Professional Documents
Culture Documents
Define la relación entre el número de veces en que un evento se produce y el total posible
de casos. Para el estudio de las probabilidades se puede emplear la distribución
experimental o bien ajustar mediante el método estadístico las series observadas a los
modelos estadísticos teóricos de distribución.
El método estadístico tiene como objetivo buscar una expresión matemática que permita
modelizar la ley de distribución teórica. Se pretende así obtener una función de
distribución que ofrezca un buen ajuste a la muestra de los datos observados y permita la
generalización. Con una función de distribución representativa las frecuencias relativas
analizadas pueden generalizarse al conjunto de la población. Las funciones de
distribución teóricas más empleadas en Climatología son la distribución normal y la
distribución Gamma. En Climatología existe un gran número de variables como la
precipitación o la velocidad del viento, cuyo límite inferior en numerosos casos es el cero.
En este tipo de variables la curva normal abierta en ambos sentidos no es la adecuada y
se aplica mejor la distribución Gamma.
PROBABILIDAD CONDICIONAL
Si E1 y E2 son dos eventos, la probabilidad de que ocurra E2, dado que E1 ha ocurrido,
se denota Pr{E2 |E1 } o Pr(E2 dado E1 ) y se conoce como la probabilidad condicional de
E2 dado que E1 ha ocurrido.
Si la ocurrencia o no ocurrencia de E1 no afecta la probabilidad de ocurrencia de E2,
entonces Pr{E2 |E1 } = Pr{E2 } y se dice que E1 y E2 son eventos independientes, de lo
contrario se dice que son eventos dependientes.
Si se denota con E1 E2 el evento de que “tanto E1 como E2 ocurran”, evento al que suele
llamarse evento compuesto, entonces
En particular,
Pr{𝐸1𝐸2} _ Pr{𝐸1} Pr{𝐸2} para eventos independientes
Es decir, la probabilidad de que ocurra E1, E2 y E3 es igual a (la probabilidad de E1) (la
probabilidad de E2 dado que E1 ha ocurrido) (la probabilidad de E3 dado que E1 y E2
han ocurrido). En particular,
En general, si E1, E2, E3,. . ., En son n eventos independientes que tienen probabilidades
p1, p2, p3,. . ., pn, entonces la probabilidad de que ocurra E1 y E2 y E3 y. . . En es
p1p2p3. . . pn.
TEOREMA DE BAYES
Para calcular la probabilidad tal como la definió Bayes en este tipo de sucesos,
necesitamos una fórmula. La fórmula se define matemáticamente como:
Donde B es el suceso sobre el que tenemos información previa y A(n) son los distintos
sucesos condicionados. En la parte del numerador tenemos la probabilidad condicionada,
y en la parte de abajo la probabilidad total. En cualquier caso, aunque la fórmula parezca
un poco abstracta, es muy sencilla. Para demostrarlo, utilizaremos un ejemplo en el que
en lugar de A(1), A(2) y A(3), utilizaremos directamente A, B y C.
Discretas
Si una variable X toma un conjunto discreto de valores X1, X2,. . ., XK con probabilidades
respectivas p1, p2,. . ., pK, donde p1 + p2 +. . .+ pK = 1, esto se define como una
distribución de probabilidad discreta de X. La función p(X), que tiene los valores p1, p2,. . .
, pK para X = X1, X2, . . . , XK , respectivamente, se llama función de probabilidad o
función de frecuencia de X. Como X puede tomar ciertos valores con determinadas
probabilidades, suele llamársele variable aleatoria discreta. A las variables aleatorias
también se les conoce como variables estocásticas.
Continua
Las ideas anteriores pueden extenderse al caso en el que la variable X puede tomar un
conjunto continuo de valores. El polígono de frecuencias relativas de la muestra se
convierte, en el caso teórico o límite de una población, en una curva continua (como la
que se muestra en la figura 6-3) cuya ecuación es Y = p(X). El área total limitada por el eje
X, bajo esta curva, es igual a 1, y el área entre las rectas X = a y X = b (que aparece
sombreada en la figura 6-3) corresponde a la probabilidad de que X se encuentre entre a
y b, lo que se denota como Pr {a < X < b}.