cada uno de los subconjuntos del espacio muestral E.
Al conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos
y se designa por S.
Algunos tipos de sucesos:
-Suceso elemental es el que est formado por un solo resultado del experimento.
- Suceso compuesto es el que est formado por dos o ms resultados del experimento; es
decir, por dos o ms sucesos elementales.
- Suceso seguro es el que se verica al realizar el experimento y, por tanto, coincide con
el espacio muestral E.
- Suceso imposible es el que nunca se verica. Se representa por
Debemos tener en cuenta que: si el espacio muestral E, asociado a un experimento aleatorio,
tiene n elementos el espacio de sucesos correspondiente S tiene 2n elementos.
Si tiramos una moneda, E= {C, X}, el espacio se sucesos est formado por 22 =4:
S= { , {C}, {X}, {C,X}}.
Ejemplos:
Experimento
Se lanza
una moneda
Resultado de
quiniela
Se lanza
un dado
Espacio muestral
E = {cara, cruz}
E = {1, X, 2}
Sucesos elementales
{cara}
{cruz}
{1}
{X}
{2}
E = {1, 2, 3, 4, 5, 6}
{1}
{2}
{3}
{4}
{5}
Sucesos compuestos
{C, X} suceso seguro
{1, X}
{1, 2}
{2, X}
{1, X, 2} suceso seguro
{1, 2} , {1, 3} , {1, 4} , . . .
{1, 2, 3} , {1, 2, 4} , . . .
{1, 2, 3, 4} , {1, 2, 3, 5} , . . .
{1, 2, 3, 4, 5} , . . .
{1, 2, 3, 4, 5, 6} suceso
seguro
1.2.- PROBABILIDAD.
Experimentos deterministas: Son los experimentos de los que podemos predecir el resultado antes de que se realicen.
Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas, que la piedra bajar.
Experimentos aleatorios: Son aquellos en los que no se puede predecir el resultado, ya que ste depende del azar.
Si lanzamos una moneda no sabemos de antemano si saldr cara o cruz.
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.
Regla de Laplace: Si realizamos un experimento aleatorio en el que hay n sucesos elementales, todos igualmente probables
(equiprobables), entonces si A es un suceso, la probabilidad de que ocurra el suceso A es:
P (A) = nmero de casos favorables al suceso A
nmero de casos posibles
Siempre se debe cumplir que: 0 P(A) 1
Ejemplo: -En una baraja de 40 cartas, cul es la probabilidad de sacar un AS?, Y OROS?
Propiedades:
B=salir as
3- P (A) = 1 P (A)
-Ejemplo de Experimento simple: Calcular la probabilidad de que al arrojar al aire tres monedas, salgan:
Tres caras.
El procedimiento que se sigue para desarrollar el
diagrama de rbol es el siguiente:
Se inicia el evento a partir de un punto
de inicio.
Se desarrolla el espacio muestral para el
lanzamiento de una moneda: cara o x
(cruz).
Se determina la probabilidad de cada
suceso, considerando que los sucesos
son equiprobables, con una probabilidad
total igual a uno de la suma de los
sucesos.
Probabilidad de C = . Probabilidad de X = .
Para cada rama del primer evento, se dibuja el segundo evento. Obtenindose 4 ramas posibles
Se repite el procedimiento anterior para cada evento del segundo suceso. Resultando 8 ramas
posibles.
Se recorre el diagrama superior, determinndose la probabilidad para las ramas que corresponda
una cara. Se considera que los eventos son independientes. El resultado que se obtiene es.
p(3C) = 1/8
En los experimentos compuestos por sucesivas extracciones (de una baraja, de una bolsa, ...) pueden darse dos modalidades,
que es muy importante distinguir:
-
Extracciones con reemplazamiento el resultado de la primera extraccin no influye en las condiciones de la segunda. Despus de
cada extraccin el elemento extrado se devuelve.
Extracciones sin reemplazamiento el resultado de la primera extraccin influye o condiciona el resultado de la segunda.
Ejemplos:
1. Extraemos de una baraja tres cartas. Hallar la probabilidad de que sean tres ases.
a) Extracciones con reemplazamiento:(formamos el diagrama en rbol)
2. En una urna hay cinco letras: 3 A y 2 N. Se extrae, se anota y se repite el mismo proceso dos veces ms. Cul es la probabilidad
de obtener las letras de la palabra ANA y en ese orden?
Es frecuente utilizar esta frmula para calcular la probabilidad de la interseccin: P( A B) P( B) P( A | B) que se interpreta
fcilmente pensando que para que se cumplan los dos sucesos A y B podramos empezar cumpliendo B para despus calcular la
probabilidad de que se cumpla A. Es obvio que se puede alterar este orden utilizando la frmula: P( A B) P( A) P( B | A)
Las probabilidades condicionadas son las segundas ramas de los rboles y sucesivas.
Ejemplo: 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 la primera semilla sea roja? Y que la
segunda semilla sea blanca dado que la primera fue roja?
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
Esta probabilidad, puesto que todava hay 5 semillas blancas en un total de 14 restantes.
10 5
P( B2 R1 ) 15 14 5
P( B2 | R1 )
10
P( R1 )
14
15
Veamos la situacin en un diagrama de rbol:
Dos sucesos A y B son independientes si la realizacin de A no condiciona la realizacin de B; es decir, P (B/A) = P (B).
Dos sucesos A y B son dependientes si la realizacin de A condiciona la realizacin de B; en
este caso, P (B/A) no coincide con P (B).
En las extracciones con reemplazamiento los sucesos son siempre independientes.
En las extracciones sin reemplazamiento los sucesos son siempre dependientes.
Las siguientes expresiones permiten calcular la probabilidad de la interseccion de sucesos.
-Si A y B son independientes : P (A B) = P (A) P (B)
- Si A y B son dependientes : P (A B) = P (A) P (A/B)
Ejemplos:
1. De una baraja espaola se extraen simultaneamente dos cartas. Calcular la probabilidad
de que las dos sean copas.
Como las extracciones se realizan simultneamente, equivale a extracciones sin reemplazamiento;
por tanto, los sucesos son dependientes.
2. Cul es la probabilidad de que al lanzar cuatro veces un dado cbico se obtenga al menos un seis?
Cada lanzamiento es independiente del anterior, ya que su resultado no viene afectado
por lo que saliera en el lanzamiento anterior.Como es ms fcil hallar la probabilidad del suceso contrario, hallamos
primero
P(ningn 6) =
Luego
2. TEOREMAS DE PROBABILIDAD
2.1. REGLA DEL PRODUCTO O DE LA PROBABILIDAD COMPUESTA
Partiendo de la definicin de la probabilidad condicionada P(B/A) podemos escribirla en forma de producto, llegando
a obtener la regla de multiplicacin de probabilidades o probabilidad compuesta:
Ser:
A i A j , i j
i 1
. La probabilidad de un suceso B cualquiera para el que se conocen las P(B/Ai ) se calculara mediante
P( B) P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 ) ... P( An ) P( B | An )
es decir,
En la prctica consiste en avanzar por las ramas del diagrama en rbol hasta llegar al suceso pedido multiplicando las
probabilidades que se encuentren y sumndose a los productos realizados en otros caminos que partan de otra rama
de inicio.
Ejemplo:
Un paquete de semillas contiene un 40% de semillas rojas y el resto son semillas amarillas. La probabilidad de que
germine una semilla roja es de 0,9 mientras que la de que germine una semilla amarilla es 0,8.
P(Germine) P(Roja) P(Germine | Roja) P( Amarilla) P(Germine | Amarilla) 0,4 0,9 0,6 0,8 0,84
B: Germina una semilla
P( B) P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 )
P(S ) P( Bi ) P S Bi 0,05 0,5 0,01 0,16 0,02 0,16 0,1 0,16 0,458
i 1
P( Ai ) P( B | Ai )
P( Ai ) P( B | Ai )
P( B)
P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 ) ... P( An ) P( B | An )
El teorema de Bayes, en cierto modo, responde a la inversa de cmo lo hace el teorema de la probabilidad total.
A las probabilidades P(Ai) se les llama probabilidades a priori, que forman todas las posibilidades de la primera etapa,
A las probabilidades P(B/Ai) se les llaman verisimilitudes del suceso B.
La probabilidad P(Ai/B) se llama a posteriori
En definitiva, estaramos diferenciando entre las probabilidades de los sucesos A i antes de que ocurra B (a priori) de las
probabilidades de los sucesos Ai sabiendo que ya se ha cumplido B (a posteriori).
Ejemplo:
Un paquete de semillas contiene un 40% de semillas rojas y el resto son semillas amarillas. La probabilidad de que
germine una semilla roja es de 0,9 mientras que la de que germine una semilla amarilla es 0,8.
P(Roja|Germina)
P( A1 ) P( B | A1 )
P( A1 ) P( B | A1 )
P( B)
P( A1 ) P( B | A1 ) P( A2 ) P( B | A2 )
Segn como sea el nmero de valores que toman las variables, stas se pueden clasicar en discretas y continuas:
Una variable aleatoria es discreta cuando solo puede tomar unos ciertos valores enteros.
Una variable aleatoria es continua cuando puede tomar todos los valores posibles dentro de un cierto intervalo de la recta real.
Ejemplos: Clasificar como discretas o continuas las siguientes variables aleatorias:
a) nde pginas de un libro discreta
b) tiempo que tarda en fundirse una bombilla continua
c) nde preguntas en una clase de una hora discreta
d) cantidad de agua consumida en un mes continua
N de veces
40
39
42
38
42
39
Construimos ahora una tabla con la distribucin de frecuencias absolutas y relativas y otra tabla con los resultados
esperados a la vista del clculo de probabilidades
Cara
F.absoluta
F.relativa
Cara
N de veces
Probabilidad
40
0.1667
40
1/6
39
0.1625
40
1/6
42
0.1715
40
1/6
38
0.1538
40
1/6
42
0.1750
40
1/6
39
0.1625
40
1/6
240
240
Distribucin de la frecuencia
Distribucin de probabilidad
Si nos fijamos en la tabla de la derecha observamos que a cada valor de la variable aleatoria le hacemos corresponder su
probabilidad. A esa funcin se le llama funcin de probabilidad o distribucin de probabilidad.
Por tanto, se llama funcin de probabilidad de una variable aleatoria discreta X a la aplicacin que asocia a cada
valor, xi , de la variable su probabilidad, pi. Se denota por P(xi) = pi
xi
x1
x2
..
.
xn
pi
p1
p2
..
.
pn
Se cumple que:
0 pi 1
p 1 + p 2 + p 3 + + pn = p i = 1
Ejemplo: Calcular la distribucin de probabilidad de la variable aleatoria puntuaciones obtenidas al lanzar un dado.
Xi
pi
1/6
1/6
1/6
1/6
1/6
1/6
Representacin:
Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de menor a mayor. La funcin de distribucin F(X)
o de probabilidad acumulada representa en cada punto xi la probabilidad de que la variable tome un valor menor o igual que dicho punto,
es decir, F ( X ) P X xi . La representacin de una funcin de distribucin es una grfica escalonada.
Ejemplo: n caras al lanzar tres veces una moneda
F (0) P{x 0} P{x 0} 0,125
F (1) P{x 1} P{x 0} P{x 1} 0,125 0,375 0,5
F (2) P{x 2} P{x 0} P{x 1} P{x 2} 0,5 0,375 0,875
F (3) P{x 3} P{x 0} P{x 1} P{x 2} P{x 3} 0,875 0,125 1
2
0.2
3
0.1
5
0.4
6
0.2
8
0.1
Funcin de distribucin
Valor de X
x2
2 x3
3 x5
5 x6
6 x8
x8
F(X)
0
0.2
0.3
0.7
0.9
1
x1 p1 x2 p2 ..... xn pn xi pi
I 1
- Varianza de una variable aleatoria X que toma los valores x1 , x2 .. xn con probabilidades
i 1
i 1
2 xi2 pi 2 o bien 2 ( xi ) 2
-Desviacin tpica es la raz cuadrada positiva de la varianza y se representa por
Ejemplo
Un miembro del consejo de Administracin de una empresa ha comprobado que, si bien todos los aos
tienen una junta, ha habido aos que tienen hasta cinco. Por la experiencia acumulada durante aos
sabe que el nmero de juntas anual se distribuye con arreglo a la siguiente tabla:
N de juntas al ao
Probabilidad
a)
b)
c)
1
2/15
4
3/15
5
4/15
pi
xi pi
xi2 pi
2/15
2/15
2/15
5/15
10/15
20/15
1/15
3/15
9/15
3/15
12/15
48/15
4/15
20/15
100/15
47/15
179/15
xi
Media
b)
3
1/15
Calcular la media
Calcular la varianza y la desviacin tpica
Probabilidad de que en un ao elegido al azar se celebren ms de 3 juntas
Solucin:
a)
2
5/15
47
3.13
15
179
(3.13)2 2.13
15
c) P X 3 P X 4 P X 5
2.13 1.46
3 4
7
0.466
15 15 15
Es decir, P [A] = p
- El experimento consta de
P[ A]=1p=q
pruebas
Todo experimento que tenga estas caractersticas diremos que sigue el modelo de la distribucin Binomial.
A la variable X que representa el nmero de xitos obtenidos en cada prueba la llamaremos variable de la distribucin
Binomial. Esta variable es discreta ya que nicamente tomar los valores 0, 1, 2.n
Representaremos por B (n, p) a la distribucin Binomial siendo n y p los parmetros de la distribucin
Ejemplo: Una marca de tabacos ha calculado que el nmero de fumadores en una ciudad es del 35 %. Se escoge al azar
una muestra formada por 10 personas. Comprobemos que la variable que expresa el nmero de fumadores dentro de la muestra
sigue una distribucin Binomial.
- En cada prueba solo son posibles dos resultados:
A = individuo no fumador
A = individuo fumador
- El resultado obtenido de la pregunta Fuma o no fuma en cada individuo de la muestra es independiente de los otros
- La probabilidad del suceso A es P(A) = 0.35 constante
As pues la variable que representa el nmero de individuos fumadores en la muestra es una variable aleatoria que sigue una
distribucin Binomial cuyos parmetros son n = 10 y p = 0.35.
n
P (Obtener k xitos) = P( X x) p k (1 p)n k
k
NMEROS COMBINATORIOS.
Se llama factorial de n, y se representa
n!
es decir:
n! n n 1 n 2 ....321
Si
Si
n 1 , 1! 1.
n 0 , 0! 1.
m
m
m!
El nmero se llama nmero combinatorio y se lee m sobre n y se define como Cmn
.
m n !n!
n
n
Propiedades de los nmeros combinatorios:
np(1 p)
Ejemplo: Una prueba de inteligencia est compuesta por 10 preguntas, cada una de las cuales tiene 4 respuestas y
solo una de ellas correcta. Un alumno tiene prisa por acabar la prueba y decide contestar aleatoriamente. Se pide
a)
Probabilidad de acertar exactamente 4 preguntas
b)
Probabilidad de no acertar ninguna
c)
Probabilidad de acertar todas
d)
Probabilidad de acertar al menos 8
e)
Probabilidad de acertar a los sumo 6
f)
Media y varianza
Solucin
Consideremos los sucesos
A = Contestar bien P (A) = 0.25 = p
10
(0.25) 4 (0.75)6 0.1460
4
a)
P(acertar 4) = PX 4
b)
c)
P(acertar todas) = PX 10
d)
P(acertar al menos 8) = PX 8 PX 8 PX 9 PX 10
10
(0.25)0 (0.75)10 0.0563
0
10
(0.25)10 (0.75)0 0
10
10
10
(0.25)8 (0.75) 2 (0.25)9 (0.75) 0 0.005
8
9
e)
P( acertar a lo sumo 3) = P X 3 PX 0 PX 1 PX 2 PX 3
10
10
10
10
(0.25)0 (0.75)10 (0.25)1 (0.75)9 (0.25) 2 (0.75)8 (0.25)3 (0.75)7 0.7759
0
1
2
3
f)
Media y Varianza
np 10 (0.25) 2.5
Histograma
Funcin de densidad
Las distribuciones de probabilidad de variable continua se definen mediante una funcin f (x)
denominada funcin de probabilidad o funcin de densidad.
Las funciones de densidad de variable aleatoria deben de cumplir una serie de propiedades:
-
Deben ser positivas (f(x) > 0) para cualquier valor de la variable aleatoria en su campo de definicin.
P[x = a] = 0
Los parmetros que definen a este tipo de distribucin son la media y la desviacin. Para su
determinacin terica se requiere el clculo infinitesimal (Integrales).
Ejemplo: La siguiente grfica corresponde a una funcin de probabilidad de una variable continua x.
F(x) = P(x x)
La funcin de distribucin de una variable aleatoria definida en el intervalo [a, b] cumple las siguientes propiedades:
i. La probabilidad de que la variable tome un valor menor que a es la probabilidad del suceso
imposible, y por tanto vale cero.
x < a F(x) = 0
ii. La probabilidad de que la variable tome un valor anterior a x siendo x >b es la probabilidad del suceso seguro y,
por tanto, 1.
x > b F(x) = 1
iii. La probabilidad de que la variable tome un valor anterior a x con (a x b) es el rea bajo la
curva en el intervalo [a, x]. Se halla mediante el clculo infinitesimal, pero para funciones
elementales del tipo constante lineal, se puede hallar mediante la geometra elemental.
iv.
P(X = x) = 0
La N(0,1) se ha tabulado.
MANEJO DE LA TABLA N(0; 1)
TIPIFICACIN DE LA VARIABLE.
Ejemplo. Calcular la probabilidad de que al lanzar un dado 500 veces, se obtengan menos de 75 veces la
cara tres.