Académique Documents
Professionnel Documents
Culture Documents
Matias Carrasco
mcarrasco@fing.edu.uy
2015-3-9
n(A) = el n
umero de ocurrencias de A.
n(B) = el n
umero de ocurrencias de B.
n(A B) = el n
umero de ocurrencias de A B.
Ejemplo
Supongamos que queremos saber si hay una relaci
on entre exonerar
Probabilidad y Estadstica y ser de Pe
narol (por decir algo!).
El curso de Probabilidad y Estadstica tiene n estudiantes.
Podemos pensar que el curso se realiza n veces, y que cada vez hay un
solo estudiante. Nos interesan los eventos:
I
A = el estudiante exonera, y
B = el estudiante es de Pe
narol.
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
n(AB)
Queremos comparar n(A)
n con n(B) . De los datos oficiales de la
facultad resulta:
n(A)
n(A B)
0.347 y
0.681
n
n(B)
La probabilidad de que exoneren, dado que son de Pe
narol, es el doble!
Probabilidad Condicional
Cuando el n
umero de veces n que realizamos el experimento se va a
infinito, obtenemos
p(A|B) := lim
n+
n(A B)
n(B)
n(AB)
n
n+ n(B)
n
= lim
p(A B)
.
p(B)
Definicion
Sea (, A, P) un espacio de probabilidad. Sean A, B A dos eventos,
con P(B) > 0. Definimos la probabilidad condicional de A dado B
como
P(A B)
P(A|B) =
.
P(B)
Representa la probabilidad que tiene A cuando se sabe que B ocurre.
Ejemplo
Un cuadro de datos de clima se indica con LL los das en los que llovio
de manera moderada o intensa y con E los das en que predominaron
los vientos del Este.
Vientos
E
No E
Total
LL
65
44
109
No LL
21
860
881
Total
86
904
990
Demostracion
I
nN
Observaciones
I
n
X
P(A|Bi )P(Bi )
i=1
Demostracion
I
Notar que = B1 B2 Bn .
Luego A = A = (A B1 ) (A B2 ) (A Bn ).
Calculamos
P(A) = P
n
[
!
(A Bi )
i=1
n
X
i=1
P(A Bi ) =
n
X
i=1
P(A|Bi )P(Bi ).
Ejemplos
Ejemplo I
Tenemos 5 cajas con productos de una cierta industria.
I
La u
ltima caja contiene 6 productos buenos.
Ejemplo II
En cierta poblaci
on hay un 30% de fumadores. Se sabe que la
probabilidad de enfermarse de cancer de pulm
on es igual a
I
Formula de Bayes
Teorema
Sean B1 , . . . , Bn eventos incompatibles dos a dos, los u
nicos posibles, y
con probabilidades positivas. Sea A un evento con probabilidad positiva.
Entonces
P(Bk )P(A|Bk )
P(Bk |A) = Pn
i=1 P(Bi )P(A|Bi )
Demostracion
I
De la definici
on de probabilidad condicional: P(Bk |A) =
Por un lado:
P(Bk A) = P(Bk )P(A|Bk ).
Y por la f
ormula de la probabilidad total:
P(A) =
n
X
P(Bi )P(A|Bi ).
i=1
I
P(Bk A)
P(A) .
Ejemplos
Ejemplo I
En una primera urna se tienen 9 bolas blancas y 1 negra, y en una
segunda urna, 9 bolas negras y 1 blanca. Se elige al azar una urna, y de
ella, tambien al azar se extrae una bola.
Cual es la probabilidad de que la urna elegida haya sido la segunda,
dado que la bola extrada es blanca?
Ejemplo II
Supongamos que un test de drogas produce 99% verdaderos resultados
positivos para los consumidores de drogas y 99% verdaderos resultados
negativos para los no consumidores. Supongamos que el 0, 5% de las
personas son consumidores de la droga.
Si una persona elegida al azar resulta positivo, cual es la probabilidad de
que sea un consumidor?
Eventos independientes
Sean A y B dos eventos, con P(B) > 0. Tenemos tres posibilidades:
Definicion
Sea (, A, P) un espacio de probabilidad, y sean A, B A dos eventos.
Decimos que A y B son independientes si, y solo si, se cumple
P(A B) = P(A)P(B)
Ejemplos
Ejemplo I
Se lanza un dado dos veces consecutivas. Consideremos
I
Son A y B independientes?
Ejemplo II
El experimento consiste en elegir una carta al azar en una baraja de 52
cartas. Consideremos
I
Son A y B independientes?
Mas independencia!
Ejemplo III (Ejemplo de Bernstein)
El experimento consiste en lanzar un tetraedro cuyas caras estan pintadas
de la siguiente forma:
I
otra es verde,
Mostrar que:
I
Todava independencia...
Definicion
Sea (, A, P) un espacio de probabilidad. Sean A1 , A2 , . . . , An eventos de
A. Decimos que A1 , . . . , An son mutuamente independientes si
k
\
!
Aim
m=1
k
Y
P(Aim )
m=1
y tambien
P(A1 A2 A3 ) = P(A1 )P(A2 )P(A3 ).
n
\
k=1
!
Ak
n
Y
k=1
k1
\
P Ak
Aj
j=1
Hipergeometrica y Binomial
Experimento: tenemos una caja con N bolas, numeradas de 1 a N:
S = {s1 , s2 , . . . , sN },
de las cuales K son blancas y N K son negras.
Extraemos n bolas para formar una muestra ordenada.
Cual es el espacio muestral ?
I
Sin reposici
on:
SR = { = (1 , . . . , n ) : i S para todo i, y i 6= j si i 6= j}.
Con reposici
on
CR = { = (1 , . . . , n ) : i S para todo i}.
El espacio muestral es
SR = { = (1 , . . . , n ) : i S para todo i, y i 6= j si i 6= j}.
I
I
N!
.
(N n)!
Consideremos la funci
on X : SR R que a cada realizacion (i.e. a
cada muestra) SR asocia el n
umero de bolas blancas en la
muestra:
X (1 , . . . , n ) = #{i : i es blanca}.
Calculando P(X = k)
El evento que nos interesa es
{X = k} = {(1 , . . . , n ) : k de los i son blancas y n k son negras}.
Por un lado:
P(X = k) =
#{X = k}
casos favorables
=
.
casos posibles
#SR
z}|{
n
k
(K )k
| {z }
z
}|
{
(N K )nk
n
k
(K )k (N K )nk
.
(N)n
Re-agrupando terminos
A partir de la definici
on de combinaciones y arreglos:
n
k
(K )k (N K )nk
(N)n
K!
(N K )!
(N n)!
n!
=
k!(n k)! (K k)! (N K (n k))!
N!
K!
(N K )!
n!(N n)!
=
P(X = k) =
nk
N
n
Es decir:
P(X = k) =
z}|{
K
k
N
n
| {z }
z }| {
N K
nk
total de muestras
El orden no importa
Como la variable X no depende del orden, podramos haber modelizado
el experimento con
n
o
SR = {1 , . . . , n } subconjuntos de tama
no n
y obtener directamente: para cada k, con mn k Mn , tenemos
P(X = k) =
K
k
NK
nk
N
n
La distribuci
on obtenida en el caso sin reposici
on se llama
Hipergeometrica de parametros N, K y n.
En general, esto se escribe as:
X H(N, K , n)
El espacio muestral es
CR = { = (1 , . . . , n ) : i S para todo i}.
El n
umero total de muestras posibles es
#CR = ARnN = N n .
Consideremos la funci
on X : CR R que a cada realizacion (i.e. a
cada muestra) CR asocia el n
umero de bolas blancas en la
muestra:
X (1 , . . . , n ) = #{i : i es blanca}.
Calculando P(X = k)
El evento que nos interesa es
{X = k} = {(1 , . . . , n ) : k de los i son blancas y n k son negras}.
Por un lado:
P(X = k) =
#{X = k}
casos favorables
=
.
casos posibles
#CR
z}|{
n
k
K
|{z}
z
}|
{
(N K )nk
Re-agrupando terminos
Haciendo cuentitas:
k
n K (N K )nk
P(X = k) =
k
Nn
k
n K (N K )nk
=
k
N k N nk
nk
k
K
n
K
1
=
N
N
k
Es decir, poniendo p =
K
N
obtenemos:
n k
nk
P(X = k) =
p (1 p)
k
Interpretacion de la binomial
I
El valor de p = K
N [0, 1] es la probabilidad de sacar una bola
blanca en un intento.
Si llamamos un exito a obtener una bola blanca, la variable X
cuenta el n
umero de exitos en la realizaci
on de n intentos,
mutuamente independientes.
Si escribimos 1 cuando sale una bola blanca y 0 cuando no,
podemos pensar el espacio muestral como
= {(1 , . . . , n ) : para todo i, i = 0 o 1}
y la variable X cuenta el n
umero de unos en dicha secuencia, y vale
que
n k
nk
P(X = k) =
p (1 p)
, 0 k n.
k
La distribuci
on obtenida en el caso con reposici
on se llama
Binomial de parametros n y p.
En general, esto se escribe as:
X Bin(n, p)
N ,
n es fijo,
y que p =
K
N
K
k
NK
nk
N
n
K!
(N K )!
(N n)!
n!
n K (K 1)(K k+1)(NK )(NK 1)(NK (nk)+1)
k
N(N1)(Nn+1)
Llamemos:
I
A = K (K 1) (K k + 1),
B = (N K )(N K 1) (N K (n k) + 1), y
C = N(N 1) (N n + 1).
n k
p (1 p)nk
k
Observaciones
I
Resumiendo
La distribuci
on Binomial corresponde a contar el n
umero de exitos
en n intentos independientes de un suceso de probabilidad p.
La distribuci
on Hipergeom
etrica corresponde a contar tambien
exitos, pero los intentos ya no son independientes, puesto que al
no haber reposici
on, cada extracci
on condiciona a las siguientes.
El espacio muestral es
m = { = (1 , . . . , n ) : i S para todo i,
con n blanca y en total m de las n son blancas}
El n
umero elementos de m es
#m =
Consideremos la funci
on X : m N que a cada realizacion
m asocia el n
umero de intentos n hasta obtener m blancas:
X (1 , . . . , n ) = n.
1 es blanca
1 es negra, 2 es blanca
1 es negra, 2 es negra, 3 es blanca
1 es n, 2 es n, 3 es n, 4 es b
1 es n, 2 es n, 3 es n, 4 es n, 5 es b
..
.
1 es n, 2 es n, . . ., n1 es n, n es b
Probabilidad
K
N
NK K
N N
NK 2 K
N N
NK 3 K
N N
NK 4 K
N
N
..
.
NK n1
N
K
N,
N K
N
n1
K
= (1 p)n1 p
N
K
N
m+2
..
.
m+k
1 es b, 2 es b, . . ., m es b
1 es n, 2 es b, . . ., m+1 es b
1 es b, 2 es n, . . ., m+1 es b
..
.
1 es b, 2 es b, . . ., m es n, m+1 es b
1 es n, 2 es n, 3 es b, . . ., m+2 es b
1 es n, 2 es b, 3 es n, . . ., m+2 es b
..
.
..
.
1 es n, . . ., k es n, k+1 es b, . . ., k+m es b
..
.
Probabilidad
K m
N
NK
K m
N N m
NK
K
N N
..
.
K m
NK
N N
NK 2
K m
N N
2
m
NK
K
N
N
..
.
..
.
m
NK k
K
N
N
..
.
z }| {
n1
m1
P(X = n) =
y poniendo p =
K
N
N K
N
nm
K
N
m
nos queda
n1
(1 p)nm p m
m1
Una proporci
on p de las excavaciones realizadas son exitosas y
obtienen muestras del mineral,
Estimando el presupuesto
Si calculamos el menor k que cumpla
P(X k) 0.95
entonces con mas de 95% de chances, el costo de las excavaciones sera
1000k.
Resumiendo
Y aqu, se cuenta cuanto tiene que ser la muestra para lograr una
cantidad dada de exitos, en ensayos independientes de un
determinado experimento.
La distribucion de Poisson
Modelizando un cielo estrellado
Supongamos que elegimos al azar una regi
on del cielo, por ejemplo un
cuadrado de lado 1.
Queremos hacer un modelo en el que podamos calcular la probabilidad de
que en dicha regi
on haya un cierto n
umero de estrellas.
Fijamos n bien grande, y dividimos el cuadrado en N = n2 cudraditos
mas chicos, todos del mismo tama
no.
Lo dividimos en n
segmentos iguales
qN = 1 N
de salir n
umero
Recordar que N = n2 es bien grande, por lo que p [0, 1]. Si sale cara
ponemos una estrella en el cuadradito.
Suponemos que los lanzamientos de la moneda son independientes.
Sea XN el n
umero de cuadraditos que tienen una estrella. Entonces
XN Bin(N, pN )
Es decir, que para 0 k N, tenemos
N
P(XN = k) =
(1 p)Nk p k
k
Haciendo N
Qu
e pasa cuando N ?
Fijamos k y hacemos cuentas:
Nk k
N
N
Nk k
P(XN = k) =
(1 p)
p =
1
N
N
k
k
Nk k
N!
1
=
k!(N k)!
N
N
"
#
N
k
k
1
1
=
N(N 1) (N k + 1) 1
k
k!
N
N
1
N
N(N 1) (N k + 1) N k ,
N
1 N
e ,
k
1 N 1.
Haciendo N
Luego
P(XN = k)
k k
N
k!
1
N
1
Nk
de donde
lim P(XN = k) =
N+
k e
k!
k e
k!
Interpretacion de
= Area(C ).
n2
Luego
=
lim
Area(C )0
Accidentes de trafico
Sea Xn el n
umero de segmentos que tienen un accidente. Entonces
Xn Bin(n, pn )
La misma cuenta que antes nos permite mostrar que para todo k N:
lim P(Xn = k) =
n+
(T )k e T
k!
Si X es el n
umero de accidentes en T das, tenemos
X Poiss(T ) ,
es una Poisson de intensidad = T .
Ejemplo
Teorema
Para cada n N, sea Xn Bin(n, pn ). Suponemos que
pn =
,
n
k
e .
k!
Observacion
Este teorema suele usarse para aproximar una Binomial mediante una
Poisson cuando n grande y p es chico. En general, cuando
p < 0.1 y np 1,
la distribucin Bin(n, p) puede aproximarse por una distribucin de Poisson
de parmetro = np.