En la teora de probabilidades se llama espacio muestral o espacio de muestreo, a menudo denotado por S, o U (por "universo"), al conjunto de todos los

s posibles resultados individuales de un experimento aleatorio. Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento o suceso es cualquier subconjunto del espacio muestral, llamndose a los sucesos que contengan un nico elemento sucesos elementales. En el ejemplo, el suceso "sacar cara en el primer lanzamiento", o {(cara, cara), (cara, cruz)}, estara formado por los sucesos elementales {(cara, cara)} y {(cara, cruz)}. Para algunos tipos de experimento puede haber dos o ms espacios de muestreo posibles. Por ejemplo, cuando se toma una carta de un mazo normal de 52 cartas, una posibilidad del espacio de muestreo podra ser el nmero (del as al rey), mientras que otra posibilidad sera el palo (diamantes, trboles, corazones y picas). Una descripcin completa de los resultados, sin embargo, especificara ambos valores, nmero y palo, y se podra construir un espacio de muestreo que describiese cada carta individual como el producto cartesiano de los dos espacios de muestreo descritos. Los espacios de muestreo aparecen de forma natural en una aproximacin elemental a la probabilidad, pero son tambin importantes en espacios de probabilidad. Un espacio de probabilidad (, F, P) incorpora un espacio de muestreo de resultados, , pero define un conjunto de sucesos de inters, la -lgebra F, por la cul se define la medida de probabilidad P.

Contenido
[ocultar]

1 Tipos de espacio muestral o 1.1 Discretos 1.1.1 Espacio Probabilstico discreto 1.1.2 Espacio Probabilistico Discreto Equiprobable 1.1.3 Espacio Probabilistico Finito 1.1.4 Procesos Estocasticos Finitos Y Diagramas de rbol 1.1.4.1 Ejemplo 1.1.5 Espacio Probabilistico Infinito Contable o 1.2 Continuos 1.2.1 Espacio probabilstico contnuo 1.2.2 Particiones

1.2.3 Ejemplos

[editar] Tipos de espacio muestral

Podemos diferenciar entre dos tipos de espacios muestrales: discretos y continuos.

[editar] Discretos

Son aquellos espacios donde el nmero de sucesos elementales es finito o infinito numerable. [editar] Espacio Probabilstico discreto Es aquel cuyo espacio muestral es discreto.Podemos diferenciar varios tipos de espacio probabilstico discreto: [editar] Espacio Probabilistico Discreto Equiprobable

Su espacio muestral es finito de tamao n. La probabilidad de cualquier suceso elemental E es , de aqu se deduce que para todo suceso A la probabilidad es

[editar] Espacio Probabilistico Finito

Su espacio muestral es discreto finito. Hay al menos 2 sucesos elementales que cumplen.

[editar] Procesos Estocasticos Finitos Y Diagramas de rbol Un proceso estocstico es una sucesin finita de experimentos aleatorios, cada uno de ellos con un n finito de resultados posibles. Se representan con diagrama de rbol.
[editar] Ejemplo

Imaginemos que se lanzan una moneda y un dado

La probabilidad de un camino es la multiplicacion de sus probabilidades. La probabilidad de sacar una cara y un tres ser ----> La probabilidad de un suceso cualquiera es la suma de las probabilidades de los caminos La probabilidad de sacar impar ser ---->

[editar] Espacio Probabilistico Infinito Contable Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo

La probabilidad de que salga cara en la primera tirada ---->

La probabilidad de que salga cara en la segunda tirada ----> La probabilidad de que salga cara en la tercera tirada ---->

[editar] Continuos
Son aquellos espacios donde el nmero de sucesos elementales es infinito incontable. [editar] Espacio probabilstico contnuo

Espacio muestral infinito no numerable. -No es posible observar puntos concretos del espacio. Tiene sentido hablar de intervalos observados. - No es posible asignar probabilidad a un punto concreto, se asignana intervalos. Por tanto la funcin P est definida sobre intervalos -----> P(Ki < Exp > Ke)

-Habitualmente cuando trabajamos con magnitudes fsicas. [editar] Particiones Es posible definir particiones sobre el espacio muestral. Formalmente hablando, una particin sobre se define como un conjunto numerable: tal que: 1. 2. 3. [editar] Ejemplos Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el espacio muestral del experimento sera: ={1,2,3,4,5,6}. Por otro lado, si cambiamos ligeramente la experiencia pensando en el nmero resultante de la suma de 2 dados, entonces tenemos 2 espacios muestrales:

={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),...(6,6)} = {1,2,3,4,5,6}x{1,2,3,4,5,6} '={2,3,4,...,12}

La eleccin del espacio muestral es un factor determinante para realizar el clculo de la probabilidad de un suceso. Obtenido de "http://es.wikipedia.org/wiki/Espacio_muestral"

. Experimentos aleatorios
Los fenmenos o experimentos aleatorios son los que pueden dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cul de estos va a ser observado en la realizacin del experimento a pesar de haberlo realizado en similares condiciones. A la coleccin de resultados que se obtiene en los experimentos aleatorios se le llama espacio muestral.

Un experimento aleatorio es aquel del que no podemos predecir su resultado, es decir, que depende de la suerte o azar.

[editar] 2. Espacio muestral

Espacio muestral es el conjunto formado por todos los resultados posibles de un experimento o fenmeno aleatorio. Lo denotamos con la letra .

[editar] Ejemplo del espacio muestral

El espacio muestral asociado al lanzamiento de dos dados y anotar la suma de los puntos obtenidos es:

[editar] 3. Sucesos
Suceso de un fenmeno aleatorio es cada uno de los subconjuntos del espacio muestral . Para designar cualquier suceso, tambien llamado suceso aleatorio, de un experimento aleatorio utilizaremos letras maysculas. Al conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por .

[editar] Ejemplo

En el ejemplo anterior, son subconjuntos de

Salir mltiplo de 5:

Salir nmero primo:

Salir mayor o igual que 10:

Analicemos los tipos mas frecuentes de sucesos.

Sucesos elementales son los que estn formados por un solo resultado del experimento.

Sucesos compuestos son los que estan formados por dos o ms resultados del experimento; es decir, por dos o ms sucesos elementales.

Suceso seguro es el que se verifica al realizar el experimento aleatorio. Est formado por todos los resultados posibles del experimento y, por tanto, coincide con el espacio muestral.

Suceso imposible es el que nunca se verifica. Se representa por Obtenido de "http://portales.educared.net/wikiEducared/index.php? title=Experimentos_aleatorios._Espacio_muestral.Sucesos" Categora: Matemticas

http://portales.educared.net/wikiEducared/index.php?title=Experimentos_aleatorios. _Espacio_muestral.Sucesos

1. 2. 3. 4. 5. 6.

Capacidades Conceptos bsicos Permutacin Combinacin Problemas resueltos Comprueba tus saberesDesafos Capacidades

1. Comprende los principios fundamentales del anlisis combinatorio 2. Formula y resuelve problemas de anlisis combinatorio que se presentan en su vida cotidiana 3. Aplica los mtodos del conteo para resolver problemas diversos de numeracin Conceptos bsicos Anlisis Combinatorio : Es la rama de la matemtica que estudia los diversos arreglos o selecciones que podemos formar con los elementos de un conjunto dado, los cuales nos permite resolver muchos problemas prcticos. Por ejemplo podemos averiguar cuntos

nmeros diferentes de telfonos , placas o loteras se pueden formar utilizando un conjunto dado de letras y dgitos. Adems el estudio y comprensin del anlisis combinatorio no va ha servir de andamiaje para poder resolver y comprender problemas sobre probabilidades Principios fundamentales del Anlisis Combinatorio: En la mayora de los problemas de anlisis combinatorio se observa que una operacin o actividad aparece en forma repetitiva y es necesario conocer las formas o maneras que se puede realizar dicha operacin. Para dichos casos es til conocer determinadas tcnicas o estrategias de conteo que facilitarn el clculo sealado. El anlisis combinatorio tambin se define como una manera prctica y abreviada de contar; las operaciones o actividades que se presentan son designadas como eventos o sucesos. Ejemplo :
1. Sealar las maneras diferentes de vestir de una persona, utilizando un nmero

determinado de prendas de vestir 2. Ordenar 5 artculos en 7 casilleros 3. Contestar 7 preguntas de un examen de 10 4. Designar 5 personas de un total 50 para integrar una comisin 5. Sentarse en una fila de 5 asientos 4 personas 6. Escribir una palabra de 7 letras utilizando 4 consonantes y 3 vocales I) Principio de multiplicacin : Si un evento o suceso "A" puede ocurrir , en forma independiente, de "m" maneras diferentes y otro suceso de "n" maneras diferentes, entonces el nmero de maneras distintas en que pueden suceder ambos sucesos es "m . n" Ejemplo 1: En la etapa final de ftbol profesional de primera, cuatro equipos : CRISTAL ( C ), BOYS ( B) ,ESTUDIANTES ( E ), UNIVERSITARIO (U), disputan el primer y segundo lugar (campen y subcampen). De cuntas maneras diferentes estos equipos pueden ubicarse en dichos lugares? Solucin :

METODO 1: utilizando el diagrama del rbol

1er lugar 2do lugar 1o 2o Para ver el grfico seleccione la opcin "Descargar" del men superior Existen 12 maneras diferentes en que estos equipos se pueden ubicarse en el primer y segundo lugar

METODO 2: Utilizando el principio de multiplicacin

Para ver el grfico seleccione la opcin "Descargar" 1o 2o 4x3 # maneras = 12 Ejemplo 2: Cuntas placas para automviles pueden hacerse si cada placa consta de dos letras diferentes seguidas de tres dgitos diferentes? (considerar 26 letras del alfabeto) Solucin : Para ver el grfico seleccione la opcin "Descargar" del men superior letras Dgitos 26 x 25 x 10 x 9 x 8 # placas = 468 000 II) Principio de adicin : Supongamos que un evento A se puede realizar de "m" maneras y otro evento B se puede realizar de "n" maneras diferentes, adems, no es posible que ambos eventos se realicen juntos (A B = ), entonces el evento A o el evento B se realizarn de ( m + n) maneras. Ejemplo 1: Un repuesto de automvil se venden en 6 tiendas en la Victoria o en 8 tiendas de Brea.De cuntas formas se puede adquirir el repuesto? Solucin :

Por el principio de adicin:

Victoria Brea 6 formas + 8 formas = 14 formas Ejemplo 2: Se desea cruzar un ro, para ello se dispone de 3 botes, 2 lanchas y 1 deslizador. De cuantas formas se puede cruzar el ro utilizando los medios de transporte sealados? Solucin :

Aplicando el principio de adicin se tiene:

Bote , lancha , deslizador 321 # maneras = 3 + 2 + 1 = 6 MTODOS DE CONTEO En diferentes casos se tomar de algn conjunto parte de sus elementos o todos ellos, para formar diferentes agrupaciones, que se van a distinguir por el orden de sus elementos o por la naturaleza de algunos de ellos. Si los elementos que forman una agrupacin son diferentes entre si, sern llamados agrupaciones sin repeticin y si alguno de ellos son iguales se dir que son agrupaciones con repeticin. Entre los mtodos de conteo ms conocidos tenemos : Permutacin, Variacin y Combinacin PERMUTACIN Es un arreglo de todos o parte de un conjunto de objetos considerando el orden en su ubicacin; cuando en el arreglo solo entran parte de los elementos del conjunto se llama variacin . Es importante resaltar que el orden es una caracterstica importante en la permutacin, cuando variamos el orden de los elementos se dice que permutamos dichos elementos. Ejemplo : Determinar los diferentes arreglos o permutaciones que se pueden hacer con las letras a, b y c tomadas de dos en dos Solucin : Mtodo 1:

Sea el conjunto : {a, b, c} , entonces los arreglos pueden ser: ab, ba. ac, ca, bc, cb Nmero de arreglos = 6

Mtodo 2: (principio de multiplicacin) Para ver el grfico seleccione la opcin "Descargar" # arreglos = 3 x 2 = 6 Teorema 1: (Permutacin lineal con elementos diferentes) "El nmero de permutaciones de "n" objetos diferentes, tomados en grupos de k elementos (siendo k n) y denotado por , estar dado por:

Para ver el grfico seleccione la opcin "Descargar" del men superior ; donde: n, k e N y 0 k n Estas permutaciones son llamados lineales , porque los objetos son ordenados en una lnea recta de referencia Ejemplo: En una carrera de 400metros participan 12 atletas. De cuantas formas distintas podrn ser premiados los tres primeros lugares con medalla de oro , plata y bronce? Solucin : Mtodo 1 : Empleando el principio de multiplicacin Oro Plata Bronce Para ver el grfico seleccione la opcin "Descargar" del men superior 10 x 9 x 8 # maneras = 720 Mtodo 2: (usando la frmula de permutacin lineal)

Se busca las diferentes ternas (k = 3) que se pueden formar con los 10 atletas (n = 10)

Para ver el grfico seleccione la opcin "Descargar" Teorema 2: (Permutacin lineal con elementos repetidos) El nmero de permutaciones (P) distintas de "n" elementos tomados de "n" en "n" en donde hay un primer grupo de n1 objetos iguales entre si; n2 objetos iguales entre si de un segundo tipo y as sucesivamente hasta nk objetos iguales entre si de un ltimo tipo, entonces: Ejemplo : De cuntas maneras distintas se podrn ordenar las siguientes figuras? Para ver el grfico seleccione la opcin "Descargar" Solucin:

Como entran todos los elementos del conjunto y estos se repiten, se trata de una permutacin con repeticin, donde n1 = 3 (tres crculos), n2 = 2 (dos cuadrados) , n3 = 1 (un tringulo), n4 = 1( un rombo), luego:

= PERMUTACIN CIRCULAR Son agrupaciones donde no hay primero ni ltimo elemento, por hallarse todos en una lnea cerrada. Para hallar el nmero de permutaciones circulares que se pueden formar con "n" objetos distintos de un conjunto, hay que considerar fija la posicin de un elemento, los n 1 restantes podrn cambiar de lugar de (n 1)! Formas diferentes tomando todas las posiciones sobre la circunferencia relativa al primer punto. El nmero de permutaciones circulares ser:

Ejemplo1 : De cuntas formas diferentes puede sentarse al rededor de una mesa circular un padre y sus 5 hijos? Solucin :

Se trata de una permutacin circular :

Ejemplo 2: De cuntas maneras diferentes se podrn ubicar las cifras del 1 al 7 en la siguiente figura? Para ver el grfico seleccione la opcin "Descargar" Solucin :

Este problema se puede resolver como la conjuncin de dos eventos: primero ubico una cifra en el centro (7 posibilidades) y segundo las otras 6 cifras, las cuales por ordenarse en una circunferencia se podrn permutar de (6 1 )! Formas , por lo tanto:

# de maneras = 7 x 5! = 7 x 120 = 840 COMBINACIN Es cada uno de los diferentes arreglos que se pueden hacer con parte o todos los elementos de un conjunto dado sin considerar el orden en su ubicacin

El nmero de combinaciones de "n" elementos diferentes tomados de "k" en "k" , con k n ,est dada por:

Ejemplo 1: Si disponemos de 5 puntos no colineales ,cul es el mximo nmero de tringulos que se podrn formar? Solucin :

Para dibujar un tringulo solo es necesario 3 puntos en el plano, luego se escogern 3 puntos (k = 3) de un total de 8 puntos (n = 5). Adems no importa el orden, ya que el triangulo ABC es igual al CBA; por lo tanto se trata de una combinacin.

Para ver el grfico seleccione la opcin "Descargar" Ejemplo 2: Una seora tiene 3 frutas : manzana, fresa y pia. Cuntos sabores diferentes de jugo podr preparar con estas frutas ? Para ver el grfico seleccione la opcin "Descargar" Fresa (F) , Pia (P) , Manzana (M) Solucin: Mtodo 1 : (en forma grfica)

Cuando se escoge una fruta de las tres, los sabores son 3: F, P ,M Cuando se escoge 2 de las tres frutas, los sabores son 3: FP, FM, PM Cuando se escoge las 3 frutas los sabores son 1: FPM

Total de sabores diferentes : 3 + 3 + 1 = 7 Mtodo 2 : (Empleando combinaciones)

Se puede escoger una fruta de las tres 2 frutas de las tres las tres frutas de las tres, adems en este caso no importa el orden; por lo tanto usamos el principio de adicin aplicado a la combinacin:

# maneras diferentes =

# maneras diferentes = Total de sabores diferentes : 3 + 3 + 1 = 7 Ejemplo 3: Se desea formar un comit de 7 seleccionando 4 fsicos y 3 matemticos de un grupo de 8 fsicos y 6 matemticos.De cuantas maneras podr seleccionarse? Solucin:

1 Seleccionamos 4 fsicos entre 8 en

formas

2o Seleccionamos 3 matemticos entre 6 en

Aplico el principio de multiplicacin = 70 x 20 = 1400

Para ver el grfico seleccione la opcin "Descargar" PROBLEMAS RESUELTOS 1. Cuntos numerales de 2 cifras se pueden formar con los dgitos 1, 3 , 5 y 7? A) 16 B) 12 C) 10 D) 14 Solucin : MTODO 1 : ( mediante arreglo numrico)

e)8

Con los dgitos dados, formamos los siguientes nmeros:

Respuesta : se pueden formar 16 numerales MTODO 2 : ( mediante la aplicacin de los principios de anlisis combinatorio)

La forma general del numeral pedido es : Los valores que pueden tomar los dgitos a y b en el numeral

son:

cantidad de nmeros = 4 x 4 = 16
1. Determinar cuntos numerales de 3 cifras existen en el sistema de base seis.

A) 160 B) 12 0 C) 100 D) 140 Solucin :

e) 180

La forma general del numeral es

, hallaremos las posibilidades que pueden tomar a, b y c en base seis y luego multiplicamos el nmero de las posibilidades Para ver el grfico seleccione la opcin "Descargar" del men superior 5 x 6 x 6 = 180 numerales Respuesta : se pueden formar 180 numerales
1. Cuntos numerales de la forma:

existen?

A) 260 B) 2 00 C) 300 D) 240 Solucin:

e) 180

En estos tipos de problemas hay que tener en cuenta que cuando una variable representa una cifra, y sta se repite en el numeral, entonces a dicha variable se le considera una sola vez al calcular la cantidad de numerales. En nuestro problema, con la indicacin anterior, tendremos:

cantidad de numerales = 5 x 5 x 8 = 200 Respuesta : se pueden formar 200 numerales 1. Cuntos numerales de tres cifras diferentes existen en el sistema de base decimal? A) 900 B) 780 C) 800 D) 648 Solucin:

e) 724

La forma general del numeral es

, hallaremos las posibilidades que pueden tomar a, b y c en base diez y luego multiplicamos el nmero de las posibilidades, teniendo en cuenta que las tres cifras deben ser diferentes abc Para ver el grfico seleccione la opcin "Descargar" del men superior

# numerales = 9 x 9 x 8 = 648 Respuesta : se pueden formar 648 numerales

1. Cuntos numerales de la forma:

existen? A) 9 B) 18 C) 26 D) 48 e) 24 Solucin:

Los valores de "a" deben se factores de 14 y adems menores que 9; luego los valores posibles de "a" solo pueden ser : 1,2,7 ; es decir hay 3 posibilidades. Los valores de "b" son mltiplos de 3, menores que 9; luego los valores de "b" solo pueden ser: 0,3 y 6; es decir hay 3 posibilidades

Para ver el grfico seleccione la opcin "Descargar"

cantidad de # = 3 x 3 = 9 nmeros Respuesta : se pueden formar 9 nmeros

1. Cuntos nmeros de 3 cifras tienen por lo menos un 6 en su escritura?

A) 196 B) 188 C) 252 D) 480 Solucin:

e) 248

a.
b. Podemos representar el procedimiento de solucin mediante un diagrama de

Venn:

# de cifras con por lo menos un 6 = # de tres cifras - # de tres cifras que no usan el 6 ............ (1) c. Del grfico anterior , se deduce que: Para ver el grfico seleccione la opcin "Descargar" del men superior abc

cantidad de #s = 9 x 10 x 10 = 900 d. Calculamos el nmero de tres cifras que existen: Para ver el grfico seleccione la opcin "Descargar" del men superior abc

cantidad de #s = 8 x 9 x 9 = 648 e. Clculo del nmero de 3 cifras que no usan cifra "6" f. Remplazando los valores obtenidos en los pasos "c" y "d" en la ecuacin (1) de l paso (b), se tiene: X = 900 648 = 252 Respuesta : se pueden formar 252 nmeros 7) De un grupo de 5 estudiantes, cuantos grupos diferentes de tres alumnos podran formarse.

A) 16 B) 10 C) 12 D) 15 Solucin :

e) 18

METODO 1: Por conteo directo

Sean A, B, C, D y E los alumnos, los diferentes grupos de 3 seran : ABC, ABD, ABE, ACD, ACE , ADE, BCD, BCE, BDE, CDE

Respuesta : se pueden formar 10 grupos diferentes METODO 2: Por frmula

Como el grupo de alumnos ABC, CBA y BAC son el mismo grupo de alumnos, entonces no interesa el orden de los elementos y se trata de una combinacin:

Respuesta : se pueden formar 10 grupos diferentes 8. Con 7 sumandos diferentes Cuntas sumas distintas de 4 sumandos se podrn efectuar? A) 56 B) 35 C) 42 D) 64 Solucin :

e) 70

En la suma no importa el orden que se dispongan los sumandos , por lo tanto se trata de una combinacin; adems para cada suma se escogen grupos de 4 sumandos de los siete de que se disponen.

Respuesta : se pueden formar 35 sumas diferentes 8. De cuntas formas se pueden ubicar en una fila de 7 asientos 3 hombres y 4 mujeres, si estas deben ocupar los lugares impares? A) 160 B) 135 C) 144 D) 14 Solucin :

e) 170

Representemos grficamente el problema, y luego emplearemos el principio de multiplicacin

Posibilidades 4332211 # de formas = 4 x 3 x 3 x 2 x 2 x 1 x1 =144 Respuesta : se pueden ubicar de144 formar diferentes 8. Cuntos nmeros de 4 cifras diferentes y mayores que 5 000 , se pueden formar con los siguientes dgitos : 1 , 3, 4 , 6 , 9? A) 52 B) 48 C) 27 D) 96 Solucin :

e) 49

Sea :

el nmero, entonces se tiene: abcd

# de nmeros = 2 x 4 x 3 x 2 = 48 Respuesta : se pueden formar 48 nmeros de cuatro cifras diferentes 8. 9. Un grupo de 16 personas desean escoger entre sus miembros un comit de 3 personas que los represente. De cuantas formas distintas se puede seleccionar dicho comit? A) 1120 B) 48 Solucin :

C) 300

D) 560

e) 440

Para formar un comit , no interesa el orden en que se dispongan las tres personas por lo que los posibles comits sern combinaciones de 16 personas tomadas en grupos de 3, as

Respuesta : se puede seleccionar el comit de 560 formas diferentes

8. A la final de un torneo de ajedrez se clasifican 10 jugadores,cuntas partidas se

jugar si se juega todos contra todos? A) 1120 B) 48 Solucin :

C) 300

D) 560

e) 440

Si "A" juega con "B" es lo mismo decir que "B" juega con "A", la partida es la misma, no interesa el orden de sus elementos, pero es una agrupacin de 2 en 2, de un total de 10 elementos. Por lo tanto se trata de una combinacin

Respuesta : se jugarn 45 partidas 8. De cuntas maneras diferentes podr viajar una persona de A a D sin retroceder?

A) 24 B) 48 C) 36 D) 18 Solucin :

e) 30

Identificamos con un nombre a cada camino diferente:

Analizamos por tramos:

I.

II.

ABD : para llegar a B, se puede utilizar cualquiera de los 3 caminos(1, 2, 3) sealados. De B a D se puede ir por el camino z, luego habra 3 formas diferentes de llegar: 1z,2z,3z; por lo tanto en el tramo ABD hay 3 formas ACD: para llegar a C se puede utilizar un camino para llegar a B (1,2,3) y luego otro camino para llegar a C(4,5,6). Que aplicando el principio de multiplicacin se tendra:

Para ver el grfico seleccione la opcin "Descargar" del men superior ABC # maneras de llegar de A a C = 3 x 3 = 9 pasando por B

Pero tambin hay dos caminos directos para llegar a C (x,y); por lo tanto el nmero total de caminos para llegar de A a C es : 9 + 2 = 11 formas; y de C a D hay 3 formas (7,8,9) Finalmente se tiene: De A a C y de C a D AaD

11formas 3formas 11 x 3 formas # total de formas diferentes = 33 formas

En conclusin los caminos de (I) y (II) , pueden ser ABD ACD = 3 + 33 = 36 formas

Respuesta : 36 maneras diferentes

8. En un examen de matemticas, un estudiante debe responder siete preguntas de las

diez dadas.De cuntas formas diferentes debe seleccionar, si el debe responder por lo menos, tres de las cinco primeras preguntas? A) 64 B) 55 C) 50 D) 110 e) 120 Solucin :

El estudiante puede responder tres de las cinco primeras preguntas y 4 de las ltimas 5 preguntas; cuatro de las primeras cinco preguntas y 3 de las ltimas ; cinco de las primeras cinco y dos de las ltimas. Como no interesa el orden se trata de una combinacin, por lo tanto tenemos:

Respuesta : 110 maneras diferentes 8. A) 2520 B) 1550 C) 1850 D) 1100 e) 1200 9. Solucin : 10. Mtodo 1:(usando el principio de multiplicacin) 11. Para ver el grfico seleccione la opcin "Descargar" del men superior 12. #maneras = 7 x 6 x 5 x 4 x 3 = 2 520 13. Mtodo 2:(usando permutacin) 14.
15. El servicio de inteligencia de cierto pas, desea enviar mensajes a sus agentes

secretos. Solo quiere utilizar las siguientes letras: V, A, M , P ,I, R, O.Cuntas palabras claves de cinco letras pueden formarse, si ninguna letra puede repetirse? 16. Un hombre tiene 9 bonos financieros de 9 compaas distintas, y piensa regalarlos a sus 3 hijos de la siguiente manera: a su hijo mayor, 4 ; a su segundo hijo, 3 ; y al menor 2. De cuantas formas puede repartir los bonos? A) 1640 B) 1360 C) 680 Solucin :

D) 1100

e) 1120

Se trata de una permutacin con repeticin donde intervienen todos los elementos. Hay 4! Maneras de arreglar los bonos para su hijo mayor; 3! Formas para arreglar los bonos para el segundo hijo y 2! Formas para el hijo menor. Luego se tiene:

Respuesta : Los bonos se pueden repartir de 1360 formas

8. La seleccin peruana de voleibol est conformado por 12 chicas. De cuntas

formas se puede conformar un equipo de 6 si se sabe que 2 chicas se niegan a jugar en el mismo equipo?

A) Solucin :

B)

C)

D)

e)

La delegacin de 6 chicas se puede presentar en los siguientes casos:

1er caso : Si no figura ninguna de las dos chicas que se niegan a jugar juntas, las seis chicas deben escogerse de entre10

# de equipos =

2do caso : Si figura una de las dos chicas que se niegan a jugar juntas, las otras cinco chicas deben escogerse de entre las10 restantes # de equipos =

# total de equipos =

Respuesta : El nmero total de equipos que se pueden formar es

8. De cuntas maneras diferentes se pueden sentar 8 personas en una mesa redonda

de 5 asientos, si 3 estn en espera? A) 1640 B) 1344 C) 680 Solucin :

D) 1124

e) 1120

El nmero de grupos de 5 personas que se ubican en la mesa circular es:

El nmero de formas en que cada grupo de 5 personas se pueden sentar en la mesa es:

(5 1)! =4! = 24 # total de formas = 56 x 24 = 1344 Respuesta : 1344 maneras diferentes

8. La tripulacin de un bote es de 10 hombres, cuatro solamente pueden remar a

babor y tres a estribor. De cuntas formas se pueden distribuirse para remar?, sabiendo que cinco hombres deben ubicarse a cada lado para mantener el equilibrio del bote? Para ver el grfico seleccione la opcin "Descargar" del men superior PROA Babor Estribor POPA A) 3x (5!)2 B) 6x (4!)2 C) 3! x (5!)2 D) 12 x (3!)2 e) 6x (5!) x (4!)

Solucin :

Sean {a, b, c, d, e, f, g, h, i, j }los tripulantes del bote de los cuales: a, b, c y d pueden remar slo a babor y h, i, y j pueden remar slo a estribor. Adems cinco hombres estn ubicados a cada lado del bote. a, b, c y d pueden ubicarse a babor de

formas distintas ocupando 4 lugares (observar que en este problema el orden es importante). Los lugares que sobran a babor pueden ser ocupados por d, e f, es decir 3 formas distintas. Luego los cinco lugares a babor pueden ser ocupados de: . 3 formas o maneras distintas.

A estribor h, i, y j pueden acomodarse de formas diferentes ocupando 3 lugares; y sobrando 2 lugares. Uno de los lugares que sobra puede ser ocupado de 2 formas diferentes, pues uno de los tripulantes e, f g ya est ubicado a babor, quedando (3 1) de ellos para ocupar aquel cuarto lugar. El quinto lugar a estribor puede ser ocupado de (3 2 ) sola forma, por el que queda de los dos anteriores. Por tanto los cinco lugares a estribor pueden ser ocupados de : maneras diferentes. Como se trata de un suceso simultaneo , aplicamos el principio de multiplicacin para los dos resultados anteriores:

# de formas diferentes = Respuesta :

.3x

formas diferentes

8. Seale cuntos productos diferentes, cada uno de tres factores primos, podr

obtenerse con los cinco factores primos : a, b, c, d, e ( a < b < c < d< e) A) 40 B) 35 C) 30 D) 24 Solucin: Mtodo 1 : (Por conteo directo) Se deben formar nmeros de la forma P = x . y . z ; donde x, y, z son nmeros primos CASO 1: Losa tres factores son iguales ; es decir : x = y = z , los productos sern: P1 = a a a ; P2 = b b b ; P3 = c c c ; P4 = d d d ; P5 = e e e e) 56

Son 5 casos posibles CASO 2: Dos factores son iguales y uno es diferente ; es decir : x = y ; con z diferente , los productos sern: P6 = a a b ; P7 = a a c ; P8 = a a d ; P9 = a a e ; P10 = b b a P11 = b b c ; P12 = b b d ; P13 = b b e ; P14 = c c a ; P15 = c c b P16 = c c d ; P17 = c c e ; P18 = d d a ; P19 = d d b ; P20 = d d c P21 = d d e ; P22 = e e a ; P23 = e e b ; P24 = e e c ; P25 = e e d Son 20 casos posibles CASO : Los 3 factores son diferentes ; es decir : x y z ;, los productos sern: P26 = a b c ; P27 = a b d ; P28 = a b e ; P29 = a c d ; P30 = a c e P31 = a d e ; P32 = b c d ; P33 = b c e ; P34 = b d e ; P35 = c d e Son 10 casos posibles ( )

Finalmente se tendr : 5 + 20 + 10 = 35 formas posibles Mtodo 2 : (Aplicando combinacin con repeticin)

En este caso aplicamos la frmula:

Con n = 5 y k = 3 , es decir: Respuesta : 35 formas diferentes COMPRUEBA TUS SABERES 1. A) 20 B) 56 C) 28 D) 14 E) 16 2. Cuntos cables de conexin son necesarios para que puedan comunicarse directamente 2 oficinas de las 8 que hay en un edificio? A) 200 B) 256 C) 240 D) 140 E) 480

3. Las ciudades A y B estn unidas por 6 caminos diferentes, B y C por 10 caminos diferentes y las ciudades C y D por 8 caminos diferentes.De cuntas maneras diferentes una persona puede viajar de A a D pasando por B y C? A) 203x103 B)262x102 C) 263x103 D)26x103 E) 26x25x24 4. La municipalidad de Lima a ordenado que los moto taxis sean amarillos y tengan las placas 6 caracteres (3 letras seguidas de 3 nmeros). Cuntas placas diferentes se podrn formar?(considerar 26 letras del alfabeto) A) 20 B) 56 C) 28 D) 14 E) 36 5. Cuntos nmeros de 3 cifras que sean impares, se pueden escribir con los dgitos: 4, 5, 7, 9 y 8, si no se pueden repetir los dgitos? 6. De seis nmeros positivos y 5 nmeros negativos, se escogen 4 nmeros al azar y se multiplican. Calcular el nmero de formas que se pueden multiplicar, de tal A) 60 B) 96 C) 128 D) 140 E) 170 7. manera que el producto sea positivo A) 16 B) 56 C) 28 D) 64 E) 36 8. El equipo de fulbito de un saln de clase debe escoger 2 madrinas, una para el equipo y otra para las camisetas; si en total hay 8 candidatas. De cuntas maneras se pueden escoger las 2 madrinas? A) 630 B) 210 C) 1080 D) 108 E) 1260 9. Se tiene una urna con 9 bolas numeradas. Se quiere saber, de cuntas maneras podemos sacar primero 2 bolas, luego 3 y finalmente 4? A) 20 B) 50 C) 100 D) 40 E) 80
10. Cuntos numerales, en el sistema quinario, de la forma

A) 2520 B) 5040

C) 1440

D) 1125 E) 800 11. De cuntas maneras diferentes se pueden repartir los 10 miembros de un club en tres comits de 5, 3 y 2 miembros respectivamente? 12. En una despedida de soltera, a la que asistieron slo chicas todas bailaron entre si, al menos una vez. Si en total se lograron conformar 28 parejas diferentes, el nmero de chicas que participaron fue....? A) 16 B) 12 D) 4 E) 36 DESAFIOS C) 8

PROBLEMAS DE NIVEL I 1. A) 160 B) 210 C) 128 D) 144 E) 105 2. Una clase consta de 7 nios y 3 nias. De cuntas maneras diferentes el profesor puede escoger un comit de 4 alumnos? A) 60 B) 96 C) 128 D) 140 E) 170 3. Cuntas palabras diferentes de tres letras, aunque carezcan de significado, se puede formar usando las letras de la palabra PELON (sin repetir las letras) 4. Cuatro chicas y dos varones van al cine y encuentran 6 asientos juntos en una misma fila, donde desean acomodarse.De A) 160 B) 72 C) 128 D) 144 E) 64 5. cuntas maneras diferentes pueden sentarse si las cuatro chicas quieren estar juntas? A) 30 B) 36 C) 28 D) 40 E) 31 6. Tienes 5 libros,de cuntas maneras diferentes puedes escoger uno o ms de dichos libros? a. Los dgitos no pueden repetirse b. Si se permite la repeticin A) 20 y 25 B) 18 y 36 C) 22 y28 D) 20 y 40 E) 16 y 32 7. Cuntos nmeros de dos cifras pueden formarse con los dgitos: 1, 2 , 3, 4 y 5, si: A) 56 B)64 C) 36 D) 44 E) 128 8. Luis tiene 10 amigos de los cuales invitar a su matrimonio solamente a 7. De cuntas maneras puede hacer la invitacin si dos de sus amigos estn enemistados y no pueden asistir juntos? A) 560 B) 390 C) 120 D) 140 E) 280 9. En una reunin se encuentran 5 mujeres y 8 hombres. Si se desea formar grupos mixtos de 5 personas. De cuntas maneras pueden formarse tales grupos de modo que en cada uno de ellos estn siempre dos mujeres? A) 60 B) 56 C) 128 D) 40 E) 70 10. Una persona tiene o billetes de valores diferentes.Cuntas sumas distintas de dinero se puede formar tomados de 3 en 3?

? A) 108 B) 144 D) 192 E) 72 11. Cuntos numerales del sistema octavario (base 8 ) existen de la forma: A) 108 B) 491 C) 528 D) 392 E) 372 12. PROBLEMAS DE NIVEL II 13. Cuntos nmeros mltiplos de 5, menores que 4000 y de cifras diferentes se pueden formar con los dgitos del 0 al 9? 14. Hay 5 candidatos para presidente de un A) 108 B) 64 C) 128 D) 72 E) 90 15. club, 6 para vicepresidente y 3 para secretario.De cuntas maneras se pueden ocupar estos tres cargos? A) 10 B) 4 C) 8 D) 12 E) 2 16. Cuntas combinaciones pueden hacerse con las letras : a, b, c, d y e tomadas de cuatro en cuatro, entrando "a" en todas ellas? A) B) C) C) 128

D) E) 17. Una combi posee 21 asientos, 4 filas de 4 asientos cada uno con un pasillo al medio y al final 5 asientos juntos. Se desea ubicar 13 pasajeros de los cuales 2 siempre van al lado de la ventana y 4 juntos al pasillo central.De cuntas formas se le puede ubicar, si hay 10 asientos con ventana disponibles? 18. A una reunin asistieron 30 personas. Si se saludan estrechndose las manos, A) 60 B) 435 C) 870 D) 120 E) 205 19. suponiendo que cada uno es cortes con cada uno de los dems.Cuntos apretones de manos hubieron? A) 1732 B) 1525 C) 1840 D) 960 E) 1205 20. En el sistema de base "5". Cuntos nmeros de cinco cifras presentan algn 4? A) 160 B) 145 C) 128 D) 125 E) 105 21. En el curso de matemticas hay 4 profesores y 5 profesoras. Se quiere formar comisiones de 4 personas, sabiendo que los profesores Martnez y Caballero no

pueden estar en la misma comisin a menos que la comisin est formada por lo menos por una mujer. Cul es el mximo nmero de comisiones que se puede formar? A) 108 B) 140 C) 80 D) 124 E) 120 22. En una empresa trabajan 5 mecnicos. 4 Fsicos y 2 ingenieros Gelogos . Se desea formar una comisin de 5 personas en la cual haya siempre un Fsico. De cuntas formas se puede seleccionar dicha comisin? A) 138 B) 340 C) 280 D) 454 E) 180 23. Cuntos nmeros de 4 cifras se pueden formar con las cifras: 1, 2, 4, 6, 7 y 8; de tal manera que sean menores que 5 000 y no permitindose repeticiones de las cifras? A) 1956 B) 2496 C) 1080 D) 1244 E) 1200 24. Se tienen 6 bolitas marcadas con los dgitos :1, 2, 3, 4, 5 y 6 .Cuntos nmeros se pueden obtener? 25. Tengo 15 sillas de las cuales 8 son defectuosas. De cuntas maneras podemos escoger 5 sillas de las cuales por lo menos 4 sean defectuosas? A) 490 B) 560 D) 480 E) 520 http://www.monografias.com/trabajos13/analisco/analisco.shtml C) 546

meros combinatorios
Las agrupaciones combinatorias que slo consideran la esencia de los grupos formados y no su orden, llamadas combinaciones, han constituido una rama especfica dentro de la especialidad del anlisis combinatorio, con mltiples usos en diversos campos. La expresin numrica de tales combinaciones recibe el nombre de nmero combinatorio o coeficiente binmico.

Coeficientes binmicos
Se define nmero combinatorio o coeficiente binmico como el valor numrico de las combinaciones ordinarias (sin repeticin) de un conjunto de n elementos tomados en grupos de r, siendo n y r dos nmeros enteros y positivos tales que n r. Matemticamente, un nmero combinatorio se expresa como:

Los nmeros combinatorios se leen n sobre r.

Propiedades de los nmeros combinatorios

Los nmeros combinatorios presentan algunas propiedades muy interesantes que justifican el amplio uso que se hace de ellos en algunas ramas cientficas:

Primera propiedad de los nmeros combinatorios:

Segunda propiedad de los nmeros combinatorios.

Otras propiedades generales de los nmeros combinatorios son las siguientes:

Cualquier nmero sobre 0 es igual a 1. Todo nmero sobre s mismo es igual a 1. Un nmero sobre 1 es siempre igual al nmero.

http://www.hiru.com/matematicas/numeros-combinatorios

El nmero se llama tambin nmero combinatorio. Se representa por lee "m sobre n".

y se

Ejemplo

Propiedades de los nmeros combinatorios

1.

2. Los nmeros de este tipo se llaman complementarios.

3.

Ejemplo Hallar el nmero de combinaciones de 75 elementos de orden 72.

http://www.vitutor.com/pro/1/a_9.html

Definicin
Dado un espacio de probabilidad (,F,P) y dos eventos (o sucesos) > 0, la probabilidad condicional de A dado B est definida como: con P(B)

se puede interpretar como, tomando los mundos en los que B se cumple, la fraccin en los que tambin se cumple A.

[editar] Interpretacin

se puede interpretar como, tomando los mundos en los que B se cumple, la fraccin en los que tambin se cumple A. Si el evento B es, por ejemplo, tener la gripe, y el evento A es tener dolor de cabeza, cabeza cuando se est enfermo de gripe. sera la probabilidad de tener dolor de

Grficamente, si se interpreta el espacio de la ilustracin como el espacio de todos los mundos posibles, A seran los mundos en los que se tiene dolor de cabeza y B el espacio en el que se tiene gripe. La zona verde de la interseccin representara los mundos en los que se tiene gripe y dolor de cabeza . En este caso , es decir, la probabilidad de que alguien tenga dolor de cabeza sabiendo que tiene gripe, sera la proporcin de mundos con gripe y dolor de cabeza (color verde) de todos los mundos con gripe: El rea verde dividida por el rea de B. Como el rea verde representa y el rea de B representa a P(B), formalmente se tiene que:

[editar] Propiedades
1. 2.

Pero NO es cierto que

La proporcin de zona verde dentro de B es la misma que la de A en todo el espacio y, de la misma forma, la proporcin de la zona verde dentro de A es la misma que la de B en todo el espacio. Son sucesos independientes.

[editar] Independencia de sucesos

Artculo principal: Independencia (probabilidad)

Dos sucesos aleatorios A y B son independientes si y slo si:

O sea que si A y B son independientes, su probabilidad conjunta, puede ser expresada como el producto de las probabilidades individuales. Equivalentemente:

P(A,B).

En otras palabras, si A y B son independientes, la probabilidad condicional de A dado B es simplemente la probabilidad de A y viceversa.

[editar] Exclusividad mutua

Los conjuntos A y B no intersecan. Son mutuamente excluyentes. Dos sucesos A y B son mutuamente excluyentes si y slo si . Adems, si P(B) > 0 entonces es igual a 0. . Entonces,

[editar] La falacia de la probabilidad condicional

La falacia de la probabilidad condicional se basa en asumir que P(A|B) es casi igual a P(B| A). El matemtico John Allen Paulos analiza en su libro El hombre anumrico este error muy comn cometido por doctores, abogados y otras personas que desconocen la probabilidad. La verdadera relacin entre P(A|B) y P(B|A) es la siguiente:

(Teorema de Bayes)

[editar] Problemas de ejemplo

---La paradoja del falso positivo---

La magnitud de este problema es la mejor entendida en trminos de probabilidades condicionales. Supongamos un grupo de personas de las que el 1 % sufre una cierta enfermedad, y el resto est bien. Escogiendo un individuo al azar: P(enfermo) = 1% = 0.01 y P(sano) = 99% = 0.99 Supongamos que aplicando una prueba a una persona que no tiene la enfermedad, hay una posibilidad del 1 % de conseguir un falso positivo, esto es: P(positivo | sano) = 1% y P(negativo | sano) = 99% Finalmente, supongamos que aplicando la prueba a una persona que tiene la enfermedad, hay una posibilidad del 1 % de un falso negativo, esto es: P(negativo | enfermo) = 1% y P(positivo | enfermo) = 99% Ahora, uno puede calcular lo siguiente: La fraccin de individuos en el grupo que estn sanos y dan negativo:

La fraccin de individuos en el grupo que estn enfermos y dan positivo:

La fraccin de individuos en el grupo que dan falso positivo:

La fraccin de individuos en el grupo que dan falso negativo:

Adems, la fraccin de individuos en el grupo que dan positivo:

Finalmente, la probabilidad de que un individuo realmente tenga la enfermedad, dado un resultado de la prueba positivo:

En este ejemplo, debera ser fcil ver la diferencia entre las probabilidades condicionadas P (positivo | enfermo) (que es del 99 %) y P (enfermo | positivo) (que es del 50 %): la primera es la probabilidad de que un individuo enfermo de positivo en la prueba; la segunda es la probabilidad de que un individuo que da positivo en la prueba tenga realmente la enfermedad. Con los nmeros escogidos aqu, este ltimo resultado probablemente sera considerado inaceptable: la mitad de la gente que da positivo en realidad est sana.

La probabilidad de tener una enfermedad rara es de 0,001: P(enfermo) = 0,001 La probabilidad de que cuando el paciente est enfermo se acierte en el diagnstico es de 0,99: P(positivo | enfermo) = 0,99 La probabilidad de falso positivo es de 0,05: P(positivo | sano) = 0,05 Pregunta: Me dicen que he dado positivo, Qu probabilidad hay de que tenga la enfermedad?

http://es.wikipedia.org/wiki/Probabilidad_condicionada

INTRODUCCION A LA TEORIA DE PROBABILIDADES 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 continuo con el estudio de nuevas metodolgias 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

A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad: El enfoque clsico: Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia de A, y todos los resultados son igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que ocurra A es: P(A) = __x__ (x+z) El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea igualmente posible. Este enfoque es llamado enfoque a priori porque permite, (en caso de que pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier evento de muestra. Ejemplo: Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una piedra roja en un intento es: P(A) = ____9____= 0.375 o 37.5% 9+15 El enfoque de frecuencia relativa: Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la proporcin de veces que ocurre un evento favorable en un numero de observaciones. En este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de los valores de probabilidad se basa en la observacin y recopilacin de datos. Ejemplo: Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn de seguridad. Si un vigilante de transito se para en esa misma esquina un ida cualquiera Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad? P(A) = ___9___ = 0.18 o 18% 50 Tanto el enfoque clsico como el enfoque emprico conducen a valores objetivos de probabilidad, en el sentido de que los valores de probabilidad indican al largo plazo la tasa relativa de ocurrencia del evento. El enfoque subjetivo: Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un individuo de que un evento ocurra, basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de probabilidad bajo este enfoque es un juicio personal.

El valor de la probabilidad: El valor ms pequeo que puede tener la probabilidad de ocurrencia de un evento es igual a 0, el cual indica que el evento es imposible, y el valor mayor es 1, que indica que el evento ciertamente ocurrir. Entonces si decimos que P(A) es la probabilidad de ocurrencia de un evento A y P(A ) la probabilidad de no-ocurrencia de A, tenemos que: 0 < P(A) < 1 P(A) + P(A) = 1 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). 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 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. Se debe tener claro que A|B no es una fraccin. P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A) Reglas de Multiplicacin Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms eventos. Es decir la interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es: P(A y B) = P(A B) = P(A)P(B) si A y B son independientes P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes INSTITUTO UNIVERSITARIO DE TECNOLOGIA INDUSTRIAL CURSO INTENSIVO FEB. 99. ASIGNATURA: CALCULO DE PROBABILIDADES PROFESOR: NESTOR GUERRA INGENIERO INDUSTRIAL UNEXPO LUIS CABALLERO MEJIAS 1989 DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS Variable aleatoria: Hasta ahora hemos visto el desarrollo de una idea de un intento que resulta en la aparicin aleatoria de un estado del conjunto E1, E2, E3, E4,...... En, y se introdujo la nocin de espacio de muestra o espacio de muestra como un modelo conveniente de los resultados. Aqu introducimos el concepto de variable aleatoria, la cual es simplemente un conjunto de nmeros X1, X2, X3,..... Xn, uno para cada estado de manera que el resultado de un intento no es solamente el estado Ei, sino tambin el numero X1 de inters. Ejemplo: si el intento es el lanzamiento de dos dados, una variable aleatoria puede definirse como la suma de los puntos obtenidos en los dados. Si denotamos esta variable aleatoria por z, entonces z tendr el valor 2 para el estado {1,1}, 3 para el estado {1,2} y as sucesivamente. Observe que a pesar de haber 36 puntos en el espacio de muestra, solamente hay 11 valores posibles para z, estos son con su respectiva funcin de frecuencia (relativa respecto al espacio de muestra): Variable aleatoria z Funcin de frecuencia P(z)

1/36

2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Total 36/36 Se puede observar que la suma de las probabilidades individuales en cualquier funcin de frecuencia es 1, ello resulta del hecho de que uno y solo uno de los resultados posible se materializa como resultado de un intento. Pueden obtenerse muchas variables aleatorias en el mismo espacio de muestra. Si el intento es el lanzamiento de dos dados, podemos definir tambin la variable aleatoria z como el numero menor de los dos que aparecen en el lanzamiento. En este caso z tendra los valores 1, 2, 3, 4, 5, 6. El evento "z = 6 " se presenta solamente en el punto de muestra (6,6) y tiene probabilidad 1/36. El evento "z = 4" se observa en los puntos (4,4), (4,5), (5,4), (4,6), (6,4) y tiene una probabilidad de 5/36 y as sucesivamente. La funcin de frecuencia completa para esta variable aleatoria es: Variable aleatoria z Funcin de frecuencia P(z)

11/36 9/36 7/36 5/36 3/36

Total 36/36 Generalmente una distribucin de frecuencia de una variable aleatoria se caracteriza por dos estadsticos derivados: su media y su varianza. La descripcin mediante estos

nmeros es una funcin de frecuencia de probabilidad, aunque incompleta, es valiosa en muchas de las aplicaciones. Sea xi {1,2,3,......,n} los diversos valores posibles que puede tomar una variable aleatoria, y sea P(x) la probabilidad de que la variable toma el valor xi, entonces su media ser: X = xiP(xi) 2 = xi2 P(xi) - X2 La media de x es un valor que puede esperarse que tome x en un intento, y la varianza es una medida de la dispersin esperada de los valores que alcanza x, alrededor del valor esperado Al igual que en la aplicacin de las formulas para la probabilidad de eventos compuestos, el espacio de muestra fundamental no necesita estar en forma explcita para que se utilicen los conceptos de variable aleatoria y de distribucin de probabilidad. La funcin de frecuencia de la variable aleatoria es entonces un conjunto de nmeros no negativos. P(xi), P(xii), P(xiii), ..... P(xn) uno para cada xi, tal que P(xi) = 1 Bajo esta premisa, como sucede en cualquier tratamiento de espacios de muestras, el numero de valores posible de la variable aleatoria x no tiene que ser finito. Es por ello que existen funciones de distribucin de probabilidad para variables aleatorias discretas y para variables aleatorias continuas. En esta unidad estudiaremos las distribuciones de probabilidad para variables discretas o distribuciones de probabilidad discretas. Distribuciones de Probabilidad Discretas: Son funciones de probabilidad en las cuales la variable aleatoria toma valores discretos, entre las ms importantes tenemos: La Distribucin de Bernoulli o Distribucin Binomial, la Distribucin Hipergeomtrica, Distribucin de Poisson Distribucin Binomial: La distribucin binomial es una distribucin de probabilidad discreta, aplicable cada vez que se suponga que un proceso de muestreo conforma un proceso de Benoulli. Es decir que ocurra un proceso de muestreo en el cual: 1. - Hay dos resultados posibles mutuamente excluyentes en cada ensayo u observacin. 2. - La serie de ensayos u observaciones constituyen eventos independientes. 3. - La probabilidad de xito permanece constantede ensayo a ensayo, es decir el proceso es estacionario. Para aplicar esta distribucin al calculo de la probabilidad de obtener un numero dado de xitos en una serie de experimentos en un proceso de Bermnoulli, se requieren tres valores: el numero designado de xitos (m), el numero de ensayos y observaciones (n); y la probabilidad de xito en cada ensayo (p). Entonces la probabilidad de que ocurran m xitos en un experimento de n ensayos es:

P (x = m) = nCm Pm(1-P)n-m Siendo nCm el numero total de combinaciones posibles de m elementos en un con junto de n elementos. En otras palabras P(x = m) = m!/{m!(n-m)!}pm(1-p)n-m Ejemplo. La probabilidad de que un alumno apruebe la asignatura Calculo de Probabilidades es de 0,15. Si en un semestre intensivo se inscriben 15 alumnos Cul es la probabilidad de que aprueben 10 de ellos? P(x = 10) = 15C10(0,15)10(0,85)5 = 10!/{10!(15-10)!}(0,15)10(0,85)5 = 7,68 * 10-6 Generalmente existe un inters en la probabilidad acumulada de "m o ms " xitos o "m o menos" xitos en n ensayos. En tal caso debemos tomar en cuenta que: P(x < m) = P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x =m- 1) P(x > m) = P(x =m+ 1) + P(x =m+ 2) + P(x = m+3) +....+ P(x =n) P(x < m) = P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x =m) P(x > m) = P(x = m) + P(x =m+1) + P(x =m+2) +....+ P(x =n) Supongamos que del ejemplo anterior se desea saber la probabilidad de que aprueben: a.- al menos 5 b.- mas de 12 a.- la probabilidad de que aprueben al menos 5 es P(x < 5) es decir que P(x < 5) = P(x = 1)+P(x = 2)+P(x = 3)+P(x = 4)+P(x = 5) P(x < 5) = 0,2312 + 0,2856 + 0,2184 + 0,1156 + 0,045 = 0,8958 b.- la probabilidad de que aprueben mas de 12 es P(x > 12) es decir que P(x > 12) = P(x = 13)+P(x = 14)+P(x = 15) P(x > 12) = 1,47 *10-9 +3,722 *10-11 +4,38 *10-13 = 1,507 *10-9 La esperanza matemtica en una distribucin binomial puede expresarse como E(x) = np Y la varianza del numero esperado de xitos se puede calcular directamente: Var(x) = np(1-p)

Distribucin Binomial expresada en Proporciones: En lugar de expresar la variable aleatoria como el numero de xitos X, podemos designarla en trminos de la proporcin de xitos, p, que es la relacin entre el numero de xitos y el numero de ensayos: P=X n En tales casos la formula se modifica solo respeto de la definicin de la proporcin: P( p = P/n) = nCxpx(1-p)n-x Ejemplo: La probabilidad de que Juan pueda conquistar una chica es de 0,20. Si se seleccionan 5 chicas al azar, que se encontraran con Juan, Cul es la probabilidad la proporcin de chicas interesadas en Juan sea exactamente 0,2? P(p = 0,2 = 1/5) = 5C1(0,20)1(0,80)4 = 0,4096 Cuando la variable binomial se expresa como una proporcin, la distribucin es aun discreta y no continua. Solo pueden ocurrir las proporciones para las que el numero de xitos X es un numero entero. El valor esperado para una distribucin de probabilidad binomial expresada por proporciones es igual a la proporcin de la poblacin: E(p) = p La varianza de una proporcin de xitos para una distribucin de probabilidad binomial es: Var(p) = p(1-p) N Distribucin Hipergeometrica: Cuando el muestreo se hace sin reemplazo de cada articulo muestreado tomado de una poblacin finita de artculos, no se aplica el proceso de Bernoulli porque hay un cambio sistemtico en la probabilidad de xitos a medida que se retiran los tems de la poblacin. Es por ello que se utiliza la distribucin de probabilidad Hipergeometrica por ser la mas apropiada. Si X es el numero designado de xitos, N es el numero total de tems en la poblacin, XT es el numero total de xitos incluidos en la poblacin y n es el numero de tems de la muestra, la formula para determinar la probabilidad hipergeometrica es: N- XT XT .n - X X P(X|N, XT,n) = ------------------N

.n Ejemplo: De seis estudiantes de Clculos de Probabilidades, tres han cursado la materia tres veces o ms. Si se escoge cuatro estudiantes del grupo de seis cul es la probabilidad de que dos hayan cursado la materia en mas de una oportunidad? XT = 3, X = 2, N = 6, n = 4 6-33 4-22 P(X= 2|6,3,4) = ------------------- = 0,60 6 2 Observe que en esta distribucin el valor de probabilidad se calcula determinando el numero de combinaciones diferentes que incluiran dos alumnos con mayor ndice de repitencia y dos nuevos con una relacin total de combinaciones de cuatro alumnos de los seis. Cuando la poblacin es grande y la muestra es relativamente pequea, el hecho de que el muestreo se efecte sin reemplazo tiene poco efecto sobre la probabilidad de xito de cada ensayo. Distribucin de Poisson: Se utiliza para determinar la probabilidad de un numero designado de xitos cuando los eventos ocurren en un espectro continuo de tiempo y espacio. Tal proceso se denomina Proceso de Poisson, es semejante al proceso de Bernoulli excepto que los eventos ocurren en un espectro continuo en vez de ocurrir en ensayos u observaciones fijas. Por ejemplo la entrada de materiales a una celda de produccin, la llegada de clientes a un servidor cualquiera, etc. Solo se requiere un valor parea determinar la probabilidad de un numero designado de exitos en un proceso de Poisson: el numero promedio de xitos para la dimensin especifica de tiempo o espacio de inters. Este numero promedio se representa generalmente por o . La expresin matemtica de la distribucin de Poisson es. P(x| ) = xe- /x! Ejemplo: Un puesto de trabajo en una lnea recibe un promedio de 4 productos por hora. Cul es la probabilidad de que reciba al menos 2 productos? = 5, x< 2 P(x < 2| = 5) = 51 e-5/1! + 52 e-5/2! = 0,1179 Puesto que el proceso de Poisson es estacionario, se concluye que la media del proceso es siempre proporcional a la longitud del espectro continuo de tiempo o espacio.

Aproximacin de Poisson de Probabilidades Binomiales: Cuando el numero de observaciones o ensayos n en un proceso de Bernoulli es muy grande, los clculos son bastante tediosos. Mas aun, en general no se encuentran tablas de probabilidad con valores muy pequeos de p. En estos casos la distribucin de Poisson es conveniente como una aproximacin de probabilidades binomiales cuando n es grande y p o (1-p) es pequeo. Empricamente esta aproximacin se puede hacer cuando n > 30, y np < 5. La media de la distribucin de Poisson, utilizada para aproximar probabilidades binomiales es. = np INSTITUTO UNIVERSITARIO DE TECNOLOGIA INDUSTRIAL CURSO INTENSIVO FEB. 99. ASIGNATURA: CALCULO DE PROBABILIDADES PROFESOR: NESTOR GUERRA INGENIERO INDUSTRIAL UNEXPO LUIS CABALLERO MEJIAS 1989 DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS Variables aleatorias continuas: A diferencia de una variable aleatoria discreta, una variable aleatoria continua es aquella que puede tener cualquier valor fraccional dentro de un rango definido de valores. Es decir, este tipo de variable se define en espacios de muestra con un numero de puntos infinitos no denumerable. Debida a las dificultades matemticas inherentes, no desarrollaremos el concepto en detalle, pero retendremos la nocin de un "intento" como conjunto de operaciones que dan por resultado algn valor definido pero aleatorio de x. Entonces si a es algn valor particular en el dominio de definicin de x, el evento "el valor de x que resulta de un intento es menor o igual que a" tiene una probabilidad, definida P{x < a, para cada valor a en el dominio de x. De esta manera, para una distribuciones de probabilidad, no se pueden enumerar todos los valores posibles para una variable aleatoria continua x junto con un valor de probabilidad correspondiente. En este caso el enfoque ms conveniente es elaborar una funcin de densidad de probabilidad, basada en la funcin matemtica correspondiente. La proporcin del arrea incluida entre dos puntos cualesquiera por debajo de la curva de probabilidad identifica la probabilidad de que una variable continua aleatoriamente seleccionada tenga un valor entre esos puntos. Ejemplo: Supongamos que U(a) = P{x < a}, decimos que U(a) es una funcin de distribucin cumulativa de x, puesto que P{x< a} esta definida para cada valor de a en el dominio de x. Si a y b son dos valores en el recorrido de x, con a < b, podemos denotar mediante P{a < x < b} la probabilidad del evento "el valor de x que resulta de un intento es mayor que a, pero menor o igual que b. Podemos expresar P{a < x < b} en trminos de la funcin de distribucin cumulativa, si vemos primero que P{x < b} = P{x < a} + P{a < x < b} Entonces

P{a < x < b} = U(b) - U(a) oo b U(a) = f(x) dx; P{a < x < b}= f(x) dx -oo a Siendo f(x) una funcin de distribucin cumulativa diferenciable en todos los puntos de recorrido de x. Estas funciones as definidas se denominan tambin "funcin de densidad de probabilidad de x". Estas funciones deben cumplir lo siguiente:

oo U(a) = f(x) dx = 1 -oo

Si a es un valor fijo de x P{x = a} = 0 F(x) dx, puede considerarse como la probabilidad de que la variable aleatoria tome algn valor entre x y x + dx.

Como en el caso discreto, la distribucin de probabilidad de una variable aleatoria con recorrido sobre un continuo puede describirse (de manera incompleta, desde luego) mediante su media y su varianza: oo Media = xf(x) dx -oo oo varianza = (x f(x) dx, siendo igual a la media -oo Distribucin de probabilidad normal: Es una distribucin de probabilidad continua que es tanto simtrica como mesocurtica. La curva que representa la distribucin de probabilidad normal se describe generalmente como en forma de campana. Esta distribucin es importante en inferencia estadstica por tres razones diferentes: Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta distribucin.

 Las probabilidades normales pueden utilizarse generalmente para aproximar otras distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson. Las distribuciones estadsticas tales como la media de la muestra y la proporcin de la muestra, siguen a menudo la distribucin normal, sin tener en cuenta la distribucin de la poblacin Los valores de los parmetros de la distribucin de probabilidad normal son = 0 y = 1. Cualquier conjunto de valores X normalmente distribuido pueden convertirse en valores normales estndar z por medio de la formula: Z = __X_ - ___ haciendo posible el uso de la tabla de proporciones de rea y hace innecesario el uso de la ecuacin de la funcin de densidad de cualquier distribucin normal dada. Para aproximar las distribuciones discretas binomial y de Poisson se debe hacer: Si n > 30 Binomial np Poisson np(1-p) .np > 5 n(1-p) > 5 > 10

Distribucin de probabilidad exponencial. Si en el contexto de un proceso de Poisson ocurren eventos o xitos en un espectro continuo de tiempo y espacio. Entonces la longitud del espacio o tiempo entre eventos sucesivos sigue una distribucin de probabilidad exponencial. Puesto que el tiempo y el espacio son un espectro continuo, esta es una distribucin continua. En caso de este tipo de distribucin no vale la pena preguntarse cul es la probabilidad de que el primer pedido de servicio se haga exactamente de aqu a un minuto?. Mas bien debemos asignar un intervalo dentro del cual el evento puede ocurrir, preguntndonos, cul es la probabilidad de que el primer pedido se produzca en el prximo minuto?. Dado que el proceso de Poisson es estacionario, la distribucin exponencial se aplica ya sea cuando estamos interesados en el tiempo (o espacio) hasta el primer evento, el tiempo entre dos eventos sucesivos, o el tiempo hasta que ocurra el primer evento despus de cualquier punto aleatoriamente seleccionado. Donde es la cifra media de ocurrencias para el intervalo de inters, la probabilidad exponencial de que el primer evento ocurra dentro del intervalo designado de tiempo o espacio es. P(T < t) = 1 - e - De manera que la probabilidad exponencial de que el primer evento no ocurra dentro del intervalo designado de tiempo o espacio es:

P(T > t) = e - Ejemplo Un departamento de mantenimiento recibe un promedio de 5 llamadas por hora. Comenzando en un momento aleatoriamente seleccionado, la probabilidad de que una llamada llegue dentro de media hora es: Promedio 5 por hora, como el intervalo es media hora tenemos que = 2,5/media hora. P (T < 30 min.) = 1- e -5 = 1 - 0,08208 = 0,91792
http://html.rincondelvago.com/probabilidades_1.html

REGLA 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 AyB 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. Si un estudiante es seleccionado aleatoriamente, cul es la probabilidad de que tenga un estreo o una TV en su habitacin? P(S o T) = P(S) + P(T) - P(S y T) = .64 +.35 - .20 = . 79.
http://www.mitecnologico.com/Main/ReglasDeAdicionProbabilidad

REGLA DE LA MULTIPLICACION

De la definicin de probabilidad condicional se tienen los siguientes resultados al despejar

Las relaciones cual es til para:

son casos especiales de la llamada Regla de la multiplicacin, la

Calcular probabilidades de intersecciones de eventos probabilidades condicionales. Esta regla de manera general se puede expresar como: Sea eventos tales que

con base en

. Entonces

Ejemplo 1. (Inspeccin de Lotes) Un lote contiene items de los cuales son defectuosos. Los items son seleccionados uno despues del otro para ver si ellos son defectuosos. Suponga que dos items son seleccionados sin reemplazamiento (Significa que el objeto que se selecciona al azar se deja por fuera del lote). Cal es la probabilidad de que los dos items seleccionados sean defectuosos?. Solucin Sea los eventos

entonces dos items seleccionados seran defectuosos, cuando ocurre el evento que es la interseccin entre los eventos y . De la informacin dada se tiene que:

as probabilidad de que los dos items seleccionados sean defectuosos es

Ahora suponga que selecciona un tercer item, entonces la probabilidad de que los tres items seleccionados sean defectuosos es

http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/regla_de_la_ miltiplicacion.html

Teorema de Bayes
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda

El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el resultado que da la distribucin de probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A.

Contenido
[ocultar]

1 Teorema 2 Aplicaciones 3 Vase tambin 4 Enlaces externos

[editar] Teorema
Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se conocen las probabilidades condicionales P(B | Ai). Entonces, la probabilidad P(Ai | B) viene dada por la expresin:

donde:

P(Ai) son las probabilidades a priori. P(B | Ai) es la probabilidad de B en la hiptesis Ai. P(Ai | B) son las probabilidades a posteriori.

Esto se cumple Adems, unido a la definicin de Probabilidad condicionada, obtenemos la Frmula de Bayes, tambin conocida como la Regla de Bayes:

[editar] Aplicaciones
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam, que se adaptan con el uso.

Como observacin, se tiene

y su demostracin resulta trivial.

http://es.wikipedia.org/wiki/Teorema_de_Bayes

speranza matemtica
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda

En estadstica la esperanza matemtica (tambin llamada esperanza, valor esperado, media poblacional o media) de una variable aleatoria X, es el nmero formaliza la idea de valor medio de un fenmeno aleatorio. que

Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser "esperado" en el sentido ms general de la palabra - el valor de la esperanza puede ser improbable o incluso imposible.

Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Podemos hacer el clculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos los sucesos son de igual probabilidad, la esperanza es igual a la media aritmtica. Una aplicacin comn de la esperanza matemtica es en las apuestas o los juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una apuesta a un solo nmero paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos la apuesta, as que recibimos 36 veces lo que hemos apostado). Por tanto, considerando los 38 posibles resultados, la esperanza matemtica del beneficio para apostar a un solo nmero es:

que es -0,0526 aproximadamente. Por lo tanto uno esperara, en media, perder unos 5 cntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.9474 euros. En el mundo de las apuestas, un juego donde el beneficio esperado es cero (no ganamos ni perdemos) se llama un "juego justo". Nota: El primer parntesis es la "esperanza" de perder tu apuesta de $1, por eso es negativo el valor. El segundo parntesis es la esperanza matemtica de ganar los $35. La esperanza matemtica del beneficio es el valor esperado a ganar menos el valor esperado a perder.

[editar] Definicin
Para una variable aleatoria discreta con valores posibles y sus probabilidades representadas por la funcin de probabilidad p(xi) la esperanza se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos los valores y la funcin de densidad :

La definicin general de esperanza se basa, como toda la teora de la probabilidad, en el marco de la teora de la medida y se define como la siguiente integral:

La esperanza tambin se suele simbolizar con Las esperanzas para se llaman momentos de orden . Ms .

importantes son los momentos centrados

No todas las variables aleatorias tienen un valor esperado. Por ejemplo, la distribucin de Cauchy no lo tiene.

[editar] Propiedades
La esperanza es un operador lineal, ya que:

Combinando estas propiedades, podemos ver que -

donde

son variables aleatorias y y y son tres constantes cualesquiera.

http://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica

En estadstica un estadstico (muestral) es una medida cuantitativa, derivada de un conjunto de datos de una muestra, con el objetivo de estimar o inferir caractersticas de una poblacin o modelo estadstico. Ms formalmente un estadstico es una funcin medible T que, dada una muestra estadstica de valores (X1,X2,...,Xn), les asigna un nmero, T(X1,X2,...,Xn), que sirve para estimar determinado parmetro de la distribucin de la que procede la muestra. As, por ejemplo, la media de los valores de una muestra (media muestral) sirve para estimar la media de la poblacin de la que se ha extrado la misma; la varianza muestral podra usarse para estimar la varianza poblacional, etc.[1] Esto se denomina como realizar una estimacin puntual.

http://es.wikipedia.org/wiki/Estad%C3%ADstico_muestral

Frmula de Stirling
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda

La diferencia relativa entre (ln x!) y (x ln x - x) tiende a cero al crecer x.

En matemticas, la frmula de Stirling es una aproximacin para factoriales grandes. Lleva el nombre en honor de James Stirling. La aproximacin se expresa como

para n suficientemente grande, donde ln es el logaritmo natural

[editar] Definicin formal

La frmula de Stirling est dada por:

que se reescribe frecuentemente como:

ms exactamente la frmula es como sigue:

donde el ltimo termino del producto(la exponencial) tiende a 1 cuando n tiende a infinito. La lista de los denominadores es: 12, 360, 1260, 1680, 1188, 360360, 156, 122400, 244188, 125400, 5796, 1506960, 300, ... Desarrollando este ltimo termino tambin se puede reescribir la frmula como:

Una acotacin de la frmula es:

Por ejemplo:
29! = 8841761993739701954543616000000

[editar] Usos
La frmula resulta til en diversas reas como la mecnica estadstica, donde aparecen ecuaciones que contienen factoriales del nmero de partculas. Puesto que en la materia ordinaria los sistemas macroscpicos tpicos tienen en torno a partculas la frmula de Stirling resulta muy buena aproximacin. Adems la frmula aproximante de Stirling es diferenciable lo cual permite el clculo muy aproximado de mximos y mnimos en expresiones con factoriales.
http://es.wikipedia.org/wiki/F%C3%B3rmula_de_Stirling

Factorial
De Wikipedia, la enciclopedia libre

Saltar a navegacin, bsqueda n 0 1 2 3 4 5 6 7 8 9 10 15 20 25 50 70 450 1 1 2 6 24 120 720 5.040 40.320 362.880 3.628.800 1.307.674.368.000 2.432.902.008.176.640.000 15.511.210.043.330.985.984. 000.000 30.414.093.201.713.378.043 1045 1,19785717... 10100 1,73336873... 101.000 n!

3.249 6,41233768... 1010.000 25.20 1,205703438... 10100.000 6 100.0 2,8242294079... 10456.573 00

Para todo nmero natural n, se llama n factorial o factorial de n al producto de todos los naturales desde 1 hasta n:

Que de un modo resumido, se puede expresar como:

Se define 0! = 1, para que la relacin n! = n (n 1)! sea tambin vlida para n = 1. Esta relacin permite definir los factoriales por recursividad. La notacin n! fue popularizada por el matemtico francs Christian Kramp.

Los factoriales se usan mucho en la rama de la matemtica llamada combinatoria, a travs del binomio de Newton, que da los coeficientes de la forma desarrollada de (a + b)n:
(a + b)n = an + n an 1 b + Cn, 2 an 2 b2 + ... + n a bn 1 + bn

con: Por medio de la combinatoria, los factoriales intervienen en el clculo de las probabilidades. Intervienen tambin en el mbito del anlisis, en particular a travs del desarrollo polinomial de las funciones (frmula de Tynril). Se generalizan a los reales con la funcin gamma, de gran importancia en el campo de la aritmtica. Para valores grandes de n, existe una expresin aproximada para el factorial de n, dado por la frmula de Stirling:

La ventaja de esta frmula es que no precisa induccin y, por lo tanto, permite evaluar n! ms rpidamente cuando mayor sea n. El factorial de n es generalizado para cualquier nmero real n por la Funcin gamma de manera que

http://es.wikipedia.org/wiki/Factorial

5.12.1 Relacin entre teora de probabilidad y conjuntos. En la teora moderna de la probabilidad, se toman todos los posibles resultados de un experimento, juego, etc. Como puntos de un espacio llamado espacio muestral S . Si S

contiene solamente un nmero finito de puntos, entonces a cada punto puede asociarse un nmero no negativo, llamado probabilidad , tal que la suma de todos los nmeros correspondientes a todos los puntos de S sumen 1. Un suceso es un sistema o subconjunto de puntos de S tal como se indica en el diagrama y que designamos por E 1 y E 2 respectivamente.

El suceso E 1 + E 2 es el formado por los puntos que estn en E 1 E 2 en ambos, mientras que el suceso E 1 y E 2 est formado por los puntos comunes a E 1 y E 2 . En el lenguaje de la teora de conjuntos los conceptos anteriores se corresponden as: , . Se define la probabilidad de un suceso E 1 como la suma de las probabilidades de todos aquellos puntos que estn contenidos en E 1. Anlogamente, la probabilidad de , designada por es la suma de las . Si

probabilidades asociadas a todos los puntos contenidos en el sistema

no tienen puntos en comn, es decir, los sucesos son mutuamente excluyentes, entonces . Si tienen puntos en comn entonces . Anlogamente, puede extenderse a ms de dos sistemas. En esta concepcin moderna, una variable aleatoria es una funcin definida en cada punto del espacio muestral. En el caso de que S tenga infinitos puntos, las ideas anteriores pueden extenderse por medio de conceptos que requieren del clculo. Definicin. Si A es un conjunto finito, llamaremos cardinal de A y lo notamos n ( A ) al nmero de elementos de A . Definicin. Dados A , B , C finitos, se tiene:

1. 2.

Ejercicio. Utilizando los diagramas de Venn, verificar las ecuaciones anteriores.

Observacin. Como se desprende de las ecuaciones anteriores podemos afirmar que, conociendo el cardinal de ciertos conjuntos dados, es posible obtener el cardinal de otros conjuntos que son unin, interseccin, diferencia o complementos de los conjuntos dados.

http://docencia.udea.edu.co/cen/logica/cap5.htm

Variables discretas y variables continuas Una distribucin de los datos en categoras que ha demostrado ser til al organizar los procedimientos estadsticos, es la distincin entre variables discretas y variables continuas. Una variable discreta es sencillamente una variable para la que se dan de modo inherente separaciones entre valores observables sucesivos. Dicho con mas rigor, se define una variable discreta como la variable tal que entre 2 cualesquiera valores observables (potencialmente), hay por lo menos un valor no observable (potencialmente). Por ejemplo, un recuento del nmero de colonias de un cultivo en agar es una variable discreta. Mientras que cuentas de 3 y 4 son potencialmente observables, no lo es una de 3,5. Una variable continua tiene la propiedad de que entre 2 cualesquiera valores observables (potencialmente), hay otro valor observable (potencialmente). Una variable continua toma valores a lo largo de un continuo, esto es, en todo un intervalo de valores. Longitudes y pesos son ejemplos de variables continuas. La estatura de una persona, pude ser 1,70 mts. 1,75 mts., pero en potencia al menos podra tomar cualquier valor intermedio como 1,73 mts. por ejemplo. Un atributo esencial de una variable continua es que, a diferencia de lo que ocurre con una variable discreta, nunca se la puede medir exactamente. Con una variable continua debe haber inevitablemente un error de medida. Un importante principio sobre variables continuas es que siempre se registran en forma discreta, quedando la magnitud de la distancia entre valores registrables adyacentes determinada por la precisin de la medicin.

http://www.monografias.com/trabajos30/conceptos-de-estadistica/conceptosde-estadistica.shtml

En inferencia estadstica se llama estimacin al conjunto de tcnicas que permiten dar un valor aproximado de un parmetro de una poblacin a partir de los datos proporcionados por una muestra. Por ejemplo, una estimacin de la media de una determinada caracterstica de una poblacin de tamao N podra ser la media de esa misma caracterstica para una muestra de tamao n.[1] La estimacin se divide en tres grandes bloques, cada uno de los cuales tiene distintos mtodos que se usan en funcin de las caractersticas y propsitos del estudio:

Estimacin puntual:[2] o Mtodo de los momentos; o Mtodo de la mxima verosimilitud; o Mtodo de los mnimos cuadrados; Estimacin por intervalos. Estimacin bayesiana.

http://es.wikipedia.org/wiki/Estimaci%C3%B3n_estad%C3%ADstica

La varianza es la media aritmtica del cuadrado de las desviaciones respecto a la media de una distribucin estadstica. La varianza se representa por .

En Teora de Probabilidad y la Estadstica, la varianza es aquella medida de dispersin que ostenta una variable aleatoria respecto a su esperanza. La varianza se relaciona con la desviacin tpica o desviacin estndar, la cual se denota a travs de la letra griega denominada sigma y que ser la raz cuadrada de la varianza. Para calcular la varianza ser necesario seguir los siguientes pasos: primero deberemos calcular la media, es decir, el promedio de los nmeros, luego, por cada nmero, deberemos restar la media y elevar el resultado al cuadrado y finalmente la media de esas diferencias al cuadrado. La principal funcin y utilidad que se le puede encontrar a la varianza es que nos permite saber y determinar qu es normal, qu es grande, qu es pequeo, aquello que es extra grande o bien aquello que es extra pequeo. Por ejemplo, si tomamos varias razas de perros y la idea es determinar cul de ellos es ms grande y cul el ms pequeo, sin dudas, la mejor manera de saber la respuesta a esta incgnita ser la aplicacin de la frmula de la varianza.

http://www.definicionabc.com/general/varianza.php

Distribucin binomial
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda
Distribucin binomial Funcin de probabilidad

Funcin de distribucin de probabilidad

Parmetros

nmero de ensayos (entero) probabilidad de xito (real)

Dominio

Funcin de probabilida d (fp) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra Uno de
[1]

Curtosis

Entropa Funcin generadora de momentos (mgf) Funcin caractersti ca

En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos independientes de Bernoulli con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se escribe:

La distribucin binomial es la base del test binomial de significacin estadstica.

Contenido
[ocultar]

1 Ejemplos 2 Experimento Binomial 3 Caractersticas analticas 4 Propiedades caractersticas 5 Relaciones con otras variables aleatorias 6 Propiedades reproductivas 7 Referencias 8 Enlaces externos

[editar] Ejemplos
Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribucin:

Se lanza un dado diez veces y se cuenta el nmero X de treses obtenidos: entonces X ~ B(10, 1/6) Se lanza una moneda cuatro veces y se cuenta el nmero X de caras obtenidas: entonces X ~ B(4, 1/2) Una partcula se mueve unidimensionalmente con probabilidad q de moverse hacia atrs y 1-q de moverse hacia adelante

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial

En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro. Esta curva se conoce como campana de Gauss. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo

experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo correlacional. La distribucin normal tambin es importante por su relacin con la estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos. Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son:

caracteres morfolgicos de individuos como la estatura; caracteres fisiolgicos como el efecto de un frmaco; caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos; caracteres psicolgicos como el cociente intelectual; nivel de ruido en telecomunicaciones; errores cometidos al medir ciertas magnitudes; etc.

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal, cuando la distribucin de la poblacin de la cual se extrae la muestra no es normal.[1] Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn basados en una supuesta "normalidad". En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de probabilidad continuas y discretas.
Distribucin normal Funcin de densidad de probabilidad

La lnea verde corresponde a la distribucin normal estandar Funcin de

distribucin de probabilidad

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

Distribucin de Poisson
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda
Distribucion De Poisson Funcin de probabilidad

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son solo guas para el ojo y no indican continuidad. Funcin de distribucin de probabilidad

El eje horizontal es el ndice k.

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa la probabilidad que un determinado nmero de eventos ocurran en un determinado periodo de tiempo, dada una frecuencia media conocida e independientemente del tiempo discurrido desde el ltimo evento. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles).

jemplos
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, para obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan

encuadernaciones defectuosas usamos la distribucin de Poisson. En este caso concreto, k es 5 y , , el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad buscada es

Este problema tambin podra resolverse recurriendo a una distribucin binomial de parmetros k = 5, n = 400 y =0,02.
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson

Distribucin exponencial
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda
Distribucin exponencial Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad

Parmetros Dominio Funcin de densidad (pdf) e

x

Funcin de distribucin 1 e

(cdf) Media Mediana Moda Varianza Coeficiente de simetra Curtosis Entropa Funcin generadora de momentos (mgf)

Funcin caracterstica

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un parmetro > 0 cuya funcin de densidad es:

Su funcin de distribucin es: Donde e representa el nmero e. El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son:

Contenido
[ocultar]

1 Ejemplo 2 Calcular variables

aleatorias 3 Relaciones 4 Vase tambin 5 Software

[editar] Ejemplo
Ejemplos para la distribucin exponencial es la distribucin de la longitud de los intervalos de variable continua que transcuren entre la ocurrencia de dos sucesos "raros", que se distribuyen segn la distribucin de Poisson. {{VT|Distribucin exponencial}

[editar] Calcular variables aleatorias

Se pueden calcular una variable aleatoria de distribucin exponencial x por medio de una variable aleatoria de distribucin uniforme u = U(0,1):

o, dado que (1 u) es tambin una variable aleatoria con distribucion U(0,1), puedo utilizarse la versin ms eficiente:

6.8.4 Distribucin exponencial

La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.

Ejemplos de este tipo de distribuciones son:

El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier materia orgnica mediante la tcnica del carbono 14, C14; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente; En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos

sucesos consecutivos sigue un modelo probabilstico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante. Concretando, si una v.a. continua X distribuida a lo largo de densidad es , es tal que su funcin de

se dice que sigue una distribucin exponencial de parmetro

Figura: Funcin de densidad, f, de una

Un clculo inmediato nos dice que si x>0,

luego la funcin de distribucin es:

Figura: Funcin de distribucin, F, de

, calculada como el rea que deja por debajo de s la funcin de densidad.

Para calcular el valor esperado y la varianza de la distribucin exponencial, obtenemos en primer lugar la funcin caracterstica

para despus, derivando por primera vez

y derivando por segunda vez,

Entonces la varianza vale

6.8.4.1 Ejemplo
En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la duracin media de un tomo de esta materia es de 140 das, cuantos idas transcurrirn hasta que haya desaparecido el de este material? es una v.a. de distribucin

Solucin: El tiempo T de desintegracin de un tomo de exponencial:

Como el nmero de tomos de existentes en una muestra de 10 gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas debe ser muy aproximado

a la curva de su funcin de distribucin F. Entonces el tiempo que transcurre hasta que el del material radiactivo se desintegra es el percentil 90, t90, de la distribucin exponencial, es decir

Figura: Como el nmero de tomos (observaciones) es extremadamente alto en 10 gramos de materia, el histograma puede ser aproximado de modo excelente por la funcin de densidad exponencial, y el polgono de frecuencias acumuladas por la funcin de distribucin.

6.8.4.2 Ejemplo
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente, cul es la probabilidad de que haya que cambiarlo antes de aos?

Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos en una persona. Tenemos que

Entonces

En segundo lugar

Luego como era de esperar, por ser propio a un mecanismo exponencial,

o sea, en la duracin que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice que ``la distribucin exponencial no tiene memoria".
http://www.bioestadistica.uma.es/libro/node78.htm

Distribucin t de Student
De Wikipedia, la enciclopedia libre Saltar a navegacin, bsqueda
Distribucin t de Student Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad

Parmetr os Dominio Funcin de densidad

grados de libertad (real)

(pdf) Funcin de distribuci n (cdf) Media

donde

es la funcin hipergeomtrica

0 para > 1, indefinida para otros valores

Mediana 0 Moda Varianza 0

para > 2, indefinida para otros valores

Coeficient e de 0 para > 3 simetra Curtosis

para > 4,

Entropa

: funcin digamma,

B: funcin beta Funcin generador a de (No definida) momento s (mgf)

Funcin caracters tica

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Aparece de manera natural al realizar la prueba t de Student para la determinacin de las diferencias entre dos medias muestrales y para la construccin del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir de los datos de una muestra.

Contenido

[ocultar]

1 Caracterizacin 2 Aparicin y especificaciones de la distribucin t de Student 3 Intervalos de confianza derivados de la distribucin t de Student 4 Historia 5 Referencias 6 Enlaces externos

[editar] Caracterizacin
La distribucin t de Student es la distribucin de probabilidad del cociente

donde

Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin chi-cuadrado con grados de libertad Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de no-centralidad .

[editar] Aparicin y especificaciones de la distribucin t de Student

Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas normalmente, con media y varianza 2. Sea

la media muestral. Entonces

sigue una distribucin normal de media 0 y varianza 1.

Sin embargo, dado que la desviacin estndar no siempre es conocida de antemano, Gosset estudi un cociente relacionado,

donde

es la varianza muestral y demostr que la funcin de densidad de T es

donde es igual a n 1. La distribucin de T se llama ahora la distribucin-t de Student. El parmetro representa el nmero de grados de libertad. La distribucin depende de , pero no de o , lo cual es muy importante en la prctica.
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student