1. La teoría de probabilidades se ocupa de asignar un cierto número a cada posible resultado que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y saber si un suceso es más probable que otro.
1.1. Las tablas de contingencia
1.1.1. Tanto la regla de la multiplicación como la adición pueden desarrollarse con tablas de contingencia, diagrama de árbol o teorema de Bayes. Una tabla de contingencia es otra herramienta donde se genera una tabulación cruzada que permite calcular las probabilistas. Generalmente colocamos los resultados provenientes de una muestra y se resumen las variables de estudio.
1.1.2. Diagrama de Árbol
1.1.2.1. El diagrama de árbol es una gráfica útil para organizar cálculos que implican varias etapas. Cada segmento del árbol constituye una etapa del problema. Las ramas del árbol se ponderan por medio de probabilidades.
1.1.2.2. Teorema de Bayes
1.1.2.2.1. Teorema de Bayespor el filósofo inglés Thomas Bayes (1702-1761)1 en 1763,2 que expresa la probabilidad condicional de un evento aleatorio A dado B en términos de la distribución de probabilidad condicional del evento B dado A y la distribución de probabilidad marginal.
2. Regla de la Adición
2.1. Para aplicar la regla especial de la adición, los eventos deben ser mutuamente excluyentes. Recuerde que mutuamente excluyentes significa que cuando un evento ocurre, ninguno de los demás eventos puede ocurrir al mismo tiempo.
3. Regla especial de la adición
3.1. Regla de la Adición para eventos mutuamente excluyentes: P (A o B) o P (A UB) = P(A)+P(B)
4. Los tres tipos de probailidades son:
4.1. Binominal
4.1.1. es una distribución de probabilidad discreta que cuenta el número de éxitos en una secuencia de ensayos de Bernoulli independientes entre sí con una probabilidad fija de ocurrencia de éxito entre los ensayos.
4.1.1.1. σ=
4.2. Poisson
4.2.1. es una distribución de probabilidad de variable discreta. Una característica importante de la distribución de Poisson es que se da en un intervalo de tiempo, distancia o volumen, esto hay que tomarlo muy en cuenta, porque es la característica principal para la utilización de la distribución de Poisson.
4.2.1.1. P ( x ) = μ x e – μ x !
4.3. Normal
4.3.1. Es una distribución de variable continua, es decir que puede tomar cualquier valor. Se conoce como una distribución de probabilidad gaussiana, de Gauss, ya que lleva el nombre de su creador.
4.3.1.1. z=(x-μ)/σ.