INSTITUTO POLITECNICO NACIONAL ESCUELA SUPERIOR DE COMERCIO Y ADMINISTRACION UNIDAD SANTO TOMAS ISLAS RAMOS LUIS ALBERTO 2RM9

METODO ESTADISTICO

2.1 ENFOQUE DE LA 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:

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:

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?

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.

2.2 TECNICAS DE CONTEO

Qu diferencia hay?
Normalmente usamos la palabra "combinacin" descuidadamente, sin pensar en si el orden de las cosas es importante. En otras palabras: "Mi ensalada de frutas es una combinacin de manzanas, uvas y bananas": no importa en qu orden pusimos las frutas, podra ser "bananas, uvas y manzanas" o "uvas, manzanas y bananas", es la misma ensalada.

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

As que lo de arriba se podra llamar "cerradura de permutacin"! Con otras palabras: Una permutacin es una combinacin ordenada.

Permutaciones
Hay dos tipos de permutaciones: 1. Se permite repetir: como la cerradura de arriba, podra ser "333". 2. Sin repeticin: por ejemplo los tres primeros en una carrera. No puedes quedar primero ysegundo a la vez.

1. Permutaciones con repeticin

Son las ms fciles de calcular. Si tienes n cosas para elegir y eliges r de ellas, las permutaciones posibles son: n n ... (r veces) = nr (Porque hay n posibilidades para la primera eleccin, DESPUS hay n posibilidades para la segunda eleccin, y as.) Por ejemplo en la cerradura de arriba, hay 10 nmeros para elegir (0,1,...,9) y eliges 3 de ellos: 10 10 ... (3 veces) = 103 = 1000 permutaciones As que la frmula es simplemente:
n
r

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas

(Se puede repetir, el orden importa)

2. Permutaciones sin repeticin

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

Por ejemplo, cmo podras ordenar 16 bolas de billar? Despus de elegir por ejemplo la "14" no puedes elegirla otra vez.

As que tu primera eleccin tiene 16 posibilidades, y tu siguiente eleccin tiene 15 posibilidades, despus 14, 13, etc. Y el total de permutaciones sera: 16 15 14 13 ... = 20,922,789,888,000 Pero a lo mejor no quieres elegirlas todas, slo 3 de ellas, as que sera solamente: 16 15 14 = 3360 Es decir, hay 3,360 maneras diferentes de elegir 3 bolas de billar de entre 16. Pero cmo lo escribimos matemticamente? Respuesta: usamos la "funcin factorial"

La funcin factorial (smbolo: !) significa que se multiplican nmeros descendentes. Ejemplos: 4! = 4 3 2 1 = 24 7! = 7 6 5 4 3 2 1 = 5040 1! = 1

Nota: en general se est de acuerdo en que 0! = 1. Puede que parezca curioso que no multiplicar ningn nmero d 1, pero ayuda a simplificar muchas ecuaciones.

As que si quieres elegir todas las bolas de billar las permutaciones seran: 16! = 20,922,789,888,000 Pero si slo quieres elegir 3, tienes que dejar de multiplicar despus de 14. Cmo lo escribimos? Hay un buen truco... dividimos entre 13!... 16 15 14 13 12 ... = 16 15 14 = 3360 13 12 ... Lo ves? 16! / 13! = 16 15 14 La frmula se escribe:

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas

(No se puede repetir, el orden importa)

Ejemplos:
Nuestro "ejemplo de elegir en orden 3 bolas de 16" sera: 16! = (16-3)! 13! 16! = 6,227,020,800 20,922,789,888,000 = 3360

De cuntas maneras se pueden dar primer y segundo premio entre 10 personas? 10! = (10-2)! 8! 10! = 40,320 3,628,800 = 90

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

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

Combinaciones
Tambin hay dos tipos de combinaciones (recuerda que ahora el orden no importa): 1. Se puede repetir: como monedas en tu bolsillo (5,5,5,10,10) 2. Sin repeticin: como nmeros de lotera (2,14,15,27,30,33)

1. Combinaciones con repeticin

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

2. Combinaciones sin repeticin

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

imaginemos que el orden s importa (permutaciones), despus lo cambiamos para que el orden no importe.

Volviendo a las bolas de billar, digamos que queremos saber qu 3 bolas se eligieron, no el orden. Ya sabemos que 3 de 16 dan 3360 permutaciones. Pero muchas de ellas son iguales para nosotros, porque no nos importa el orden.

Por ejemplo, digamos que se tomaron las bolas 1, 2 y 3. Las posibilidades son: El orden no

El orden importa 1 1 2 2 3 3 2 3 1 3 1 2 3 2 3 1 2 1

importa

123

As que las permutaciones son 6 veces ms posibilidades. De hecho hay una manera fcil de saber de cuntas maneras "1 2 3" se pueden ordenar, y ya la sabemos. La respuesta es: 3! = 3 2 1 = 6 (Otro ejemplo: 4 cosas se pueden ordenar de 4! = 4 3 2 1 = 24 maneras distintas, prueba t mismo!) As que slo tenemos que ajustar nuestra frmula de permutaciones para reducir por las maneras de ordenar los objetos elegidos (porque no nos interesa ordenarlos):

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

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas

(No se puede repetir, el orden no importa)

Y se la llama "coeficiente binomial".

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

Ejemplo
Entonces, nuestro ejemplo de bolas de billar (ahora sin orden) es: 16! = 3!(16-3)! 3!13! 16! = 66,227,020,800 20,922,789,888,000 = 560

O lo puedes hacer as: 161514 = 321 6 3360 = 560

As que recuerda, haz las permutaciones, despus reduce entre "r!" ... o mejor todava... Recuerda la frmula! Es interesante darse cuenta de que la frmula es bonita y simtrica:

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

16! = 3!(16-3)!

16! = 13!(16-13)!

16! = 560 3!13!

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

1 1 1 15

14

91

364 ...

105 455 1365 ...

16 120 560 1820 4368 ...

1. Combinaciones con repeticin

OK, ahora vamos con este...

Digamos

que

tenemos

cinco

sabores

de

helado: banana,

chocolate, limn, fresa y vainilla. Puedes tomar 3 paladas. Cuntas variaciones hay? Vamos a usar letras para los sabores: {b, c, l, f, v}. Algunos ejemplos son

{c, c, c} (3 de chocolate) {b, l, v} (uno de banana, uno de limn y uno de vainilla) {b, v, v} (uno de banana, dos de vainilla)

(Y

para

dejarlo

claro:

hay n=5 cosas

para

elegir,

eliges r=3 de

ellas.

El orden no importa, y s puedes repetir!)

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

Imagina que el helado est en contenedores, podras decir "sltate el primero, despus 3 paladas, despus sltate los 3 contenedores siguientes" y acabars con 3 paladas de chocolate! Entonces es como si ordenaras a un robot que te trajera helado, pero no cambia nada, tendrs lo que quieres. Ahora puedes escribirlo como (la flecha es saltar, el crculo es tomar)

Entonces los tres ejemplos de arriba se pueden escribir as: {c, c, c} (3 de chocolate): {b, l, v} (uno de banana, uno de limn y uno de vainilla): {b, v, v} (uno de banana, dos de vainilla): OK, entonces ya no nos tenemos que preocupar por diferentes sabores, ahora tenemos un problema ms simple para resolver: "de cuntas maneras puedes ordenar flechas y crculos" Fjate en que siempre hay 3 crculos (3 paladas de helado) y 4 flechas (tenemos que movernos 4 veces para ir del contenedor 1 al 5). As que (en general) hay r + (n-1) posiciones, y queremos que r de ellas tengan crculos. Esto es como decir "tenemos r + (n-1) bolas de billar y queremos elegir r de ellas". Es decir, es como el problema de elegir bolas de billar, pero con nmeros un poco distintos. Lo podras escribir as:

donde n es el nmero de cosas que puedes elegir, y eliges r de ellas

(Se puede repetir, el orden no importa)

Es interesante pensar que podramos habernos fijado en flechas en vez de crculos, y entonces habramos dicho "tenemos r + (n-1) posiciones y queremos que (n-1) tengan flechas", y la respuesta sera la misma...

Qu pasa con nuestro ejemplo, cul es la respuesta?

(5+3-1)! = 3!(5-1)! 3!4! 7! = 624 5040 = 35

2.3 TIPOS DE PROBABILIDAD 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 simultnea.

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.

2.3.1 REGLAS DE ADICION

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 lapoblacin 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)

2.3.2 REGLAS DE MULTIPLICACION

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

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: 1. Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta distribucin. 2. Las probabilidades normales pueden utilizarse generalmente para aproximar otras distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson. 3. 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:

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:

Binomial np np(1-p) Si n > 30 .np > 5 n(1-p) > 5 Poisson

> 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

2.3.3 PROBABILIDAD CONDICIONAL

Llamamos probabilidad condicionada del suceso denotamos por al cociente respecto del suceso , y lo

Ejemplo
Se lanzan dos dados. Si la suma ha sido 7, cul es la probabilidad de que alguno de los dados haya salido un tres? Sean los sucesos

= "la suma de los puntos es siete" y

= "en alguno de los dados ha salido un tres"

El suceso

es salir en algn dado 3, si la suma ha sido 7. Observamos que esta y . Por tanto,

situacin ocurre en las parejas

PROBABILIDAD CONJUNTA
Si quisiramos conocer cul es la probabilidad de sacar 5 al tirar dos veces un dado, estamos hablando de sucesos independientes; pues los tiros son distintos.

Para estos casos la probabilidad de ocurrencia de ambos sucesos simultneamente ser igual al producto de las probabilidades individuales.

P(MyN)=P(M)*P(N)

Para

nuestro

ejemplo

la

respuesta

sera:

Nota: Aplicamos la misma frmula para eventos dependientes siempre y cuando estemos buscando la probabilidad simultnea de los sucesos. Por ejemplo al buscar la probabilidad de sacar dos reinas en una baraja de 52 cartas sin devolver la primera carta, se tomar en cuenta para la segunda extraccin que ya hay 51 cartas y slo 3 reinas. Es decir:

2.4 TABLAS DE CONTINGENCIAS

Un mtodo til para clasificar los datos obtenidos en un recuento es mediante las tablas de contingencia. Se trata de tablas en cuyas celdas figuran probabilidades, y en la cual podemos determinar unas

probabilidades conociendo otras de la tabla. Ejemplo Se sortea un viaje a Roma entre los 120 mejores clientes de una agencia de automviles. De ellos, 65 son mujeres, 80 estn casados y 45 son mujeres casadas. Se pide: 1Cul ser la probabilidad de que le toque el viaje a un hombre soltero? 2Si del afortunado se sabe que es casado, cul ser la probabilidad de que sea una mujer?

2.4.1 ARBOL DE DECISIN

Un eventos dependiente se define de la siguiente forma. Se dice que un evento A es dependiente de otro B si para que ocurra A es necesario que ocurra el evento B. Un instrumento til dentro de la probabilidad condicional son las representaciones que nos permiten analizar la problemtica de los eventos cuando estos ocurren uno despus del otro. Concretamente estamos hablando de los diagramas de rbol. Este est constituido de varias ramas, cada rama parte de un nodo que representa un evento aleatorio diferente. En el esquema que se presenta a continuacin se observa que la rama principal esta constituida de evento son: ejemplo, la siguiente rama con diferentes posibilidades como de eventos distintos, por

consta

que se realizan despus de ocurrir

, as de manera

sucesiva pueden ocurrir eventos despus de cualquiera de ellos. Otro ejemplo es el que se muestra, ocurren despus del evento ocurriendo los eventos .

Tambin observamos que cada evento forma un universo para cada evento por lo que cada rama, de acuerdo con el axioma de normalizabilidad, tendr que ser igual a uno.