Académique Documents
Professionnel Documents
Culture Documents
PROBABILIDAD Y
ESTADISTICA
PRINCIPIOS DE PROBABILIDAD
Mtro. Isidro R. Montoro
irodrguezm@itsm.edu.mx
PARTE I
PRINCIPIOS DE PROBABILIDAD
PROBABILIDAD
Enfoques de la
probabilidad
Reglas de la
probabilidad
rboles de
probabilidad
Frecuencia
relativa
Regla de la
suma
Subjetivo
Regla de la
multiplicacin
Clsico
Teorema de
Bayes
Probabilidad
condicional
Tcnicas
combinatorias
Permutaciones
Combinaciones
1. FUNDAMENTOS DE PROBABILIDAD
1.1 Conceptos bsicos y campo de
aplicacin de la probabilidad
1.1.1 El concepto de incertidumbre
Tiempo t para
gestar un ser
humano
t=?
Figura 1.1 Proceso con incertidumbre
Tiempo t en
segundos para
gestar para la
cada de un
objeto desde h
metros
Figura 1.2 Proceso sin incertidumbre
Taxonoma de la incertidumbre
Nivel de
compljidad
Tipo de
incertidumbre
Determinismo
Aleatoridad
Vaguedad e
imprecisin
Ambigedad
Confusin
Descripcin
Completo conocimiento del proceso bajo estudio
Se conocen los posible resultados del proceso bajo estudio pero no sus causas,
o, aunque se conocen las causas y los resultados, no es capaz de establecer una
descripcin determinstica del proceso.
Incapacidad para definir en forma clara o precisa una clasificacin de las
observaciones para las causas o resultados. En trminos lingisticos se
denomina vaguedad y enterminos numricos impresin.
Aunque existe una clasificacin de las caausas y resultados se es incapaz de
asignar algunas observaciones a ellas (no especificidad)
Rene caractersticas de vaguedad y ambigedad.
EJEMPLO
Entrada
Proceso
Observar o
medir las
personas
Salida
Alto
Medio
Bajo
Determinismo:
Aleatoriedad:
Vaguedad e imprecisin: Cules valores pertenecen a cada categora lingstica (Alto, Medio, Bajo)? Una persona con
una estatura de 1.49 es Baja o Media?
Ambigedad:
Confusin:
AZAR Y ALEATORIEDAD
El trmino azar se refiere a la ausencia de causa o explicacin
Se aplica a:
1
Aquella situacin en la cual no se conocen las causas que producen un evento dado
Aquella situacin en la cual, auque se conocen las causas que producen un evento dado,
no puede explicarse ms que por intervencin del azar.
El trmino aleatoriedad se refiere a aquella situacin en la cual la ocurrencia de un
evento dado no puede explicarse ms que por intervencin del azar.
Aunque se conozcan las causas y los resultados no es capaz de establecer una ley o
relacin determinstica permanente entre ellos.
POSIBILIDAD Y PROBABILIDAD
El trmino posibilidad se refiere al conocimiento o creencia de que un evento dado
puede existir u ocurrir.
Grado de posibilidad
Probabilidad
0.0
0.1
Total incertidumbre
sobre la ocurrencia
del evento
Total certidumbre
sobre la ocurrencia
del evento
P(suceso cierto) = 1
P(suceso imposible)=0
Propiedades de la probabilidad
1. 0 P(Ei) 1
2. P(Ei) = 1
Frecuencia relativa
ENFOQUES DE LA
Clsico
PROBABILIDAD
Subjetivo
Enfoque de la frecuencia relativa
En el mtodo de la frecuencia relativa se utilizan datos obtenidos en observaciones empricas. Se tiene en cuenta la frecuencia con que ha ocurrido un suceso en
nacido siguiente (o cualquier recin nacido tomado al azar) sea una nia es:
Enfoque subjetivo
Este enfoque exige que asignemos la probabilidad de cualquier suceso
basndose en las mejores pruebas disponibles. El enfoque subjetivo se utiliza
para asignar una probabilidad a un suceso que no ha ocurrido nunca.
Un ejemplo podra ser la probabilidad de que una mujer sea elegida para
gobernar el Estado de Veracruz.
Actividad #4: Mencione dos ejemplos del enfoque subjetivo.
Enfoque clsico
El enfoque clsico es el que ms a menudo se relaciona con los juegos de azar.
La probabilidad clsica de un suceso E viene determinada por:
Enfoque clsico
La probabilidad clsica implica determinar a priori (antes del hecho) la probabilidad
de un suceso.
Ejemplos
1. La probabilidad de obtener sol de un solo lanzamiento al aire de una moneda
equilibrada es:
Resultados
del segundo
dado
1
2
3
4
5
6
1
2
3
4
5
6
7
2
3
4
5
6
7
8
5
6
7
8
9
10
11
6
7
8
9
10
11
12
Resultados
del segundo
dado
1
2
3
4
5
6
1
2
3
4
5
6
7
2
3
4
5
6
7
8
5
6
7
8
9
10
11
6
7
8
9
10
11
12
Resultados
del segundo
dado
1
2
3
4
5
6
1
2
3
4
5
6
7
2
3
4
5
6
7
8
5
6
7
8
9
10
11
6
7
8
9
10
11
12
ACTIVIDAD 5
1. De 75 personas que solicitan un trabajo, 20 no son de bachillerato. Si se elige al
azar a una persona, a) Cul es la probabilidad de que no sea de bachillerato?
b) Qu enfoque de la probabilidad ha utilizado para contestar?
2. Qu enfoque utilizara para determinar la probabilidad de que se sequen los
embalses que suministran agua a toda la costa Oeste? por qu piensa que
sera este enfoque el adecuado?
3. En los ltimos das laborales, Ral ha estado enfermo 120 das, Cul es la
probabilidad de que ste enfermo hoy?
NOTACIN DE CONJUNTOS
Conceptos bsicos de la teora de conjuntos
Utilizaremos letras maysculas, A, B, C, . . . , Z para indicar los
conjuntos de puntos.
Los elementos de un conjunto dado lo denotaremos con letras
minsculas (no necesariamente deben ser letras), as por ejemplo,
los elementos de un conjunto A son a, b, c, d, e, escribiremos
A = {a, b, c, d, e}
INTERSECCION
DIAGRAMA DE VENN
AB
COMPLEMENTO
El complemento de un conjunto respecto al universo U es el conjunto de elementos
de U que no pertenecen a A y se denota como A' y que se representa por
comprehensin como: Ac={ x U/x y x A }
Ejemplo: Sea U = { 1, 2, 3, 4, 5, 6, 7, 8, 9 }
A= { 1, 3, 5, 7, 9 } donde A U
DIFERENCIA
Sean A y B dos conjuntos. La diferencia de A y B se denota por A-B y es el conjunto
de los elementos de A que no estn en B y se representa por comprehensin como:
A - B=A\B={ x/x A ; X B }
B - A = B\A={ x/x B ; X A}
Ejemplo: Sea A= { a, b, c, d } y B= { a, b, c, g, h, i }
A B= { d }
B A = { g, h, i }
DIFERENCIA SIMTRICA
La diferencia simtrica de los conjuntos A y B representada por AB, consiste en
aquellos elementos que pertenecen a A o a B:, pero no a ambos. Es decir,
AB =(A\B)(B\A)
AB
1b. A
Leyes asociativas
2a. (ACC)
2b. (ACC)
Leyes conmutativas
3a. A
3b. A
Leyes distributivas
4a. AC)C)
4a. A(BC)=(AB)(AC)
Leyes de identidad
5a. A
6a. AU=U
5b. AU=A
6b. A
Leyes de involucin
7. (Ac)c = A
Leyes de complemento
8a. A U
8b. AA =
9a. U =
9b. U
Leyes de Morgan
10a. (AUB)c=AcBc
10a. (AB)c=AcUBc
REGLAS DE LA PROBABILIDAD
REGLA DE LA MULTIPLICACIN
Se utiliza para determinar la probabilidad conjunta de A y B equivalentemente
(AB).
Si se utiliza y multiplicamos
P (AB)=P(A)P(B)
REGLA DE LA SUMA
Se utiliza para determinar la probabilidad de A o B equivalentemente (AB)
Si se utiliza o sumamos
La regla de la suma establece que:
P(AB)=P(A)+P(B)P(AB).
PROBABILIDAD CONDICIONAL
P( A B)
P( A | B)
P( B)
NOTACIN:
P(B | A)
<<Probabilidad de B dado A>>
P( B A)
P( B | A)
P( A)
Tamao
Grande
Medio
Pequeo
Total
Material de la montura
Plstico
Metal
Mixto
Total
12
25
23
31
55
6
41
6
45
8
14
20
100
Material de la montura
Plstico Metal
Mixto
Tamao
Total
Grande 12/100=0.12 8/100=0.08 5/100=0.05 25/100=0.25
Medio 23/100=0.23 31/100=0.31 1/100=0.01 55/100=0.55
Pequeo 6/100=0.06 6/100=0.06 8/100=0.08 20/100=0.20
Total
Los valores del margen inferior y del margen derecho indican probabilidades
marginales
RBOLES DE PROBABILIDAD
Cuando se tiene que hallar las probabilidades de varios sucesos conjuntos,
suele ser til dibujar un rbol de probabilidades.
Para tener una idea clara de cmo construir un diagrama de rbol manejemos el
siguiente ejemplo:
Paola tiene un pantaln y una falda para combinar con cuatro blusas de color (B,
V, A, R) y decide mostrarse en el espejo para ver que combinacin es la mejor:
B
V
A
Pantaln
R
Falda
B
V
A
R
Los diagramas de rboles son importantes por que nos ayudan a tomar
mejores decisiones en campos tan diversos como:
Produccin
Control de Calidad
Manufactura
Estudios de Mercado
etc.
Lnea de montaje
Se extrae la primera unidad
D2=0.15
Suceso A
D1& D2=(0.15)(0.15)=0.0225
Suceso B
D1=0.15
D2
C =0.85
D2=0.15
D1C =0.85
Suceso C
D1C & D2 =(0.85)(0.15)=0.1275
Suceso D
D2C =0.85
OBSERVACIONES:
EJEMPLO:
El diagrama de rbol del centro ptico de la Sra. Elena aparece en la
siguiente figura. Las probabilidades de los tamaos se toman de la
probabilidades marginales. Por ejemplo, la probabilidad de grande es
25/100. P(G)=25/100.
Tamao
Grande
Medio
Pequeo
Total
Material de la montura
Plstico Metal
Mixto
Total
12
25
23
31
55
6
41
6
45
8
14
20
100
Tamao
Material de la montura
Plstico Metal
Mixto
Tamao
Total
Grande 12/100=0.12 8/100=0.08 5/100=0.05 25/100=0.25
Medio
23/100=0.23 31/100=0.31 1/100=0.01 55/100=0.55
Pequeo 6/100=0.06 6/100=0.06 8/100=0.08 20/100=0.20
Total
Material
P=Plstico
W=Metal
L=Grande
M=Medio
C=Mixto
P=Plstico
W=Metal
C=Mixto
P=Plstico
S=Pequeo
W=Metal
C=Mixto
Tamao
Grande
Medio
Pequeo
Total
Material de la montura
Plstico Metal
Mixto
Total
12
25
23
31
55
6
41
6
45
8
14
20
100
Tamao
Material
P(P|L)=12/25
P(LP)=(25/100)x(12/25)=0.12
P(W|L)=8/25 P(LW)=(25/100)x(8/25)=0.08
L=Grande (0.25)
P(C|L)=5/25
P(P|M)=23/55
M=Medio (0.55)
S=Pequeo(0.20)
P(LC)=(25/100)x(5/25)=0.05
P(MP)=(55/100)x(23/55)=0.23
P(W|M)=31/55 P(MW)=(55/100)x(31/55)=0.31
P(C|M)=1/55
P(MC)=(55/100)x(1/55)=0.01
P(P|S)=6/20
P(SP)=(20/100)x(6/20)=0.06
P(W|S)=6/20 P(SW)=(20/100)x(6/20)=0.06
P(C|S)=8/20
Probabilidades
Probabilidades
marginales
condicionales
P(SC)=(20/100)x(8/20)=0.08
Probabilidades conjuntas
Tamao
Grande
Medio
Pequeo
Total
Material de la montura
Plstico Metal
Mixto
Total
12
25
23
31
55
6
41
6
45
8
14
20
100
Material
Tamao
P(L|P)=12/41
P(PL)=(41/100)x(12/41)=0.12
P(M|P)=23/41 P(PM)=(41/100)x(23/41)=0.23
P=Plstico (0.41)
P(S|P)=6/41
P(L|W)=8/45
W=Metal (0.45)
P(PS)=(41/100)x(6/41)=0.06
P(WL)=(45/100)x(8/45)=0.08
P(M|W)=31/45 P(WM)=(45/100)x(31/45)=0.31
P(S|W)=6/45
P(L|C)=5/14
C=Mixto(0.14)
P(WS)=(45/100)x(6/45)=0.06
P(CL)=(14/100)x(5/14)=0.05
P(M|C)=1/14 P(CM)=(14/100)x(1/14)=0.01
P(S|C)=8/14
Probabilidades
Probabilidades
marginales
condicionales
P(CS)=(14/100)x(8/14)=0.08
Probabilidades conjuntas
Tamao
Material
D
D
DC
DC
DC
2.- Si P(A) = 1/3, P(B) = y P(AB) = 1/10, calcular las probabilidades siguientes:
a)
b)
c)
d)
e)
f)
P(A|B)
P(B|A)
P(A| AB)
P(AB|B)
P(AB / AB)
P(AC/B)
Solucin
P( A B) 1/10 2
P( A / B)
P( B)
1/ 4 5
P( A B) 1/10 3
P( B / A)
P( A)
1/ 3 10
P( A A B) P( A B)
P( A / A B)
1
P( A B)
P( A B)
P( A B B) P( A B) 1/10 2
P( A B / B)
P( B)
P( B)
1/ 4 5
P( A B / A B)
P(( A B) ( A B) P( A B)
1
P( A B)
P( A B)
P( A / B) 1 P( A / B) 1 2/5 3/5
C
El espacio muestral para este suceso estar formado por todas las posibles
cartas de la baraja de 52 cartas. Sabemos que hay 4 palos
(T = trboles, D = diamantes, P = picas y C = corazones) con
13 cartas de cada palo (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, jota, reina, rey).
El espacio muestral podr representarse por los 52 puntos siguientes:
ESPACIO MUESTRAL
T
D
P
C
10
10
Casosfavorables
N o de ases en la baraja
4 1
P(as)
o
Casosposibles N total de cartas en la baraja 52 13
10
Casosfavorables 1
P( JC )
Casosposibles
52
T
D
P
C
10
Casosfavorables 2
P(3T 6 D)
Casosposibles
52
T
D
P
C
10
Casosfavorables 13 1
P(C )
Casosposibles
52 4
e. El suceso extraccin de cualquier palo excepto corazones es el
complementario del anterior, luego la forma ms rpida de calcular su
probabilidad es la siguiente:
1 3
P(C ) 1
4 4
C
T
D
P
C
10
Casosfavorables 16 4
P(10 P)
Casosposibles
52 13
Casosposibles
52 52 13
4.- Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas,
4 bolas blancas y 5 bola azules. Hallar la probabilidad de los siguientes sucesos:
Que la bola sea roja
Que la bola no sea azul
Que la bola sea roja o blanca
Que la bola no sea ni roja ni blanca
Podemos representar el espacio muestral de la forma siguiente:
R
B
A
R
B
A
R
B
A
R
B
A
R
A
R
B
A
R
B
A
R
B
A
R
B
A
Casosfavorables No.debolasrojasenlacaja
P( R)
Casosposibles
No.totaldebolasenlacaja
6 2
15 5
Casosfavorables
5
1 2
P( A ) 1 P( A) 1
1 1
Casosposibles
15
3 3
C
El suceso extraccin de bola roja o blanca tiene los siguientes casos favorables
R
B
A
R
B
A
R
B
A
R
B
A
Casosfavorables 10 2
P( R B)
Casosposibles
15 3
2 1
P( R B ) P(( R B) ) 1 P( R B) 1
3 3
C
Teorema de Bayes
Si los sucesos Ai son una particin y B un suceso tal que p(B) 0
A1 A2 ... An = W y Ai Aj = i j
es decir un conjunto de sucesos mutuamente excluyentes y que cubren todo
el espacio muestral
PROPIEDADES DE LA PROBABILIDAD
1) p(Ac) = 1 - p(A)
Ac representa el suceso complementario de A, es decir el formado
por todos los resultados que no estn en A.
2) A1 A2 p(A1) p(A2)
3) p() = 0
4) p(A) 1
Ejemplo
Un 15% de los pacientes atendidos en un hospital son hipertensos,
un 10% son obesos y un 3% son hipertensos y obesos.
Qu probabilidad hay de que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A B = {hipertenso y obeso}
A B = {obeso o hipertenso}
p(A) = 0,10; p(B) = 0,15; p(A B) = 0,03
p(A B) = 0,10 + 0,15 - 0,03 = 0,22
Ejemplo
La prevalencia de infarto cardaco para hipertensos es del 0,3%
y para no hipertensos del 0,1%. Si la prevalencia de hipertensin
en una cierta poblacin es del 25% Cul es la prevalencia del infarto
en esa poblacin?
Teorema de Bayes
Si los sucesos Ai son una particin y B un suceso tal que p(B) 0
E2 :cncer de pulmn;
E3: bronquitis obstructiva; etc.
TCNICAS COMBINATORIAS
En ocasiones el trabajo de enumerar los posibles sucesos que ocurren
en una situacin dada se convierte en algo difcil de lograr o, simplemente,
tedioso. El anlisis combinatorio, o clculo combinatorio, permite enumerar
tales casos o sucesos y as obtener la probabilidad de eventos ms complejos.
Los mtodos para determinar cuantos subconjuntos se pueden obtener
de un conjunto de objetos de denominan tcnicas combinatorias.
En el caso de que existan ms de un suceso a observar, habra que contar
el nmero de veces que pueden ocurrir todos los sucesos que se desean
observar, para ello se utiliza el principio fundamental de conteo:
Pnr = nPr =
El Excel cuenta con la funcin PERMUTACIONES(n,r) que realiza el clculo.
Combinaciones
Es una seleccin de r objetos de n dados sin atender a la ordenacin de los mismos.
Es decir, es la obtencin de subcojuntos, de r elementos cada uno, a partir de un
conjunto inicial de n elementos. La denotaremos con
Cnr,
nCr