Académique Documents
Professionnel Documents
Culture Documents
Probabilidades
Extrapolacin y Prediccin
Por
ejemplo, se hacen investigaciones con ciertos elementos (enfermos de amibiasis, fumadores empedernidos, plantas de maz, etc.), cuyas conclusiones se aplican a otros elementos semejantes.
Elementos estudiados
Extrapolacin prediccin
Se puede considerar que lo estudiado, o experiencia previa, es una muestra de todo un conjunto de otros elementos o nuevas experiencias semejantes a los estudiados.
Poblacin
Extrapolacin y Prediccin
Por lo tanto, Si se pueden encontrar leyes deterministas que expresen relaciones (necesarias y suficientes) entre propiedades de las instancias estudiadas (muestras), entonces:
Se pueden aplicar los resultados o conclusiones a todas las instancias (poblacin) no estudiadas an, que cumplan con las propiedades requeridas?
Extrapolacin y Prediccin
Hay procesos o fenmenos en los que no se pueden encontrar relaciones entre sus propiedades, que sean necesarias y suficientes. Hay mucha variabilidad, hay indeterminismo. Se pueden encontrar ciertas leyes pero son de naturaleza probabilstica y no determinstica. Determinismo:
Se
descubren leyes que describen matemticamente las variables importantes de un proceso, sin incluir consideraciones aleatorias. E=m.c2 , f=m.a, mecnica clsica, ecuaciones diferenciales para muy variados fenmenos, fluidos, dinmica poblacional, etc. se encuentran leyes que describan matemticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilsticos, incluyen variables aleatorias.
Indeterminismo:
No
Antecedentes
Modelos
Con
un modelo matemtico, determinstico o probabilstico, se puede derivar consecuencias siguiendo su lgica interna y en esta medida, efectuar predicciones. Estas siempre estn sujetas a la validez del modelo. En el caso de los modelos probabilsticos, adems se debe tener una idea del grado de incertidumbre en las predicciones individuales.
Modelos
Un modelo es la representacin de una cosa. Es una definicin de las relaciones existentes entre las diferentes partes de un sistema. Algunos fundamentos esenciales para la aplicacin de un determinado modelo se resumen de la siguiente manera:
El
modelo debe seleccionarse con base a los objetivos del estudio (naturaleza, cualidades y exactitud de los resultados) y las decisiones a tomar en funcin de dichos objetivos. El modelo ser vlido en la medida de la calidad de los datos. La naturaleza de las variables a manejar es factor determinante. Todo modelo ofrece un carcter de sistema. La variacin de cualquier elemento produce un efecto sobre los resultados, aunque ningn elemento es determinante absoluto de dichos resultados. El modelo debe ser suficientemente sencillo como para facilitar su comprensin. Debe existir un justo balance entre la deseada simplificacin del modelo y la calidad de los resultados esperados. Los aspectos omitidos en aras de la simplificacin tendrn un efecto sobre la calidad de los resultados y por tanto en las decisiones que se tomen.
Clases de Modelos
Verbales los cuales utilizan palabras. Iconos o maquetas son construidos en tres dimensiones y a escala. Los analgicos, parten de la premisa de que el comportamiento de un
sistema completo puede ser estudiado y analizado por medio del estudio del comportamiento de sistemas con caractersticas similares
Experimentos
Realidad
Diseo
Modelo
Anlisis
Experimentacin
Experimentos
Experimentos
determinsticos: repetidas las mismas condiciones puede predecirse el resultado con suficiente exactitud. Experimentos aleatorios: Son aquellos que aun cuando las condiciones iniciales permanezcan inalterables el resultado vara.
Ejemplos de experimentos: Romper una probeta de acero en el ensayo de traccin. Lanzar un dado. Pesar una persona seleccionada aleatoriamente de un grupo Cantidad de piezas defectuosas por hora de operacin. Lanzamiento de un proyectil.
10
Espacio Muestral
Si S es el conjunto de los resultados de un experimento, este es aleatorio si y solo si S tiene ms de un elemento. Contrariamente si S tiene un solo elemento el experimento correspondiente se llama determinstico.
11
Espacio Muestral
{1, 2, 3, 4, 5, 6}
el nmero 2 al lanzar el dado habr ocurrido el evento {1,2,3} Si sale el nmero 4 al lanzar el dado habrn ocurrido los eventos {3,4} y {4,5}
Casos favorables: 1 caso (evento) Casos posibles: 6 casos (espacio muestral) P(3): 1/6
12
Se tienen 2 cajas con 4 resistencias en C/U. En la primera caja son de 10, siendo sus resistencias reales 9, 10, 11 y 12. En la secunda caja son de 20, siendo sus valores reales 18, 19, 20 y 21. Se toma una resistencia de cada caja.
A: que las resistencias sean mayor a 10 B: que las resistencias sean menor a 19 C: que la suma de las resistencia sea igual a 28
13
Probabilidades
Experimento aleatorio:
Es
un fenmeno emprico que se caracteriza por una propiedad fundamental y propia: su observacin repetida, en condiciones constantes, no produce siempre el mismo resultado porque no existe regularidad determinstica sino regularidad estadstica o aleatoria.
Fenmeno aleatorio:
14
Probabilidades
La
asigna la persona que hace el estudio, y depende del conocimiento que se tenga sobre el tema. Por su carcter de subjetividad no se considera con validez cientfica.
Se
denota como por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral.
15
Probabilidades
Todo evento en un espacio muestral tiene una probabilidad de ocurrir. La probabilidad de un evento representa la proporcin de veces que se presentar el evento a largo plazo, si el experimento se repitiera una y otra vez. A veces las probabilidades pueden determinarse si se conoce la naturaleza fsica del evento. Una vez conocidas las probabilidades de ciertos eventos mediante el conocimiento cientfico o la experiencia, se puede calcular matemticamente las probabilidades de otros eventos.
Evento seguro E es aquel que ocurrir P(E) = 1 Evento imposible es contrario a E P() = 0
16
Combinacin de Eventos
1 A 2
7 B
17
Los eventos A y B son mutuamente excluyentes si no tienen resultados comunes. Un conjunto de eventos A1, A2, , An en mutuamente excluyente si dos de ellos no tienen resultado en comn.
P(A) + P(B) = 1
18
Axiomas de la Probabilidad
19
Axiomas de la Probabilidad
Las probabilidades que el sistema computarizado falle se muestra en la tabla:
Nmero de cadas 0 1 2 3 4 Probabilidad 0,60 0,30 0,05 0,04 0,01
Sea A el evento de que haya ms de 2 cadas del sistema durante la semana. B el evento de que el sistema se caer por lo menos una vez. El espacio muestral. Los subconjuntos del espacio muestral que correspondan a los eventos A y B. Calcular P(A) y P(B)
Determinar:
20
21
Se producen barras de aluminio mediante extrusin. Se especifican dimetro y longitud. Para algunas la longitud puede ser muy corta o larga, o estar bien. Para el dimetro se clasifican en delgado, grueso o bueno. La poblacin es de 1000 barras, distribuyndose en clases de la siguiente forma:
Longitud Corta Buena Larga Dimetro Delgado 10 38 2 Bueno 3 900 25 Grueso 3 4 13
Cul es la probabilidad de que la barra sea buena? Cul es la probabilidad de que sea demasiado corta? Cul es la probabilidad de que sea demasiado corta o demasiado gruesa?
22
De las 1000 barras cul es la probabilidad de satisfacer la especificacin de dimetro?. Si se toma una barra y se encuentra que satisface la longitud, cul es la probabilidad de que tambin satisfaga la especificacin de dimetro?.
Longitud Corta Buena Larga Dimetro Delgado 10 38 2 Bueno 3 900 25 Grueso 3 4 13
23
Si el evento A consiste en las barras con dimetro bueno, P(A) = 928/1000 Si el evento B consiste en las barras cuya longitud es buena, P(B) = 942/1000 Si la probabilidad de que tanto la longitud como el dimetro sean buenos: P(AB)=900/1000 La probabilidad condicional ser:
24
Que aparezca una lata con fisura al costado es 0,02. Que aparezca una lata con fisura en la tapa es 0,03. Que tenga fisura en la tapa y al costado es 0,01.
cul es la probabilidad de que no tenga ninguna fisura? cul es la probabilidad de que una lata tenga una fisura en el costado, dado que tiene una fisura en la tapa? cul es la probabilidad de que una lata tenga una fisura en la tapa, dado que tiene una fisura al costado?
25
Eventos independientes
En ocasiones el hecho de que ocurra un evento no modifica la probabilidad de que ocurra otro. En este caso la probabilidad condicional e incondicional son las mismas, se trata de eventos independientes.
Longitud Corta Buena Larga Dimetro Delgado 10 38 2 Bueno 3 900 25 Grueso 3 4 13
cul es la probabilidad de que sea larga? P(larga) cul es la probabilidad de que sea larga si es delgada? P(larga/delgada)
Entonces:
26
Eventos independientes
P ( A B) P ( B ) * P ( A / B ) P ( B) * P ( A)
Un vehculo tiene dos motores, A y B, el sistema falla solo si ambos motores fallan. La probabilidad de que el motor A falle es 0,05 y la de que el B falle es de 0,10. Los dos motores operan independientemente, cul es la probabilidad de que el sistema falle?
27
Eventos independientes
Un sistema tiene dos componentes, A y B. ambos deben operar para que el sistema funcione. La probabilidad de que el componente A falle es 0,08 y la de que el B falle es 0,05. Estos componentes operan independientemente, cul es la probabilidad de que el sistema no falle?
28
Regla de la multiplicacin
Dado que:
P(AB)=P(B)*P(A/B)
Que la probabilidad de que ocurran simultneamente dos sucesos de los cuales uno se encuentra condicionado a la realizacin del otro, es igual a la probabilidad individual de uno de ellos por la probabilidad condicional del otro con relacin al primero. Una caja contiene 8 pelotas de madera
5 blancas y 3 negras
12 de plstico
7 blancas y 5 negras
Cul es la probabilidad que al hacer una extraccin sea una pelota blanca de madera?
Madera Plstico
5 blancas 3 negras 8
7 blancas 5 negras 12
12 8 20
29
Regla de la multiplicacin
Madera Plstico
5 blancas 3 negras 8
7 blancas 5 negras 12
12 8 20
P(M)=8/20=0,40
Si el evento B/M consiste en extraer una pelota blanca de madera, su probabilidad de ocurrencia es:
P(B/M)=5/8=0,625
P(MB)=P(M)*P(M/B)=0,40*0,625=0,25
Cul es la probabilidad de que al extraer una pelota blanca sea de plstico? Demostrar que:
P(M)*P(M/B) = P(B)*P(B/M)
30
Se dispone de vehculos con motores de 3 tamaos. El 45% de los vehculos vendidos tienen motor pequeo (MP), 35% motor mediano (MM) y 20 motor grande (MG). Se practican pruebas de emisiones 2 aos luego de la venta, tenindose los siguientes resultados:
10% de los vehculos MP fallan (F). 12% de los vehculos MM fallan (F). 15% de los vehculos MG fallan (F).
MP MM MG
MPF
MMF
MGF
31
cul es la probabilidad que un automvil elegido aleatoriamente falle en la prueba de emisiones? En este caso se tiene:
La probabilidad que un automvil falle dado que tiene un motor pequeo es P(F/MP)=0,10. La probabilidad que un automvil falle dado que tiene un motor mediano es P(F/MM)=0,12. La probabilidad que un automvil falle dado que tiene un motor grande es P(F/MP)=0,15. En este caso la probabilidad de falla es:
P(F)=P(MPF)+P(MMF)+P(MGF)
P(AB)=P(A)*P(B/A)
32
P(AB)=P(A)*P(B/A)
P(F)=P(MPF)+P(MMF)+P(MGF)
Donde:
Resultando:
33
Teorema de Bayes
n i 1
P ( Ai ) * P ( B / Ai )
En el caso anterior, si se elige aleatoriamente una ficha de un prueba de emisin con falla, cul es la probabilidad de que un vehculo con motor pequeo?
P(MP/F)
P ( MP / F ) P ( MP ) * P ( F / MP ) P ( MP ) * P ( F / MP ) P ( MM ) * P ( F / MM ) P ( MG ) * P ( F / MG )
P ( MP / F )
34