Professional Documents
Culture Documents
1.1 ANALISIS COMBINATORIO 1.1.1 Principio de la multiplicacin Para encontrar la probabilidad de muchos eventos es necesario determinar l numero de resultados posibles del experimento implicado. Esto requiere enumerar (obtener un conteo de) las posibilidades. Este conteo puede obtenerse usando uno de los dos mtodos: 1) enlistar todas las posibilidades y luego proceder a contarlas (1,2,3.......) ya que a menudo no es necesario delinear (obtener una presentacin) de todas las posibilidades, el conteo puede determinarse al calcular su valor numrico. En esta parte se aprendern tres mtodos de uso comn para obtener el conteo mediante clculos: la tcnica fundamental y dos tcnicas especificas. Ejemplo 1.1.1.1: Un vendedor de automviles ofrece uno de sus modelos deportivos compactos con dos opciones de transmisin (estndar o automtica) y en uno de tres colores (negro, rojo o verde). Cuntas elecciones posibles de combinacin de transmisin y color tiene el cliente? Solucin a: Encontrar el nmero de opciones posibles; enumerndolas y contndolas Estndar, negro Estndar, rojo Estndar, verde Automtica, negro Automtica, rojo Automtica, verde
Por lo tanto el nmero de opciones para el cliente es de seis Solucin b: Mediante un diagrama de rbol negro rojo verde Estndar, negro Estancar, rojo Estancar, verde
Estndar
Automtica
Solucin c: Cada una de las dos opciones de transmisin puede asociarse con cualquiera de los tres colores; as, hay 2 x 3 = 6 opciones diferentes posibles. Este hecho sugiere la siguiente regla:
1.1.2 Permutaciones Permutacin "Disposicin ordenada de un conjunto de objetos diferentes". Es decir, hay un primer objeto, un segundo objeto, un tercero, etc.; y cada objeto es distinto de los dems. El nmero de permutaciones que pueden formarse se calcula al usar la adaptacin de la regla general de conteo.
= n x (n-1) x (n-2) x x (n - r + 1)
Cada una de estas "palabras" es una permutacin de cuatro letras seleccionadas del conjunto de 26 letras diferentes que integran el alfabeto ingles. Solucin a: Utilizando
nPr
Solucin b: Utilizando
nPr
= n! / (n - r )! = 26! / (26 -4)! 26P4 = 26! / 22! = 26P4 = 26 x 25 x 24 x 23 x (22 x 21 x x 1)/(22 x 21 x.. . x 1) 26P4 =26 x 25 x 24 x 23 = 358 800
26P4
Ejemplo 1.1.2.2 A un grupo de ocho finalistas de un concurso de arte con cermica se otorgaran cinco premios: primero, segundo, etc. Cuntas formas distintas hay para otorgar los cinco premios a los ocho finalistas?
8P5
= 8 x 7 x 6 x 5 x 4 = 6 720
Permutaciones con repeticin Tambin es posible que los objetos que van a permutarse se repitan; en tal ocasin, usaremos la notacin nRr . En este caso, la frmula para el calculo es mas sencilla: = nr n: nmero de posibles resultados r: nmero de ensayos
nRr
= 34 = 81
Ejemplo 1.1.2.4 El concurso semanal de los pronsticos de ftbol en Mxico consta de 14 partidos; cada uno tiene tres resultados posibles: triunfo para el equipo local o visitante y empate. De cuntas maneras puede llenarse la lista de los 14 encuentros de ftbol?
3R14
Permutaciones con objetos indistinguibles En ocasiones, nos interesa permutar objetos entre los cuales hay algunos que, si bien son diferentes objetivamente hablando, para fines prcticos los consideramos iguales o idnticos. Este tipo de objetos se conocen como indistinguibles. Ejemplos caractersticos de objetos que consideramos indistinguibles en la practica son: los carros del supermercado, las monedas del mismo valor o denominacin, los ejemplares de un libro de una biblioteca, las letras repetidas de una palabra, etctera. Lo comn de los objetos indistinguibles es que no nos preocupa o interesa si nos cambian uno por otro del mismo tipo; para el caso es igual. P = n! / n1!n2!...nk! Ejemplo 1.1.2.5 De cuntas formas es posible dividir un conjunto de cuatro objetos en tres subconjuntos que contengan, respectivamente, 2, 1 y 1 de los objetos? P = 4! / 2! 1! 1! = 24 / 2 = 12 Ejemplo 1.1.2.6 De cuantas formas se pueden acomodar siete cientficos en un cuarto triple y dos dobles? P = 7! / 3! 2! 2! = 5040/ 24 = 210 Permutaciones circulares Una permutacin circular es una permutacin que se aplica a conjuntos ordenados 'circulares', es decir, que no tienen principio ni final. Para trabajar con ellas se fija arbitrariamente un elemento como el primero. Cabe destacar que aunque pueda parecerlo, no se debe considerar una permutacin circular como una permutacin tpica ya que tiene algunas propiedades que no son aplicables a las otras. PCn = Pn 1 = (n 1)!
El nmero de formas en que podemos sentar a los 3 mujeres alrededor de una mesa circular, dejando un lugar en medio es 2!. Obsrvese que el primer rengln de crculos, los seis arreglos diferentes tienen a M M M siempre en la misma posicin; y en el segundo rengln, los seis arreglos tienen a M M M siempre en la misma posicin; por ello son slo dos arreglos de las tres mujeres, dejando un lugar en medio. Hay 3! = 6 formas de sentar a los tres hombres por cada uno de los dos arreglos de mujeres; quedando as en forma alternada. 1.1.3 Combinaciones Conjunto de objetos distintos sin importar una disposicin o un orden, Es decir, lo nico que importa es la pertenencia al conjunto. Formula de las combinaciones El nmero de combinaciones de r objetos que pueden seleccionarse de un conjunto de n objetos distintos (lo que se simboliza por nCr y se lee como el nmero de combinaciones de n objetos tomados en grupos de r a la vez) es:
nCr
= n! / (n r)! x r !
Ejemplo 1.1.3.1 Si se selecciona un conjunto de cuatro letras distintas del alfabeto ingles, Cuntos conjuntos diferentes de cuatro letras pueden formarse? Solucin Cada uno de estos conjuntos de cuatro letras representa una combinacin de r = 4 objetos que han sido seleccionados de un conjunto de n = 26 objetos distintos. El nmero de combinaciones que pueden seleccionarse esta relacionada con el numero de permutaciones, en el ejemplo 1.1.2.1 se encontr que haba 358 800 permutaciones de cuatro letras posibles. Por ejemplo el conjunto de cuatro letras formado por A, B, C y D puede usarse para formar muchas permutaciones ABCD BACD CBAD DBCA ABDC BADC CBDA DBAC ACBD BCAD CABD DCBA ACDB BCDA CADB DCAB ADBC BDAC CDBA DABC ADCB BDCA CDAB DACB
Por lo que hay 4! = 24 permutaciones diferentes. En consecuencia, si se divide el nmero de permutaciones posibles (358 800) entre el nmero de permutaciones que tiene cada conjunto de cuatro letras (24), el cociente es el nmero de conjuntos diferentes (combinaciones) posibles. Es decir (358 800/24) 14 950 combinaciones de cuatro letras. Esto lo podemos demostrar utilizando cualesquiera de las expresiones anteriores.
26C4
= n(n-1)(n-2) ..... (n-r+1) / r ! C4 = (26)(25)(24)(23) / (4)(3)(2)(1) = 358 800 / 24 26 26C4 = 14 950 o bien utilizando la notacin factorial
nCr
= n! / (n r)! x r ! C4 = 26! / (26 4)! x 4 ! = 26! / 22! x 4! 26 26C4 = (26)(25)(24)(23) [(22)(21) ..... (1)] / [(22)(21)...(1)] (4)(3)(2)(1) = 358 800 / 24 26C4 = 14 950 Ejemplo 1.1.3.2 Un departamento consta de 30 miembros y se requiere un comit de 5 personas para realizar una tarea. Cuntos comits distintos posibles hay? Solucin: Como se planteo, no hay una asignacin u orden especficos para los miembros del comit; en consecuencia, cada comit posible es una combinacin y n = 30 (el nmero de personas elegibles) y r = 5 (el numero de personas a seleccionar). Utilizando la notacin factorial se tiene: = n! / (n r)! x r ! = 30 ! / (30 5)! x 5 ! = 30 ! / 25 ! x 5 ! 30C5 = 17 100 720 / 120 = 142 506
30C5 nCr
Ejemplo 1.1.3.3 Un departamento consta de 30 miembros y se requiere un comit para realizar una tarea. El comit debe estar integrado por un director y cuatro miembros. Cuntos comits distintos posibles hay? Solucin: Se tienen n(comits) = m x n = 30 x 29C4 = 30 x 23 751 = 712 530 Ejemplo 1.1.3.4 Un departamento consta de 30 miembros y se requiere un comit para realizar una tarea. El comit debe estar integrado por dos directores y tres miembros. Cuntos comits distintos posibles hay? Solucin: Se tienen n(comits) = m x n = 30C2 x 28C3 = 435 x 3276 = 1 425 060
Jacob Bernoulli (1654 - 1705), Abraham de Moivre (1667 - 1754), el reverendo Thomas Bayes (1702 - 1761) y Joseph Lagrange (1736 - 1813) desarrollaron frmulas y tcnicas para el clculo de la probabilidad. En el siglo XIX, Pierre Simon, marqus de Laplace (1749 - 1827), unific todas estas primeras ideas y compil la primera teora general de la probabilidad. La teora de la probabilidad fue aplicada con xito en las mesas de juego y, lo que es ms importante, en problemas sociales y econmicos. La industria de seguros requera un conocimiento preciso acerca de los riesgos de prdida. Muchos centros de aprendizaje estudiaron la probabilidad como una herramienta para el entendimiento de los fenmenos sociales. Nuestra necesidad de tratar con total incertidumbre nos lleva a estudiar y utilizar la teora de la probabilidad. Al organizar la informacin y considerarla de manera sistemtica, seremos capaces de reconocer nuestras suposiciones, comunicar nuestro razonamiento a otras personas y tomar una decisin ms slida.
1.2.2
Concepto de probabilidad
La probabilidad es la posibilidad de que algo pase. Las probabilidades se expresan como fracciones o como decimales que estn entre uno y cero. Tener una probabilidad de cero significa que algo nuca va a suceder; una probabilidad de uno indica que algo va a suceder siempre. En la teora de la probabilidad, un evento es uno o ms de los posibles resultados de hacer algo. La actividad que origine uno de dichos eventos se conoce como experimento aleatorio. Se dice que dos eventos son mutuamente excluyentes si uno y slo uno de ellos puede tener lugar a un tiempo. Cuando en una lista de los posibles eventos que pueden resultar de un experimento se incluyen todos los resultados posibles, se dice que la lista es colectivamente exhaustiva. En una lista colectivamente exhaustiva se presentan todos los resultados posibles. Espacio muestral: Es el conjunto de todos los resultados posibles de un experimento. El espacio muestral suele denominarse S y se puede asumir un sin nmero de formas: una lista, un diagrama de rbol, etc. Los resultados individuales de un espacio muestral se denominan puntos mustrales, n(S) es el numero de puntos mustrales que hay en un espacio muestral. Ejemplo 1.2.2.1 Dos monedas se lanzan simultneamente y el resultado de cada moneda se registra usando una notacin de pares ordenados. A continuacin se presenta el espacio muestral S = {(A,A), (A,S), (S,A), (S,S)} n(S) = 4
Ejemplo 1.2.2.4 Una caja contiene tres fichas de poker: una roja, una azul y una blanca. Se extraen dos fichas simultneamente, o bien, una a la vez sin reemplazamiento (lo cual significa que se extrae una ficha y luego se extrae otra sin introducir la primera en la caja). Cul es el espacio muestral y puntos mustrales correspondientes? S = {(R,A), (R,B), (A,R), (A,B), (B,R), (B,A)} n(S) = 6
Ejemplo 1.2.2.5 Un experimento consta de dos ensayos. El primero es lanzar una moneda de un peso y observar el resultado: guila o sol; El segundo es lanzar un dado y observar el resultado: 1, 2, 3, 4, 5 o 6. Obtenga el espacio muestral. Ejemplo 1.2.2.6 Si un zologo debe seleccionar tres de 24 conejillos de indias para un experimento. Determine los puntos mustrales correspondientes. 1.2.3 Probabilidad subjetiva:
Las probabilidades subjetivas estn basadas en las creencias de las personas que efectan la estimacin de probabilidad. La probabilidad subjetiva se puede definir como la probabilidad asignada a un evento por parte de un individuo, basada en la evidencia que se tenga disponible. Esa evidencia puede presentarse en forma de frecuencia relativa de presentacin de eventos pasados o puede tratarse simplemente de una creencia meditada. Las valoraciones subjetivas de la probabilidad permiten una ms amplia flexibilidad que los otros dos planteamientos. Los tomadores de decisiones pueden hacer uso de cualquier evidencia que tengan a mano y mezclarlas con los sentimientos personales sobre la situacin. Las asignaciones de probabilidad subjetiva se dan con ms frecuencia cuando los eventos se presentan slo una vez o un nmero muy reducido de veces. Como casi todas las decisiones sociales y administrativas de alto nivel se refieren a situaciones especficas y nicas, los responsables de tomar decisiones hacen un uso considerable de la probabilidad subjetiva. Ejemplo 1.2.3.1
10
Se define la probabilidad de que un evento ocurra como: Nmero de resultados en los que se presenta el evento / nmero total de resultados posibles P(A) = n(A)/n(S) Cada uno de los resultados posibles debe ser igualmente posible. La probabilidad clsica, a menudo, se le conoce como probabilidad a priori, debido a que si utilizamos ejemplos previsibles como monedas no alteradas, dados no cargados y mazos de barajas normales, entonces podemos establecer la respuesta de antemano, sin necesidad de lanzar una moneda, un dado o tomar una carta. No tenemos que efectuar experimentos para poder llegar a conclusiones. Este planteamiento de la probabilidad tiene serios problemas cuando intentamos aplicarlo a los problemas de toma de decisiones menos previsibles. El planteamiento clsico supone un mundo que no existe, supone que no existen situaciones que son bastante improbables pero que podemos concebir como reales. La probabilidad clsica supone tambin una especie de simetra en el mundo. Ejemplo 1.2.4.1 Cul es la probabilidad de sacar un as de un paquete bien revuelto de 52 cartas? P(as) = n(as)/n(S) = 4/52 = 1/13 Ejemplo 1.2.4.2 Cul es la probabilidad de obtener un 3 o un 4 al lanzar un dado balanceado? P(3 o 4) = n(3 o 4)/n(S) = 2/6 = 1/3 Ejemplo 1.2.4.3 Se lanzan dos dados balanceados (uno rojo y un blanco) y se requiere saber: a) La probabilidad de que la suma de ambos dados sea 2 b) La probabilidad de que la suma de ambos dados sea 3 c) La probabilidad de que la suma de ambos dados sea 10 Ejemplo 1.2.4.4 Si tres de veinte llantas estn defectuosas y se seleccionan cuatro de stas al azar para una supervisin. Cul es la probabilidad de que se incluya una de las llantas defectuosas? 1.2.5 Probabilidad como frecuencia relativa (Emprica)
En el siglo XIX, los estadsticos britnicos, interesados en la fundamentacin terica del clculo del riesgo de prdidas en las plizas de seguros de vida y comerciales, empezaron a recoger datos sobre nacimientos y defunciones. En la actualidad, a este planteamiento se le llama frecuencia relativa de presentacin de un evento y define la probabilidad como:
11
La frecuencia relativa observada de un evento durante un gran nmero de intentos, o La fraccin de veces que un evento se presenta a la larga, cuando las condiciones son estables.
Este mtodo utiliza la frecuencia relativa de las presentaciones pasadas de un evento como una probabilidad. Determinamos qu tan frecuente ha sucedido algo en el pasado y usamos esa cifra para predecir la probabilidad de que suceda de nuevo en el futuro. Cuando utilizamos el planteamiento de frecuencia relativa para establecer probabilidades, el nmero que obtenemos como probabilidad adquirir mayor precisin a medida que aumentan las observaciones. Una dificultad presente con este planteamiento es que la gente lo utiliza a menudo sin evaluar el nmero suficiente de resultados. Ejemplo 1.2.4.1 Si los registros de una aerolnea demuestran que (en un periodo) 468 de 600 de sus Jets de San Francisco a Phoenix llegaron a tiempo, Cul es la probabilidad de que cualquier jet de san francisco a Phoenix llegue a tiempo? P = 468/600 = 0.78 Ejemplo 1.2.4.2 Si los registros demuestran que 504 de 813 lavavajillas automticas vendidas por un importante minorista requiere reparaciones en el ao de garanta, Cul es la probabilidad de que una lavavajillas automtica vendida por el minorista no requiera de reparaciones en el ao de garanta? P = (813 504)/ 813 = 0.38 Ejemplo 1.2.4.3 Lance una moneda 100 veces y determine la probabilidad de al lanzar la moneda sea un guila.
Ley de los grandes nmeros: Si se incrementa el nmero de veces que se repite un experimento, la razn del nmero de ocurrencias de xito al numero de ensayos tiende a la probabilidad terica del resultado de un ensayo individual. Postulados de la probabilidad 1.2.6 Regla de la suma
Regla de la adicin para eventos mutuamente excluyentes. A menudo, estamos interesados en la probabilidad de que una cosa u otra suceda. Si estos dos eventos son mutuamente excluyentes, podemos expresar esta probabilidad haciendo uso de la regla de adicin para eventos mutuamente excluyentes:
12
Regla de adicin para eventos que no son mutuamente excluyentes.(Regla general de la adicin) Si dos eventos no son mutuamente excluyentes, es posible que ambos se presenten al mismo tiempo. En tales casos, debemos modificar la regla de la adicin para evitar el conteo doble: P(A o B) = P(A) + P(B) - P(A y B)
Ejemplo 1.2.6.3 Se lanzan dos dados: uno blanco y uno negro. Encontrar la probabilidad de que el dado blanco muestre un nmero menor que 3 o que la suma de los nmeros que aparecen en los dados sea mayor que 9. P(A) = 2/36 P(B) = 6/36 P(A o B) = (2/36) + (6/36) 0 = 8/36 = 2/9
Ejemplo 1.2.6.4 Se lanza un par de dados. El evento T se define como la ocurrencia de un total de 10 u 11, y el evento D es la ocurrencia de dobles. Encontrar la probabilidad P(T o D) 1.2.7 Regla de la multiplicacin
Regla de la multiplicacin para eventos independientes La probabilidad de dos eventos independientes ocurran es simplemente el producto de sus probabilidades respectivas. En ocasiones, esta regla se usa como la definicin de independencia:
13
Regla de la multiplicacin para eventos dependientes Sean A y B dos eventos definidos en un espacio muestral S. Entonces P(A y B) = P(A) x P(B | A) O bien P(A y B) = P(B) x P(A | B)
Ejemplo 1.2.7.2 Un estudiante es elegido aleatoriamente de un grupo de 200; se sabe que de estos, 140 son alumnos de tiempo completo (80 mujeres y 60 hombres) y 60 son de tiempo parcial (40 mujeres y 20 hombres). El evento A: el estudiante elegido es de tiempo completo y el evento B: el estudiante elegido es una mujer. Encuentre la probabilidad P(A y B) P (A) = n(A) / n(S) = 140 / 200 P (B) = n(B) /n (S) = 120 / 200 P (A | B) = n(A y B) / n(B) = 80 / 120 P (A y B) = P(B) x P(A y B) = (120/200) x (80/120) = 80/200 = 0.4 1.2.8 rbol de probabilidad rbol de probabilidades: representacin grfica que muestra los resultados posibles de una serie de experimentos y sus respectivas probabilidades. 1.2.9 Probabilidad condicional Probabilidad condicional: probabilidad de que se presente un evento, dado que otro evento ya se ha presentado. 1.2.10 Teorema de Bayes Si B1, B2,....,Bk son eventos mutuamente excluyentes de los cuales debe ocurrir uno, entonces P (Bi | A) = {[P(Bi) P(A|Bi)] / [P(B1) P(A|B1) + P(B2) P(A|B2) + .. + P(Bk) P(A|Bk)]} Ejemplo 1.2.10.1 En una fabrica de conservas, las lneas de ensamble I, II y III representan 50, 30 y 20 % de la produccin total. Si se sella inadecuadamente 0.4 % de las latas de la lnea de ensamble I y los porcentajes correspondientes de las lneas II y III son 0.6 y 1.2 %, cul es la probabilidad de que a) una lata producida en esta fabrica de conservas este mal sellada;
14
0.50
0 .004
0.0020
P(A) = 0.0020 + 0.0018 + 0.0024 = 0.062 P(B1 | A) = 0.0020 / 0.0062 = 0.32 1.2.11 Conceptos
rbol de probabilidades: representacin grfica que muestra los resultados posibles de una serie de experimentos y sus respectivas probabilidades. Complemento de un evento: elementos del espacio muestral no incluidos en el evento considerado. Dependencia estadstica: condicin en la que la probabilidad de presentacin de un evento depende de la presentacin de algn otro evento, o se ve afectada por sta. Diagrama de Venn: representacin grfica de los conceptos de probabilidad en la que el espacio muestral est representado por un rectngulo y los eventos que suceden en el espacio muestral se representan como partes de dicho rectngulo. Espacio muestral: conjunto de todos los resultados posibles de un experimento aleatorio. Evento: uno o ms de los resultados posibles de hacer algo, o uno de los resultados posibles de realizar un experimento. Eventos exhaustivamente colectivos: lista de eventos que representa todos los resultados posibles de un experimento. Eventos mutuamente excluyentes: eventos que no se pueden presentar juntos. Experimento aleatorio actividad que tiene como resultado o que produce un evento. Prueba donde existen dos o ms resultados posibles, y no se pude anticipar cul de ellos va a ocurrir. Frecuencia relativa de presentacin: fraccin de veces que a la larga se presenta un evento cuando las condiciones son estables, o frecuencia relativa observada de un evento en un nmero muy grande de intentos o experimentos.
15
Independencia estadstica: condicin en la que la presentacin de algn evento no tiene efecto sobre la probabilidad de presentacin de otro evento. Probabilidad: la posibilidad de que algo suceda. Probabilidad clsica: nmero de resultados favorables a la presentacin de un evento dividido entre el nmero total de resultados posibles. Asignacin de probabilidad "a priori", si necesidad de realizar el experimento. Probabilidad condicional: probabilidad de que se presente un evento, dado que otro evento ya se ha presentado. Probabilidad conjunta: probabilidad de que se presenten dos o ms eventos simultneamente o en sucesin. Probabilidad marginal: probabilidad incondicional de que se presente un evento; probabilidad de que se presente un solo evento. Probabilidad simple, o probabilidad de un evento cualquiera. Probabilidad subjetiva: probabilidad basada en las creencias personales de quien hace la estimacin de probabilidad. Asignacin de probabilidad en forma intuitiva, en base a la experiencia o el conocimiento. Producto de probabilidades: probabilidad de la interseccin de dos o ms eventos. Suma de probabilidades: probabilidad de la unin de dos o ms eventos.
16