Vale, no es el tema más adecuado para escribir en un blog de programación pero si pensamos en aplicaciones en la IA, que a su vez se tendrán que representar programáticamente, seguro que ya nos parece algo más acertado. De todas formas, la intención no es perdernos en formalidades matemáticas, sino intentar desde el principio buscar un enfoque práctico. Intentaré partir las entradas y hacerlas lo más amenas posible.
Si lanzamos un dado al aire, podemos preguntarnos, por ejemplo, ¿cuál es la probabilidad de sacar un 2? o ¿cuál es la probabilidad de sacar un número impar?
Cuando lanzamos un dado de seis caras podremos obtener, evidentemente, seis resultados distintos. El conjunto de estos posibles resultados ({1,2,3,4,5,6}) se denomina espacio muestral o número de casos posibles. Un suceso o número de casos favorables es un subconjunto de nuestro espacio muestral, para nuestro caso particular:
¿Cuál es la probabilidad de sacar un 2?
A={2}
¿Cuál es la probabilidad de sacar un número impar?
B={1,3,5}
Se pueden realizar distintas operaciones con los sucesos, un poco más abajo dejo una hoja a modo de resumen.
Por otra parte, la regla de Laplace nos dice que:
Para nuestros casos:
P(A)=1/6=0.1667 Es decir, el 16% de las veces sacaremos un 2.
P(B)=3/6=0.5 La mitad de la veces sacaremos un número par.
Se puede observar que el valor de ambos sucesos está entre 0 y 1 y siempre será así, ya que cuanto más próximo a 1 quiere decir que tenemos más casos favorables.
A continuación os dejo una captura con algunas leyes básicas:
14 septiembre, 2012 at 5:31 pm
Recordemos que el teorema de bayes nos dice que P(A|B) = P(A|B)*P(A) / P(B) donde A se puede interpretar como "causa" y B como "efecto", es decir, A es una reacción a la acción de B o lo que es lo mismo, A tendría