Introducción a la probabilidad Introducción a la probabilidad ...
Introducción a la probabilidad Introducción a la probabilidad ...
Introducción a la probabilidad Introducción a la probabilidad ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
<strong>Introducción</strong><br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Equi<strong>probabilidad</strong><br />
Métodos combinatorios<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
Independencia de sucesos<br />
Teorema de Bayes<br />
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
<strong>Introducción</strong><br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Equi<strong>probabilidad</strong><br />
Métodos combinatorios<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
Independencia de sucesos<br />
Teorema de Bayes<br />
1<br />
3<br />
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
Objetivos del tema:<br />
Al final del tema el alumno será capaz de:<br />
Comprender y describir los sucesos de un experimento mediante<br />
gráficos, tab<strong>la</strong>s, etc.<br />
Calcu<strong>la</strong>r <strong>probabilidad</strong>es de sucesos simples y compuestos<br />
Interpretar y calcu<strong>la</strong>r <strong>probabilidad</strong>es condicionadas<br />
Determinar <strong>la</strong> independencia de sucesos y utilizar<strong>la</strong> para calcu<strong>la</strong>r<br />
<strong>probabilidad</strong>es<br />
Utilizar el Teorema de Bayes para el cálculo de <strong>probabilidad</strong>es<br />
condicionadas<br />
Estadística: Profesora María Durbán<br />
Estadística: Profesora María Durbán<br />
<strong>Introducción</strong><br />
Un investigador puede tener el objetivo de:<br />
Describir los resultados de un experimento concreto<br />
Estadística descriptiva<br />
Extraer conclusiones generales aplicables en situaciones simi<strong>la</strong>res<br />
Inferencia Necesitamos <strong>probabilidad</strong><br />
El cálculo de <strong>probabilidad</strong>es nos proporciona <strong>la</strong>s reg<strong>la</strong>s para el estudio de<br />
experimentos con un componente aleatorio<br />
2<br />
4
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
<strong>Introducción</strong><br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Equi<strong>probabilidad</strong><br />
Métodos combinatorios<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
Independencia de sucesos<br />
Teorema de Bayes<br />
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Ejemplo<br />
Medir <strong>la</strong> corriente que atraviesa un cable de cobre<br />
Repetimos el experimento en distintas partes<br />
Obtenemos distintos resultados<br />
Debido a <strong>la</strong>s variables no contro<strong>la</strong>das<br />
Errores de medida<br />
Impurezas del cobre<br />
Calibre del cable<br />
5<br />
7<br />
Fenómenos y experimentos aleatorios<br />
Experimento: Proceso de observar una característica<br />
Estadística: Profesora María Durbán<br />
Ejemplos<br />
Lanzar una moneda tres veces y observar el número de caras<br />
Medir <strong>la</strong> corriente en un cable de cobre<br />
Contar el número de l<strong>la</strong>mas que llegan a una centralita en una hora<br />
Medir <strong>la</strong> resistencia a <strong>la</strong> compresión del hormigón<br />
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Ejemplo<br />
Medir <strong>la</strong> corriente que atraviesa un cable de cobre<br />
Repetimos el experimento en distintos momentos<br />
6<br />
8
Fenómenos y experimentos aleatorios<br />
Si esta variabilidad es pequeña no afectará a los resultados del experimento<br />
Si <strong>la</strong> variabilidad es alta puede encubrir resultados importantes<br />
Estadística: Profesora María Durbán<br />
Nuestro objetivo<br />
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Sucesos<br />
Cuando se realiza un experimento aleatorio diversos<br />
resultados son posibles. El conjunto de todos los<br />
resultados posibles se l<strong>la</strong>ma espacio muestral (E).<br />
Se l<strong>la</strong>ma suceso a un subconjunto de resultados<br />
Suceso elemental<br />
Siempre ocurre uno de ellos<br />
Son mutuamente excluyentes<br />
Suceso compuesto<br />
Uniones de sucesos elementales<br />
E espacio muestral<br />
E espacio muestral<br />
9<br />
11<br />
Fenómenos y experimentos aleatorios<br />
Diremos que un experimento es aleatorio si ve verifican <strong>la</strong>s siguientes condiciones:<br />
1. Puede repetirse indefinidamente, siempre en <strong>la</strong>s mismas condiciones<br />
2. Antes de realizarlo no se puede predecir el resultado que se va a obtener<br />
3. El resultado que se obtenga, pertenece a un conjunto previamente conocido<br />
de posibles resultados<br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Sucesos<br />
Se l<strong>la</strong>ma suceso contrario (complementario) de un<br />
suceso A, al formado por los sucesos que no están en A<br />
El suceso seguro, E, es aquel que siempre ocurre al realizar<br />
el experimento<br />
El suceso imposible, Ø, es aquel que nunca ocurre como<br />
resultado del experimento<br />
E espacio muestral<br />
10<br />
A A<br />
E espacio muestral<br />
12
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Operaciones con sucesos<br />
Se l<strong>la</strong>ma suceso intersección de A y B, A∩B o AB, al<br />
formado por los resultados experimentales que están<br />
simultáneamente en A y B<br />
Se dice que dos sucesos A y B son incompatibles si no<br />
pueden ocurrir a <strong>la</strong> vez, A∩B=Ø<br />
Estadística: Profesora María Durbán<br />
E espacio muestral<br />
A<br />
B<br />
INTERSEC.<br />
E espacio muestral<br />
Fenómenos y experimentos aleatorios<br />
Ejemplo<br />
Se utiliza una ba<strong>la</strong>nza digital para pesar <strong>la</strong>s piezas producidas por una<br />
máquina.<br />
A → Peso ≥ 11gr<br />
B →Peso ≤ 15gr<br />
C →Peso≤5gr C<br />
A<br />
A<br />
B<br />
13<br />
Fenómenos y experimentos aleatorios<br />
Se l<strong>la</strong>ma suceso unión de A y B, AUB, al suceso formado por los resultados<br />
experimentales que están en A o en B (incluyendo los que están en ambos)<br />
Se l<strong>la</strong>ma suceso diferencia de A y B, A-B, al formado por todos los sucesos<br />
de A que no están en B, es decir, A∩B<br />
Estadística: Profesora María Durbán<br />
Operaciones con sucesos<br />
E espacio muestral<br />
A<br />
Consecuencia:<br />
A = E-A<br />
15<br />
B Estadística: Profesora María Durbán<br />
B<br />
E espacio muestral<br />
A<br />
B<br />
UNIÓN<br />
E espacio muestral<br />
Fenómenos y experimentos aleatorios<br />
Ejemplo<br />
Se utiliza una ba<strong>la</strong>nza digital para pesar <strong>la</strong>s piezas producidas por una<br />
máquina.<br />
A → Peso ≥ 11gr<br />
B →Peso ≤ 15gr<br />
C →Peso≤5gr B<br />
A<br />
B<br />
A I B →11gr ≤Peso ≤15gr<br />
B U C →Peso ≤15gr<br />
AIC→∅ B−C → 5< Peso≤15gr 11 15<br />
A<br />
14<br />
16
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Ejemplo<br />
Se utiliza una ba<strong>la</strong>nza digital para pesar <strong>la</strong>s piezas producidas por una<br />
máquina.<br />
A → Peso ≥ 11gr<br />
B →Peso ≤ 15gr<br />
C →Peso≤5gr C<br />
Estadística: Profesora María Durbán<br />
B<br />
A I B →11gr ≤Peso ≤15gr<br />
B U C →Peso ≤15gr<br />
AIC→∅ B−C → 5< Peso≤15gr Fenómenos y experimentos aleatorios<br />
Ejemplo<br />
Se utiliza una ba<strong>la</strong>nza digital para pesar <strong>la</strong>s piezas producidas por una<br />
máquina.<br />
A → Peso ≥ 11gr<br />
B →Peso ≤ 15gr<br />
C →Peso≤5gr C<br />
15<br />
A I B →11gr ≤Peso ≤15gr<br />
B U C →Peso ≤15gr<br />
AIC→∅ B−C → 5< Peso≤15gr 17<br />
Fenómenos y experimentos aleatorios<br />
Estadística: Profesora María Durbán<br />
Ejemplo<br />
Se utiliza una ba<strong>la</strong>nza digital para pesar <strong>la</strong>s piezas producidas por una<br />
máquina.<br />
A → Peso ≥ 11gr<br />
B →Peso ≤ 15gr<br />
C →Peso≤5gr 19<br />
5 B<br />
15 Estadística: Profesora María Durbán<br />
C<br />
∅<br />
A I B →11gr ≤Peso ≤15gr<br />
B U C →Peso ≤15gr<br />
AIC→∅ B−C → 5< Peso≤15gr Fenómenos y experimentos aleatorios<br />
Hay ciertas propiedades de <strong>la</strong> unión, intersección y suceso contrario que son<br />
conocidas bajo <strong>la</strong>s leyes de Morgan<br />
AUB=AIB AIB=AUB Leyes de Morgan<br />
E espacio muestral<br />
A<br />
B<br />
E espacio muestral<br />
A<br />
B<br />
Intersección de<br />
Unión de<br />
A<br />
A<br />
B<br />
18<br />
20
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
<strong>Introducción</strong><br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Concepto Concepto de de <strong>probabilidad</strong> <strong>probabilidad</strong> y propiedades<br />
propiedades<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Equi<strong>probabilidad</strong><br />
Métodos combinatorios<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
Independencia de sucesos<br />
Teorema de Bayes<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
En un experimento aleatorio, cuando el número de veces que se repite<br />
aumenta, <strong>la</strong> frecuencia re<strong>la</strong>tiva<br />
o<br />
n de veces que ocurre A<br />
f n(A)<br />
=<br />
n<br />
converge hacia una cantidad que l<strong>la</strong>mamos <strong>probabilidad</strong>:<br />
Pr(A) lim f (A)<br />
= n →∞<br />
n<br />
También podemos entender <strong>la</strong> <strong>probabilidad</strong> como el grado de certeza que<br />
se posee sobre un suceso, basada en experiencias previas<br />
La <strong>probabilidad</strong> depende del grado de información disponible:<br />
Los sucesos posibles al realizar el experimento<br />
21<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
En un experimento aleatorio, cuando el número de veces que se repite<br />
aumenta, <strong>la</strong> frecuencia re<strong>la</strong>tiva<br />
o<br />
n de veces que ocurre A<br />
f n(A)<br />
=<br />
n<br />
converge hacia una cantidad que l<strong>la</strong>mamos <strong>probabilidad</strong>:<br />
Ejemplo<br />
Frecuencia re<strong>la</strong>tiva del número de<br />
caras obtenidos en <strong>la</strong>nzamientos<br />
sucesivos de una moneda<br />
Converge a 1/2<br />
Estadística: Profesora María Durbán<br />
La evidencia empírica existente respecto a <strong>la</strong> ocurrencia de los 23<br />
Estadística: Profesora sucesos María Durbán<br />
Estadística: Profesora María Durbán<br />
Pr(A) lim f (A)<br />
= n →∞<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Dado un espacio muestral, E, definimos <strong>probabilidad</strong> como una función, P, que<br />
asigna a un suceso A un valor numérico P(A), verificando <strong>la</strong>s siguientes reg<strong>la</strong>s<br />
(axiomas)<br />
1. 0≤P(A) ≤1 2. P(E)=1 3. P(AUB)=P(A)+P(B) si A∩B=Ø<br />
El tercer axioma se generaliza a cualquier número de sucesos de disjuntos:<br />
A1<br />
A2<br />
A A<br />
4<br />
4<br />
A3<br />
n<br />
⎛ ⎞<br />
Pr ⎜ A ⎟=<br />
Pr A<br />
⎝ ⎠ ∑ U<br />
5 5<br />
i i<br />
i=1 i= 1<br />
( )<br />
22<br />
24
Concepto de <strong>probabilidad</strong> y propiedades<br />
Dado un espacio muestral, E, definimos <strong>probabilidad</strong> como una función, P, que<br />
asigna a un suceso A un valor numérico P(A), verificando <strong>la</strong>s siguientes reg<strong>la</strong>s<br />
(axiomas)<br />
1. 0≤P(A) ≤1 2. P(E)=1 3. P(AUB)=P(A)+P(B) si A∩B=Ø<br />
El tercer axioma se generaliza a cualquier número de sucesos de disjuntos:<br />
A1<br />
Estadística: Profesora María Durbán<br />
A2<br />
A A<br />
5<br />
4<br />
Estadística: Profesora María Durbán<br />
A3<br />
⎛ ⎞<br />
Pr ⎜ A ⎟=<br />
Pr A<br />
⎝ ⎠ ∑<br />
5<br />
i<br />
5<br />
i<br />
i=1 i= 1<br />
U<br />
( )<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estos axiomas no asignan <strong>probabilidad</strong>es a sucesos, pero facilitan el cálculo de<br />
<strong>probabilidad</strong>es de unos sucesos a partir de <strong>la</strong> <strong>probabilidad</strong> de otros:<br />
1.<br />
P(A) = 1 - P(A)<br />
2.<br />
P( ∅)<br />
= 0 ∅= E →Pr( ∅ ) = 1− Pr( E)<br />
= 1− 1 = 0<br />
3. Si A ⊆ B ⇒ P(A) ≤ P(B)<br />
4. P(B-A) = P(B) - P(A ∩ B)<br />
5. P(A ∪B) = P(A) + P(B) - PA ( ∩B)<br />
25<br />
27<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estos axiomas no asignan <strong>probabilidad</strong>es a sucesos, pero facilitan el cálculo de<br />
<strong>probabilidad</strong>es de unos sucesos a partir de <strong>la</strong> <strong>probabilidad</strong> de otros:<br />
1.<br />
P(A) = 1 - P(A) E = A∪A→ 1= Pr(A) + Pr(A)<br />
2.<br />
P( ∅)<br />
= 0<br />
3. Si A ⊆ B ⇒ P(A) ≤ P(B)<br />
4. P(B-A) = P(B) - P(A ∩ B)<br />
5. P(A ∪B) = P(A) + P(B) - PA ( ∩B)<br />
Estadística: Profesora María Durbán<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estos axiomas no asignan <strong>probabilidad</strong>es a sucesos, pero facilitan el cálculo de<br />
<strong>probabilidad</strong>es de unos sucesos a partir de <strong>la</strong> <strong>probabilidad</strong> de otros:<br />
1.<br />
P(A) = 1 - P(A)<br />
2.<br />
P( ∅)<br />
= 0<br />
3.<br />
Si A ⊆ B ⇒ P(A) ≤ P(B)<br />
4. P(B-A) = P(B) - P(A ∩ B)<br />
5. P(A ∪B) = P(A) + P(B) - P(A ∩B)<br />
Estadística: Profesora María Durbán<br />
B = A ∪(B ∩A) → Pr(B) = Pr(A)+Pr(B ∩A)<br />
26<br />
28
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estos axiomas no asignan <strong>probabilidad</strong>es a sucesos, pero facilitan el cálculo de<br />
<strong>probabilidad</strong>es de unos sucesos a partir de <strong>la</strong> <strong>probabilidad</strong> de otros:<br />
1.<br />
P(A) = 1 - P(A)<br />
2.<br />
P( ∅)<br />
= 0<br />
3.<br />
Si A ⊆ B ⇒ P(A) ≤ P(B)<br />
4.<br />
P(B-A) = P(B) - P(A ∩ B)<br />
5. P(A ∪B) = P(A) + P(B) - P(A ∩B)<br />
Estadística: Profesora María Durbán<br />
P(A)<br />
+<br />
_<br />
P(B)<br />
P(A ∩ B)<br />
P(A U B)<br />
Estadística: Profesora María Durbán<br />
A<br />
B<br />
B = (A∩B) ∪(B∩A) Pr(B) = Pr(A ∩ B) + Pr(B ∩A)<br />
Pr(B) = Pr(A ∩ B) + Pr(B-A)<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
P(A ∪B) = P(A) + P(B) - P(A ∩B)<br />
A o B<br />
29<br />
31<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estos axiomas no asignan <strong>probabilidad</strong>es a sucesos, pero facilitan el cálculo de<br />
<strong>probabilidad</strong>es de unos sucesos a partir de <strong>la</strong> <strong>probabilidad</strong> de otros:<br />
1.<br />
P(A) = 1 - P(A)<br />
2.<br />
P( ∅)<br />
= 0<br />
3.<br />
Si A ⊆ B ⇒ P(A) ≤ P(B)<br />
4.<br />
P(B-A) = P(B) - P(A ∩ B)<br />
5.<br />
P(A ∪B) = P(A) + P(B) - P(A ∩B)<br />
A∪B=(A-B) ∪(B-A) ∪(A∩B) Pr(A ∪B)=Pr(A)-Pr(A ∩B)+Pr(B)-Pr(A ∩B)+Pr(A ∩B)<br />
Estadística: Profesora María Durbán<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
1. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que <strong>la</strong> duración de un faro sea satisfactoria?<br />
2. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que un faro tenga intensidad satisfactoria o no tenga<br />
duración satisfactoria?<br />
32<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Faros de coche<br />
Un fabricante de faros de coches contro<strong>la</strong> con regu<strong>la</strong>ridad <strong>la</strong> duración y <strong>la</strong><br />
intensidad de <strong>la</strong> luz cuando son sometidos a elevada humedad y temperatura.<br />
En <strong>la</strong> siguiente tab<strong>la</strong> se presentan <strong>la</strong>s <strong>probabilidad</strong>es de tener un comportamiento<br />
satisfactorio en cuanto a intensidad y duración:<br />
Intensidad<br />
Satisfactorio<br />
No Satisfactorio<br />
Satisfactorio<br />
0.9<br />
0.062<br />
Duración<br />
No Satisfactorio<br />
0.023<br />
0.015<br />
30
Concepto de <strong>probabilidad</strong> y propiedades<br />
Intensidad<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Faros de coche<br />
Satisfactorio<br />
No Satisfactorio<br />
A → Satisfactorio en intensidad<br />
B Satisfactorio en duracion<br />
Satisfactorio<br />
0.9<br />
0.062<br />
Duración<br />
→ Pr(A ∩ B) Pr(A ∩ B)<br />
No Satisfactorio<br />
0.023<br />
0.015<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Intensidad<br />
Ejemplo: Faros de coche<br />
Satisfactorio<br />
No Satisfactorio<br />
A → Satisfactorio en intensidad<br />
B Satisfactorio en duracion<br />
Satisfactorio<br />
0.062<br />
Pr(A ∩ B) Pr(A ∩ B)<br />
0.015<br />
¿Pr(B)? B = (A∩B) ∪(A∩B) Pr(B) = Pr(A ∩ B) + Pr(A ∩ B) = 0.9 + 0.062 = 0.962<br />
35<br />
Estadística: Profesora María Durbán<br />
Tercer Axioma P(AUB)=P(A)+P(B) si A∩B=Ø<br />
0.9<br />
Duración<br />
→ Pr(A ∩ B) Pr(A ∩ B)<br />
No Satisfactorio<br />
0.023<br />
33<br />
Pr(A ∩ B) Pr(A ∩ B)<br />
1. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que <strong>la</strong> duración de un faro sea satisfactoria?<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Intensidad<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Faros de coche<br />
Satisfactorio<br />
No Satisfactorio<br />
A → Satisfactorio en intensidad<br />
B Satisfactorio en duracion<br />
Satisfactorio<br />
0.9<br />
0.062<br />
Duración<br />
→ Pr(A ∩ B) Pr(A ∩ B)<br />
No Satisfactorio<br />
0.023<br />
0.015<br />
Pr(A ∩ B) Pr(A ∩ B)<br />
1. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que <strong>la</strong> duración de un faro sea satisfactoria?<br />
¿Pr(B)? B = (A∩B) ∪(A∩B) Concepto de <strong>probabilidad</strong> y propiedades<br />
Intensidad<br />
Ejemplo: Faros de coche<br />
Satisfactorio<br />
No Satisfactorio<br />
A → Satisfactorio en intensidad<br />
B Satisfactorio en duracion<br />
Satisfactorio<br />
0.062<br />
0.023<br />
0.015<br />
Pr(A) = Pr(A ∩ B) + Pr(A ∩ B) = 0.9 + 0.023 = 0.923 Pr(B) = 1− Pr(B) = 1− 0.962 = 0.038<br />
Estadística: Profesora María Durbán<br />
0.9<br />
Duración<br />
→ Pr(A ∩ B) Pr(A ∩ B)<br />
No Satisfactorio<br />
34<br />
Pr(A ∩ B) Pr(A ∩ B)<br />
2. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que un faro tenga intensidad satisfactoria o no tenga<br />
duración satisfactoria?<br />
Pr(A ∪ B) = Pr(A) + Pr(B) −Pr(A ∩B)<br />
Pr(A ∪ B) = 0.923 + 0.038 − 0.023 =<br />
0.938<br />
36
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
<strong>Introducción</strong><br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estimación Estimación de <strong>la</strong> <strong>probabilidad</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica práctica<br />
Equi<strong>probabilidad</strong><br />
Métodos combinatorios<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
Independencia de sucesos<br />
Teorema de Bayes<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Lanzamiento de una moneda<br />
Lanzamiento de un dado<br />
Estadística: Profesora María Durbán<br />
Ejemplos<br />
Extracción de cartas de <strong>la</strong> baraja<br />
{ }<br />
E = C, X → Pr( C)<br />
= 1/2<br />
E = { 1, 2,3, 4,5,6 } → Pr(3) = 1/ 6<br />
Pr(Sacar una carta de oros) = 10 / 40<br />
E = { As de copas, dos de copas.... }<br />
37<br />
39<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Equi<strong>probabilidad</strong><br />
Si un experimento cualquiera puede dar lugar a un número finito de resultados<br />
posibles, y no hay razón que privilegie a un resultado frente a otro. Calcu<strong>la</strong>remos<br />
<strong>la</strong> <strong>probabilidad</strong> de un suceso de <strong>la</strong> forma siguiente:<br />
Dado un suceso compuesto A que contiene f sucesos elementales, su<br />
<strong>probabilidad</strong> será:<br />
Estadística: Profesora María Durbán<br />
casos favorables( f )<br />
Pr( A)<br />
=<br />
casos posibles( n)<br />
1<br />
n<br />
Probabilidad de cada<br />
suceso elemental<br />
Reg<strong>la</strong> de Lap<strong>la</strong>ce<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Equi<strong>probabilidad</strong><br />
En ocasiones no es fácil determinar los sucesos elementales contenidos en un<br />
suceso A:<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
A → Rechazar el lote = Encontrar dos defectuosos<br />
A<br />
casos favorables<br />
=<br />
casos posibles<br />
De cuántas maneras puedo<br />
seleccionar 2 defectuosos<br />
De cuántas maneras puedo<br />
seleccionar dos ordenadores<br />
Pr( )<br />
38
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
¿De cuántas maneras puedo seleccionar 2 defectuosos?<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
¿De cuántas maneras puedo seleccionar 2 defectuosos?<br />
De 3 maneras<br />
41<br />
43<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
¿De cuántas maneras puedo seleccionar 2 defectuosos?<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
¿De cuántas maneras puedo seleccionar 2 ordenadores de entre los 9?<br />
42<br />
44
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Combinatoria<br />
Nos ayuda a calcu<strong>la</strong>r el número de reordenaciones de objetos tomados<br />
de en<br />
k k<br />
IMPORTA EL ORDEN<br />
VARIACIONES<br />
NO IMPORTA EL<br />
ORDEN<br />
COMBINACIONES<br />
SIN<br />
REEMPLAZAMIENTO<br />
(o sin repetición)<br />
k n!<br />
Vn<br />
=<br />
( n−k)! Si n= k →Permutaciones<br />
k ⎛n⎞ Cn<br />
= ⎜ ⎟<br />
⎝k⎠ n<br />
CON<br />
REEMPLAZAMIENTO<br />
(o con repetición)<br />
CR<br />
VR = n<br />
k<br />
n<br />
k k<br />
n<br />
⎛n+ k−1⎞<br />
= ⎜ ⎟<br />
⎝ k ⎠<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
Los ordenadores se eligen simultáneamente sin reemp<strong>la</strong>zamiento<br />
El orden dentro del grupo no importa Combinaciones<br />
Pr( A)<br />
casos favorables<br />
casos posibles<br />
= De cuántas maneras puedo<br />
seleccionar 2 ordenadores<br />
Hay 9 ordenadores en el lote<br />
45<br />
2 9!<br />
C 9 = = 36<br />
2!7!<br />
47<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Estadística: Profesora María Durbán<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
Los ordenadores se eligen simultáneamente sin reemp<strong>la</strong>zamiento<br />
El orden dentro del grupo no importa Combinaciones<br />
casos favorables<br />
Pr( A)<br />
=<br />
casos posibles<br />
Estadística: Profesora María Durbán<br />
De cuántas maneras puedo<br />
seleccionar 2 defectuosos<br />
2 3!<br />
C 3 = = 3<br />
2!1!<br />
Hay 3 ordenadores defectuosos<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Ejemplo: Lote de ordenadores<br />
En un lote de 9 ordenadores hay 3 que son defectuosos, el comprador del lote lo<br />
rechazará si al inspeccionar dos de ellos elegidos al azar resultan ser defectuosos:<br />
¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que el comprador rechace el lote?<br />
Los ordenadores se eligen simultáneamente sin reemp<strong>la</strong>zamiento<br />
El orden dentro del grupo no importa Combinaciones<br />
3<br />
Pr( A ) =<br />
36<br />
46<br />
48
<strong>Introducción</strong> a <strong>la</strong> <strong>probabilidad</strong><br />
<strong>Introducción</strong><br />
Estadística: Profesora María Durbán<br />
A<br />
Estadística: Profesora María Durbán<br />
Fenómenos y experimentos aleatorios<br />
Concepto de <strong>probabilidad</strong> y propiedades<br />
Estimación de <strong>la</strong> <strong>probabilidad</strong> en <strong>la</strong> práctica<br />
Equi<strong>probabilidad</strong><br />
Métodos combinatorios<br />
Probabilidad condicionada<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
Independencia de sucesos<br />
Teorema de Bayes<br />
B<br />
Probabilidad condicionada<br />
P(A) = 0,25<br />
P(A) = 0,25<br />
P(B) = 0,10<br />
P(B) = 0,10<br />
P(A∩B) = 0,10<br />
P(A∩B) = 0,08<br />
B⊂ A⇒ Pr( A| B)<br />
= 1<br />
Pr( A∩ B)<br />
Pr( A| B)<br />
=<br />
Pr( B)<br />
Pr(A|B)=1 Pr(A|B)=0,8>Pr(A)<br />
A<br />
B<br />
49<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
E espacio muestral<br />
Centra el foco de atención en el hecho<br />
que se sabe que ha ocurrido el evento B<br />
A<br />
.<br />
B<br />
Estamos indicando que el espacio<br />
muestral de interés se ha “reducido” sólo a<br />
aquellos resultados que definen <strong>la</strong><br />
ocurrencia del evento B<br />
Entonces, P(A | B) “mide” <strong>la</strong> <strong>probabilidad</strong><br />
A|B<br />
2 casos favorables<br />
re<strong>la</strong>tiva de A con respecto al espacio<br />
reducido B<br />
5 casos posibles<br />
2 2/9 Pr( A∩ B)<br />
Pr( A| B)<br />
= = =<br />
5 5/9 Pr( B)<br />
50<br />
A<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
B<br />
P(A) = 0,25<br />
P(B) = 0,10<br />
P(A∩B) = 0,005<br />
Pr(A|B)=0,05
Estadística: Profesora María Durbán<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
Concepto y propiedades<br />
B⊂ A⇒ Pr( A| B)<br />
= 1<br />
A∩ B=∅⇒ Pr( A| B)<br />
= 0 Importante:<br />
Pr( B ) > 0<br />
Pr( A∩B) Pr( A| B)<br />
=<br />
Pr( B)<br />
⇒Pr( A | B) ≥Pr( A∩B) ⇓<br />
Pr( A∩ B) = Pr( A| B)Pr( B)<br />
= Pr( B | A)Pr( A)<br />
≤ Pr( A)<br />
≤ Pr( B)<br />
Probabilidad condicionada<br />
Independencia de sucesos<br />
Diremos que dos sucesos son independientes si el conocimiento de <strong>la</strong> ocurrencia<br />
de uno no modifica <strong>la</strong> <strong>probabilidad</strong> de ocurrencia del otro<br />
A y B son independientes si:<br />
Pr( A | B) = Pr( A)<br />
Pr( B| A) = Pr( B)<br />
Pr( A∩ B) = Pr( A| B)Pr( B) = Pr( A)Pr( B)<br />
53<br />
55<br />
Por lo tanto el 90%<br />
no tienen fallos<br />
visibles en <strong>la</strong><br />
superficie.<br />
También se ha encontrado que el<br />
5% de <strong>la</strong> piezas que no tienen<br />
fallos superficiales son<br />
funcionalmente defectuosas<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
Pr( A| B ) = 0.05<br />
100% piezas<br />
Manufacturadas<br />
Se ha encontrado que el 25%<br />
de <strong>la</strong>s piezas con fallos<br />
superficiales son<br />
funcionalmente defectuosas<br />
Pr( A| B ) = 0.25<br />
Se sabe que el 10% de <strong>la</strong>s<br />
piezas manufacturadas<br />
tienen fallos visibles en <strong>la</strong><br />
superficie.<br />
Pr( B ) = 0.9<br />
Pr( B ) = 0.1<br />
Suceso A = { pieza funcionalmente defectuosa}<br />
B = { pieza tiene una fallo visible en <strong>la</strong> superficie}<br />
¿Qué porcentaje de piezas tiene fallos y no es funcionalmente defectuosa?<br />
Pr( A∩ B) = Pr( A| B) Pr( B) = (1− Pr( A| B)) Pr( B)<br />
= 0.75× 0.1 = 0.075 →7.5%<br />
54<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
Ejemplo<br />
Una aplicación del concepto de independencia es el cálculo de <strong>la</strong> Fiabilidad de<br />
un sistema.<br />
Se denomina Fiabilidad de un sistema a <strong>la</strong> <strong>probabilidad</strong> de que el sistema funcione<br />
correctamente.<br />
A B<br />
56
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
Ejemplo<br />
Una aplicación del concepto de independencia es el cálculo de <strong>la</strong> Fiabilidad de<br />
un sistema.<br />
Se denomina Fiabilidad de un sistema a <strong>la</strong> <strong>probabilidad</strong> de que el sistema funcione<br />
correctamente.<br />
Si <strong>la</strong> <strong>probabilidad</strong> de que un interruptor cualquiera esté cerrado es 0.99, ¿cuál es <strong>la</strong><br />
<strong>probabilidad</strong> de que pase corriente de A a B?<br />
A 1<br />
A 3<br />
Estadística: Profesora María Durbán<br />
A B<br />
2<br />
Pr(pasar corriente de A a B) = 0.99 = 0.9801<br />
Probabilidad condicionada<br />
A 2<br />
A 4<br />
Teorema de Bayes<br />
Consideramos un experimento que se<br />
realiza en dos etapas: en <strong>la</strong> primera,<br />
los sucesos posibles<br />
A 1 , A 2 , A 3 , A 4 …<br />
Son tales que <strong>la</strong> unión de todos ellos<br />
forman el espacio muestral, y sus<br />
intersecciones son disjuntas.<br />
57<br />
59<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
Ejemplo<br />
Aunque <strong>la</strong> fiabilidad de cada componente sea alta, si hay muchos componentes, <strong>la</strong><br />
fiabilidad del sistema puede ser baja.<br />
Para aumentar <strong>la</strong> fiabilidad podemos poner varios sistemas en paralelo:<br />
1 2<br />
S1 A B<br />
A 1<br />
A 3<br />
3 S2 4<br />
Pr(pasar corriente de A a B) = Pr(S1∪S 2)<br />
= 1−Pr(no pasar corriente de A a B)<br />
( )<br />
1−Pr(S ∩ S ) = 1− Pr(S ) Pr(S )<br />
1 2 1 2<br />
Pr(S 1) = 1− Pr(S 1)<br />
= 1− 0.9801 = 0.0199<br />
2<br />
Pr(pasar corriente de A a B) = 1− 0.0199 = 0.9996<br />
Estadística: Profesora María Durbán<br />
Ha aumentado <strong>la</strong> fiabilidad en un 2%<br />
Probabilidad condicionada<br />
B<br />
A 2<br />
A 4<br />
Teorema de Bayes<br />
En <strong>la</strong> segunda etapa, todo suceso B<br />
depende de lo sucedido en <strong>la</strong> primera<br />
etapa y puede ser descompuesto en<br />
sucesos disjuntos<br />
B = (B∩A 1 ) U (B∩A 2 ) U ( B∩A 3 ) U ( B∩A 4 )<br />
58<br />
60
A 1<br />
A 3<br />
B<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
A 2<br />
A 4<br />
Teorema de Bayes<br />
P(B) = P(B∩A 1 ) + P(B∩A 2 ) + P( B∩A 3 ) + ( B∩A 4 )<br />
Si conocemos <strong>la</strong> <strong>probabilidad</strong> de que<br />
ocurra B habiendo ocurrido A i ,<br />
entonces podemos calcu<strong>la</strong>r <strong>la</strong><br />
<strong>probabilidad</strong> de B.<br />
Tercer Axioma<br />
P(AUB)=P(A)+P(B) si A∩B=Ø<br />
=P(B|A 1 ) P(A 1 ) + P(B|A 2 ) P(A 2 ) + P(B|A 3 ) P(A 3 ) + P(B|A 4 ) P(A 4 )<br />
A 1<br />
A 3<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
B<br />
A 2<br />
A 4<br />
…si ocurre B, podemos calcu<strong>la</strong>r <strong>la</strong><br />
<strong>probabilidad</strong> (a posteriori) de<br />
ocurrencia de cada Ai .<br />
Pr(A ∩ B)<br />
Pr(B|A i) Pr(A i)<br />
Pr(A i|B)<br />
=<br />
Pr(B)<br />
donde P(B) se puede calcu<strong>la</strong>r usando el teorema de <strong>la</strong> <strong>probabilidad</strong> total:<br />
P(B) =P(B|A 1 ) P(A 1 ) + P(B|A 2 ) P(A 2 ) + P(B|A 3 ) P(A 3 ) + P(B|A 4 ) P(A 4 )<br />
i<br />
61<br />
63<br />
A 1<br />
A 3<br />
B<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
A 2<br />
A 4<br />
Teorema de Bayes<br />
P(B) = P(B∩A 1 ) + P(B∩A 2 ) + P( B∩A 3 ) + ( B∩A 4 )<br />
Si conocemos <strong>la</strong> <strong>probabilidad</strong> de que<br />
ocurra B habiendo ocurrido A i ,<br />
entonces podemos calcu<strong>la</strong>r <strong>la</strong><br />
<strong>probabilidad</strong> de B.<br />
Probabilidad Condicionada<br />
P(A∩B)=P(A|B)P(B)<br />
=P(B|A 1 ) P(A 1 ) + P(B|A 2 ) P(A 2 ) + P(B|A 3 ) P(A 3 ) + P(B|A 4 ) P(A 4 )<br />
Por lo tanto el 90%<br />
no tienen fallos<br />
visibles en <strong>la</strong><br />
superficie.<br />
Probabilidad condicionada<br />
También se ha encontrado que el<br />
5% de <strong>la</strong> piezas que no tienen<br />
fallos superficiales son<br />
funcionalmente defectuosas<br />
Pr( A| B ) = 0.05<br />
100% piezas<br />
Manufacturadas<br />
Se ha encontrado que el 25%<br />
de <strong>la</strong>s piezas con fallos<br />
superficiales son<br />
funcionalmente defectuosas<br />
Suceso A = { pieza funcionalmente defectuosa}<br />
B = { pieza tiene una fallo visible en <strong>la</strong> superficie}<br />
Pr( A| B ) = 0.25<br />
2. Si sabemos que <strong>la</strong> pieza es funcionalmente defectuosa, ¿cuál es <strong>la</strong><br />
Estadística: <strong>probabilidad</strong> Profesora María Durbán que no tenga fallos superficiales?<br />
62<br />
Se sabe que el 10% de <strong>la</strong>s<br />
piezas manufacturadas<br />
tienen fallos visibles en <strong>la</strong><br />
superficie.<br />
Pr( B ) = 0.9<br />
Pr( B ) = 0.1<br />
1. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que una pieza sea funcionalmente defectuosa?<br />
64
1. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que una pieza sea funcionalmente defectuosa?<br />
2. Si sabemos que <strong>la</strong> pieza es funcionalmente defectuosa, ¿cuál es <strong>la</strong><br />
<strong>probabilidad</strong> que no tenga fallos superficiales?<br />
Pr(A)<br />
Pieza<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
0.1<br />
0.9<br />
Estadística: Profesora María Durbán<br />
Pr(B|A)<br />
B<br />
B<br />
0.25<br />
0.75<br />
0.05<br />
0.95<br />
Probabilidad condicionada<br />
A|B<br />
A|B<br />
A|B<br />
A|B<br />
2. Si sabemos que <strong>la</strong> pieza es funcionalmente defectuosa, ¿cuál es <strong>la</strong><br />
<strong>probabilidad</strong> que no tenga fallos superficiales?<br />
Pr(A|B) Pr(B) 0.05× 0.9<br />
Pr(B|A) = =<br />
Pr(A) 0.25× 0.1+0.05× 0.9<br />
=<br />
0.045<br />
= 0.64<br />
0.07<br />
0.25<br />
A|B<br />
Pieza<br />
0.1<br />
0.9<br />
B<br />
B<br />
0.75<br />
0.05<br />
0.95<br />
A|B<br />
A|B<br />
A|B<br />
65<br />
67<br />
Pieza<br />
Estadística: Profesora María Durbán<br />
Probabilidad condicionada<br />
1. ¿Cuál es <strong>la</strong> <strong>probabilidad</strong> de que una pieza sea funcionalmente defectuosa?<br />
Pr(A) = Pr(A|B) Pr(B) + Pr(A|B) Pr(B)<br />
= 0.25× 0.1+0.05× 0.9=0.07<br />
0.1<br />
0.9<br />
B<br />
B<br />
0.25<br />
0.75<br />
0.05<br />
0.95<br />
A|B<br />
A|B<br />
A|B<br />
A|B<br />
66