Beruflich Dokumente
Kultur Dokumente
NACIONAL
CECyT 11 WILFRIDO MASSIEU
PROBABILIDAD Y ESTADISTICA
TRABAJO DE INVESTIGACION
HERNANDEZ MORENO ENRIQUE
ALEXENY
6IV12
TELECOMUNICACIONES
ANALISIS COMBINATORIO Y
PROBABILDAD
El anlisis combinatorio estudia las distintas formas de
agrupar y ordenar los elementos de un conjunto, sin tener en
cuenta la naturaleza de estos elementos. Los problemas de
arreglos y combinaciones pueden parecer aburridos y quiz se
piense que no tienen utilidad pero los teoremas del anlisis
combinatorio son la base del clculo de la probabilidad. La
probabilidad se encarga de los arreglos y las combinaciones
que determinan el nmero de formas diferentes en que un
acontecimiento puede suceder. El anlisis combinatorio tiene
aplicaciones en el diseo y funcionamiento de la tecnologa
computacional as como tambin en las ciencias. La teora
combinatoria se aplica en las reas en donde tengan
relevancia las distintas formas de agrupar elementos. El
origen del anlisis combinatorio se le atribuye a los trabajos
de Pascal (1596 1650) y Fermat (1601 - 1665) que
fundamentan el clculo de probabilidades. Leibiniz (1646
1716) public en 1666 Disertatio de Arte Combinatoria. El
mayor impulsor de esta rama fue Bernulli quien en sus
trabajos incluye una teora general de permutaciones y
combinaciones. Resumiendo, El objeto del Anlisis
combinatorio o Combinatoria es el estudio de las distintas
ordenaciones que pueden formularse con los elementos de un
conjunto, de los distintos grupos que pueden formarse con
aquellos elementos y de las relaciones entre unos y otros
grupos.
CONTEO
Para calcular la cantidad de elementos que tienen los
conjuntos formados con ciertas reglas, sin que sea necesario
PROBLEMAS
1.- Si en una reunin hay 3 hombres y 4 mujeres, de cuntas
maneras es posible seleccionar una pareja hombre-mujer?
R= 4 + 4 + 4 = 12 o 3(4) = 12
2.- Consideremos el conjunto A = { 5,4,3,2,1 }, cuntos
nmeros de cinco cifras diferentes se pueden formar con los
elementos del conjunto A ?
R= 5(4)(3)(2)(1) = 120.
3.- El juego de placas de un automvil consta de tres dgitos
de los cuales el primero no es cero, seguidas de tres letras
diferentes. Cuntos juegos de placas pueden formarse? (se
consideran 26 letras y 10 dgitos).
R= 9(10)(10)(26)(26)(26) =15'818,400.
4. Katherine tiene 6 pantalones y 5 blusas. De cuantas
maneras distintas puede ponerse una blusa y un pantaln? (6)
(5) = 30
PERMUTACIONES
Dados n objetos diferentes n a , a , a , , a 1 2 3 , de
cuntas maneras es posible ordenarlos? Por ejemplo, para los
elementos , , , hay 6 ordenaciones: , , , ,
, . En el caso general se tendrn n maneras de escoger
un elemento que ocupar el primer lugar, n 1 maneras de
elegir el que ocupar el segundo lugar, n 2 formas de
escoger el que ocupa el tercer lugar y as sucesivamente
hasta tener una forma de elegir el que ocupa el ltimo lugar.
Por lo tanto, la cantidad de maneras de ordenar n elementos
diferentes es: n(n 1)(n 2)1 = n!. Cada ordenacin de los
n objetos se llama una permutacin simple de los n elementos
y la cantidad de estas permutaciones se representa Pn . De
esta manera P n! n = . Es decir, las permutaciones son las
agrupaciones de los p elementos tomados a la vez, de manera
que dos agrupaciones difieran entre s en el orden de los
elementos. Se puede concluir, a partir de lo anterior, que las
permutaciones son un caso particular de ordenaciones,
cuando se consideran todos los elementos del conjunto.
Problemas
a=3
b=4
c=2
a+b+c=9
5.- Se ordenan en una fila 5 bolas rojas, 2 bolas blancas y 3 bolas azules.
Si las bolas de igual color no se distinguen entre s, de cuntas formas
posibles pueden ordenarse?
REGLA DE BAYES
El teorema de Bayes, en la teora de la probabilidad, es una proposicin
planteada por el filsofo ingls Thomas Bayes ( 1702-1761) en
1763, que expresa la probabilidad condicional de un evento
Sea
un conjunto de sucesos mutuamente
excluyentes y exhaustivos, y tales que la probabilidad de cada uno de
ellos es distinta de cero (0). Sea B un suceso cualquiera del que se
conocen las probabilidades condicionales
probabilidad
. Entonces, la
donde:
son las probabilidades a priori.
es la probabilidad de
en la hiptesis
FORMULA DE BAYES
Con base en la definicin de Probabilidad condicionada, obtenemos
la Frmula de Bayes, tambin conocida como la Regla de Bayes:
"ha originado
PROBABILIDAD CONDICIONADA
Es la probabilidad de que ocurra un evento A, sabiendo que tambin
sucede otro evento B. La probabilidad condicional se escribe P(A|B), y se
lee la probabilidad de A dado B.
No tiene por qu haber una relacin causal o temporal
entre A y B. A puede preceder en el tiempo a B, sucederlo o pueden
ocurrir simultneamente. A puede causar B, viceversa o pueden no tener
relacin causal. Las relaciones causales o temporales son nociones que
no pertenecen al mbito de la probabilidad. Pueden desempear un
papel o no dependiendo de la interpretacin que se le d a los eventos.
Un ejemplo clsico es el lanzamiento de una moneda para luego lanzar
un dado. Cul es la probabilidad de obtener una cara (moneda) y luego
un 6 (dado)? Pues eso se escribira como P (Cara | 6).
EJEMPLOS
Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente,
del total de las piezas producidas en una fbrica. Los porcentajes de
produccin defectuosa de estas mquinas son del 3%, 4% y 5%.
a. Seleccionamos una pieza al azar; calcula la probabilidad de que
sea defectuosa.
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la
probabilidad de haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la
citada pieza defectuosa?
Solucin:
Sea D= "la pieza es defectuosa" y N= "la
pieza no es defectuosa". La informacin del
problema puede expresarse en el diagrama
de rbol adjunto.
a. Para calcular la probabilidad de que la
pieza elegida sea defectuosa, P(D), por
la propiedad de la probabilidad total,
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C)
P(D/C) =
2.- Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1
negra y C con 2 bolas rojas y 3 negras. Escogemos una urna al azar y
extraemos una bola. Si la bola ha sido roja, cul es la probabilidad de haber
sido extrada de la urna A?
Solucin:
Llamamos
R= "sacar bola roja"
N=y"sacar bola negra". En el
diagrama de rbol adjunto pueden verse las distintas
probabilidades de ocurrencia de losRsucesos
o N para cada
una de las tres urnas.
La probabilidad pedida
P(A/R)
es . Utilizando teorema
el
de
Bayes, tenemos:
3.- El 20% de los empleados de una empresa son ingenieros y otro 20%
son economistas. El 75% de los ingenieros ocupan un puesto directivo y
el 50% de los economistas tambin, mientras que los no ingenieros y los
no economistas solamente el 20% ocupa un puesto directivo. Cul es la
probabilidad de que un empleado directivo elegido al azar sea ingeniero?
Modelo Binomial
ssss sssm, ssms, smss, msss ssmm; smsm, mssm, smms, msms, mmss
smmm, msmm,
mmsm, mmms mmmm
4. Puede observarse que los valores de p estn elevados a una potencia que
coincide con el valor de x de la variable aleatoria, mientras que los de q estn
elevados a una potencia que es igual a 4x. Observar que 4 tambin es el
nmero de repeticiones del experimento, por lo que una expresin general
seria
p x q nx 31
5. Tambin puede verse que cada termin est multiplicado por un coeficiente
que representa el nmero de secuencias diferentes de cmo pueden morir x
ratones. Este nmero no es otra cosa que el nmero de permutaciones de n
elementos diferentes, siendo x elementos de una clase (ratones que mueren) y
nx de otra clase (ratones que sobreviven). Esto tambin se conoce como
combinatoria nCx y viene descripto por la siguiente formula
Modelo de Poisson
Esta distribucin fue introducida por el maten tico francs
S.D. Poisson en 1837. El modelo de Poisson, a semejanza del
binomial, consta de varios ensayos de Bernoulli. La diferencia
estriba en que el modelo binomial sirve para calcular la
probabilidad de ocurrencia de un resultado particular en un
nmero finito de repeticiones, mientras que con el modelo de
Poisson se determina la probabilidad de ocurrencia de un
determinado evento en el tiempo o el espacio y no en un
nmero definido de repeticiones del experimento. En estos
eventos que se producen aleatoriamente en el espacio o el
tiempo, la frecuencia de ocurrencia de un evento es tan baja
con relacin a la frecuencia de no ocurrencia que se
consideran como sucesos raros. Tratar de describir la
distribucin de una variable aleatoria de este tipo mediante el
modelo binomial seria imprctico puesto que el nmero de
ensayos tendra que ser extraordinariamente grande para que
ocurriera el resultado esperado.
Caractersticas:
En este tipo de experimentos los xitos buscados son
expresados por unidad de rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora,
minuto, etc, etc.
donde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el
nmero promedio de ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o
producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea
que ocurra
1.- Si un banco recibe en promedio 6 cheques sin fondo por
da, cules son las probabilidades de que reciba, a) cuatro
cheques sin fondo en un da dado, b) 10 cheques sin fondos
en cualquiera de dos das consecutivos?
Solucin:
a)
x = variable que nos define el nmero de cheques sin
fondo que llegan al banco en un da cualquiera = 0, 1, 2,
3, ....., etc, etc.
l = 6 cheques sin fondo por da
e = 2.718
b)
x= variable que nos define el nmero de cheques sin fondo
que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......,
etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos das consecutivos
Nota: l siempre debe de estar en funcin de x siempre o dicho
de otra forma, debe hablar de lo mismo que x.
b)
x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2,
3, ...., etc., etc.
l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos
en la hojalata
=1-(0.367918+0.367918) = 0.26416
c)
x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2,
3, ....., etc., etc.
Modelo hipergeomtrico
Supongamos que una muestra de tamao n es elegida
aleatoriamente (sin remplazar) de una urna que contiene N
pelotas, de las cuales m son blancas y N m son negras. Si
llamamos X el nmero de pelotas blancas seleccionadas,
entonces
PROBLEMAS
1.- Se lanza un par de dados. Se define la variable aleatoria X
como la suma de las puntuaciones obtenidas. Hallar la funcin
de probabilidad, la esperanza matemtica y la varianza
= 16.667
4.-
Modelo Normal