Estadstica Aplicada

Probabilidades

Extrapolacin y Prediccin

La Ciencia hace extrapolaciones y con ello ayuda a realizar predicciones.

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

Elementos semejantes a los estudiados

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.

Este conjunto no estudiado es la poblacin.

Muestra
Extrapolacin prediccin

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?

Por que hay aleatoriedad?

1. Complejidad de los fenmenos y no se conoce todos los aspectos y
leyes involucradas, pero el mundo es determinado. 2. Hay aleatoriedad intrnseca. 3. Pequeos cambios de condiciones iniciales tienen efectos muy grandes

Para estudiar fenmenos aleatorios se usa la probabilidad

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

Origen de las Probabilidades

Antecedentes

En el siglo XVII el Sr. Chevalier de Mer plantea sus experiencias en

el juego de naipes al matemtico Blaise Pascal. La consulta motiv a Blaise Pascal a intercambiar ideas con su amigo el jurista y matemtico Pierre de Fermat, siendo los cofundadores de la Teora de Probabilidades. Hacia el siglo XVIII, James Bernoulli y Abrahan de Moivre continan el desarrollo de la Teora de los Juegos de Azar. En 1812 Pierre Laplace publica la Teora Analtica de las Probabilidades. En 1823 Carl Gauss, matemtico y fsico alemn, publica un tratado sobre la teora de errores dedicada a la curva normal. En 1901 Henry Lebesgue, matemtico francs, formul la Teora de la Medida. En 1933 el matemtico ruso Andrei Kolmogorov, basado en el trabajo de Lebesgue, public su teora axiomtica del clculo de probabilidades.

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

Los modelos pueden ser:

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

Los esquemticos utilizan smbolos para evitar las ambigedades de

las palabras.

los modelos matemticos representan el mayor nivel de abstraccin

en la construccin de modelos. En las ciencias se utilizan modelos matemticos para manejar una mejor informacin en la toma de decisiones.

Experimentos

El uso de modelos en el trabajo de investigacin se desarrolla de acuerdo al esquema:

Estadstica

Realidad

Diseo

Modelo

Anlisis

Experimentacin

Experimentos

El uso de modelos muchas veces requiere su verificacin.

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.

En probabilidad un EXPERIMENTO constituye un proceso

con un resultado que no se puede predecir certeramente con anterioridad.

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.

Al conjunto de todos los posibles resultados de un experimento se le llama espacio muestral Un

subconjunto del espacio muestral se le llama evento o suceso

11

Espacio Muestral

En el caso de un dado, el espacio muestral es:

{1, 2, 3, 4, 5, 6}

Son eventos del espacio muestral:

{1,2,3} {3,4} {4,5} Si sale

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}

Al lanzar el dado la probabilidad de obtener un 3 es:

Casos favorables: 1 caso (evento) Casos posibles: 6 casos (espacio muestral) P(3): 1/6

12

Eventos del Espacio Muestral

Segn la definicin clsica de Laplace

La probabilidad de un evento es la razn entre el nmero de casos

favorables y el nmero total de casos posibles, siempre que nada obligue a creer que algunos de estos casos deben tener lugar preferente a los dems.

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.

Determinar el espacio muestral para este experimento.

Dados los siguientes evento:

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:

Ocurre espontneamente sin la accin del hombre.

Experimento aleatorio:

Realizado dentro de un plan experimental.

Evento aleatorio:

Es el resultado de un experimento aleatorio.

Regularidad estadstica:

Si para cada conjunto de repeticiones u observaciones del evento o

fenmeno se calcula la frecuencia relativa de la aparicin de una cierta propiedad, sta tiende a estabilizarse alrededor de un valor fijo a medida que el nmero de repeticiones aumenta.

14

Probabilidades

La probabilidad subjetiva de un evento

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.

La probabilidad frecuencial de un evento

Es el valor fijo al que tienden las frecuencias relativas de ocurrencia

del evento de acuerdo a la regularidad estadstica. Este mtodo proporciona probabilidades aproximadas o estimaciones y no valores reales. Adems, los resultados son a posteriori, pues se necesita realizar el experimento para poder obtenerlo.

La probabilidad clsica de un evento E

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

A U B, la unin de eventos A y B, representa el conjunto de resultados que pertenecen a A, B o ambos.

El evento A U B se presenta si ocurre A, B o ambos.

A B, la interseccin de A y B, conjunto de resultados que pertenecen tanto a A como a B.

El evento A B se presenta siempre que A y B ocurren.

AC, complemento del evento A, conjunto de resultados que no pertenecen a A.

El evento AC se presenta siempre que no ocurra A.

17

Eventos mutuamente excluyentes

1 A 2 4 6 8 3 5 7 B

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

1. Sea S un espacio muestral. Entonces P(S)=1.

Establece que el resultado de un experimento siempre est en el espacio muestral.

2. Para cualquier evento A, 0 < P(A) < 1

La frecuencia a largo plazo de cualquier evento siempre se encuentra entre 0 y 100%.

3. Si A y B son eventos mutuamente excluyentes, entonces

P(A U B) = P(A) + P(B).
En el caso del lanzamiento de un dado la probabilidad de salir 2 5 es: P(2) = 1/6 P(5) = 1/6 P(2 U 5) = 1/6 + 1/6 = 2/6 = 1/3

Otra regla til es

P(AC) = 1 P(A)

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

Regla de la suma de probabilidades

Eventos no excluyentes o compatibles P(A U B)= Espacio muestral: {1, 2, 3, 4, 5, 6, 7, 8} Evento A: {1, 2, 3, 4, 5, 6} Evento B: {3, 4, 5, 6, 7, 8} En ambos eventos se repiten los elementos: 3, 4, 5, 6 Evento P(A B): {3, 4, 5, 6} P(A U B) = P(A) + P(B) - P(A B) Eventos excluyentes P(A U B)= Espacio muestral: {1, 2, 3, 4, 5, 6, 7, 8} Evento A: {1, 2, 3, 4} Evento B: {5, 6, 7, 8} Evento P(A B): 0 P(A U B) = P(A) + P(B)

21

Regla de la suma de probabilidades

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

Probabilidad condicional e independencia

Una probabilidad incondicional se basa en todo del espacio muestral

Longitud Corta Buena Larga Dimetro Delgado 10 38 2 Bueno 3 900 25 Grueso 3 4 13

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

Una probabilidad condicional se basa en una parte del espacio muestral.

P(dimetro bueno/longitud buena) = 900/942 = 0,955

23

Probabilidad condicional e independencia

Si se toma una barra y se encuentra que satisface la longitud, cul es la probabilidad de que tambin satisfaga la especificacin de dimetro?.
Dimetro Delgado 10 38 2 Bueno 3 900 25 Grueso 3 4 13

Longitud Corta Buena Larga

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:

900 P(A B) P ( A / B ) 1000 942 P(B) 1000

24

Probabilidad condicional e independencia

En un proceso se elaboran latas de aluminio, la probabilidad de:

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

Si selecciona una barra del espacio muestral

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:

P(larga) = P(larga/delgada) P(A) = P(A/B) P(B) = P(B/A)

26

Eventos independientes

Dado que A y B son eventos independientes:

P ( A / B) P ( A B) P(B) P ( A B ) P ( B) * P ( A / B )

Antes se encontr que para eventos independientes se cumple:

P(A) = P(A/B) P(B) = P(B/A)

La ecuacin anterior se expresa como:

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

La probabilidad de extraer una pelota de madera es:

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

Entonces la probabilidad de que una pelota blanca sea de madera es:

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

Ley de probabilidad total

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

Ley de probabilidad total

cul es la probabilidad que un automvil elegido aleatoriamente falle en la prueba de emisiones? En este caso se tiene:

P(MP)=0,45 P(MM)=0,35 P(MG)=0,20

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)

Antes se demostr que

P(AB)=P(A)*P(B/A)

32

Ley de probabilidad total

De la relacin Eventos independientes:

P(AB)=P(A)*P(B/A)

La probabilidad de falla se puede expresar como:

P(F)=P(MPF)+P(MMF)+P(MGF)

Donde:

P(MPF) = P(MP)*P(F/MP) P(MMF) = P(MM)*P(F/MM) P(MGF) = P(MG)*P(F/MG)

Resultando:

P(F)= P(MP)*P(F/MP)+P(MM)*P(F/MM)+P(MG)*P(F/MG) P(F)= 0,45*0,10+0,35*0,12+0,20*0,15 = 0,117

Anlisis mediante el diagrama de rbol

33

Teorema de Bayes

Permite calcular una de las probabilidades condicionales si se conoce la otra.

P ( Ak / B ) P ( Ak ) * P ( B / Ak )

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 )

0,45 * 0,10 0,385 0,45 * 0,10 0,35 * 0,12 0,20 * 0,15

34