Académique Documents
Professionnel Documents
Culture Documents
FCE-UNCuyo
ESTADSTICA 2013
UNIDAD N 1
PROBABILIDAD
1.- INTRODUCCION
Los juegos de azar (el astrgalo, los dados,etc.) se remontan al alba de las primeras civilizaciones. Se jugaba a los dados en Egipto hacia el 3500 antes de nuestra era. Eran juegos
o prcticas religiosas de adivinacin?.
El azar es entendido como causa desconocida, es el que ocasiona sucesos inesperados o extraos, y que a veces surge a travs de fuerzas incontroladas de origen mgico
o divino.
Durante el primer milenio, la influencia en Europa de la religin cristiana interrumpe toda especulacin sobre el azar, incompatible con el dogma sobre el poder divino y los
juegos de azar fueron condenados por la Iglesia.
La bsqueda de relaciones matemticas es apoyada por los nobles que buscan una
forma de ganar en sus apuestas. La idea de probabilidad surge en el siglo XVIII. As es
como Pascal y Fermat, entre otros, comienzan a esforzarse para encontrar leyes que expliquen los juegos de azar. Por otra parte, los problemas iniciales de naturaleza probabilstica
se originaron en diversos campos del comportamiento humano.
Al margen de estas ideas de probabilidad, durante los siglos XVIII y XIX los economistas, las compaas de seguros, los demgrafos, etc., haban desarrollado tcnicas de
recuentos, de ordenacin, etc., de lo que actualmente se conoce como estadsticas. Como
consecuencia de esto surge inmediatamente la idea de regularidad estadstica en el sentido
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
de que en poblaciones muy grandes la mayora de los ndices construidos tendan a mantenerse constantes.
El paso ms importante que se da ms adelante es la vinculacin entre la regularidad de las estadsticas y la de los juegos de azar en el sentido de que existe una base comn
entre una gran poblacin y una serie de repeticiones de un juego de azar.
Todo este proceso histrico apoyado por el desarrollo de la matemtica y muy especialmente por la formulacin de la teora de la medida culmina con la teora axiomtica de
Kolmogorov en 1933. Este clebre matemtico ruso crea la teora axiomtica de la probabilidad independientemente de las diferentes concepciones histricas y filosficas. No obstante, esta teora permite resolver en la prctica todos los problemas planteados y resueltos
por los diferentes enfoques histricos y adems otros que a los que las teoras anteriores no
pudieron dar una respuesta satisfactoria. La teora probabilstica de Kolmogorov y sus sucesores construye el cimiento cientfico de lo que en este siglo ha dado en llamarse la Estadstica.
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Un experimento no aleatorio o determinstico es un experimento en el que se conoce exactamente el resultado. Por ejemplo si se suelta un objeto en el aire y se observa si
se cae o no, el resultado es obviamente que se cae.
Ejemplo 1
En el experimento de arrojar un dado legal y observar el resultado, el espacio muestral es:
S = {1,2,3,4,5,6}
Ejemplo 2
Si se est interesado en la distribucin de las edades de los habitantes de una ciudad y se
considera el experimento de observar la edad de uno de sus individuos, entonces puede
considerarse como espacio muestral.
S = conjunto de los nmeros reales no negativos o bien S = [0, a ]
donde a es nmero real tal que en este intervalo queden comprendidas las edades de todos
los habitantes de la ciudad.
Un espacio muestral puede ser discreto o continuo. Un espacio muestral es discreto si contiene: 1) un nmero finito de puntos, 2) un nmero infinito de puntos (infinito
numerable) que pueden ponerse en correspondencia uno a uno con los nmeros naturales.
Como en el Ejemplo 1.
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
2.3.- SUCESO
Cada punto del espacio muestral es un resultado posible del experimento. El trmino suceso est vinculado al concepto de experimento aleatorio.
Otro suceso sera por ejemplo que salga un nmero menor que 7 ; en este caso
el suceso est formado por todos los elementos del espacio muestral; o sea es el mismo
espacio muestral S. A este suceso se lo llama suceso seguro.
Suceso
Suceso elemental
S1 = {s1 }; S 2 = {s 2 }
Suceso compuesto
A = {2,4,6}
Suceso imposible
A = ={ }
Suceso cierto
A=S
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
P ( A) =
A = {2,4,6} ;
P ( A) =
3
= 0.5
6
Del concepto clsico de probabilidad surge que la probabilidad le asigna a un suceso un nmero real entre 0 y 1.
Luego la probabilidad de que salga un resultado par en el experimento del dado es
0.5 o, en trminos de porcentajes, el 50%.
Intuitivamente en el caso del dado esto significa que: no hay razones para suponer
que si nos preguntramos por la probabilidad de cada una en particular de las caras del dado (por ejemplo, por la probabilidad de que salga el nmero 5) ella sera distinta. En otras
palabras, contamos con un dado legal.
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Sin embargo, si no podemos suponer que "todas las caras tienen la misma posibilidad de aparecer hacia arriba" o en otras palabras no podemos calcular la probabilidad
en forma clsica, si arrojamos una gran cantidad de veces (n veces con n grande) la moneda, entonces esta proporcin puede no aproximarse a 1/2 pero se aproximar a la proporcin correspondiente a su "peso" entre los posibles resultados.
P ( A) = lim
n >
.
6
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Para ilustrar esta idea se puede simular la situacin de lanzar una moneda legal un
nmero grande de veces y ver a qu nmero se aproxima la frecuencia relativa de obtener
cara o sello.
3.2.1.-EXPERIENCIA
Se lanza una moneda legal 10, 100, 1000 y 10000 veces. En cada caso se cuenta el nmero de caras y de sellos obtenidos y se calcula la frecuencia relativa correspondiente.
Los resultados obtenidos se muestran en la tabla siguiente,
cara
sello
10
0.4
0.6
100
0.47
0.53
1000
0.469
0.504
10000
0.49987
0.50013
Tanto el concepto clsico como el concepto frecuencial de probabilidad resultan casos particulares de una teora ms general, basada en el concepto axiomtico de la probabilidad.
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
i) P (S ) = 1
ii) Para cualquier sucesin
(A A
i
{An }
= , i j ) se verifica:
P An = P ( An )
n =1 n =1
3.3.2.-OBSERVACIONES
1. La funcin probabilidad tiene como dominio una familia de conjuntos.
2. A cada elemento del conjunto de las partes de S, P(S), la funcin P le asigna un nmero real entre 0 y 1.
3. En ii)
gente.
4. Tal como se ha definido, pareciera que la funcin probabilidad es un concepto demasiado abstracto como para asociarlo con el concepto clsico, sin embargo, veremos mas
adelante, que, bajo ciertas condiciones, esta definicin coincide con la clsica.
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Propiedad 1: P(
) = 0.
= ....
As, el conjunto vaco puede escribirse como una unin numerable de conjuntos
disjuntos dos a dos. Luego, por el axioma ii) de probabilidad, resulta:
P ( ) = P ( ) o, lo que es lo mismo,
n =1
P ( ) = lim n P ( )
n
Sabemos que P( ) tiene que ser cero o un nmero positivo (menor que uno).
Supongamos que P( ) = a > 0 . Entonces la expresin anterior resulta:
P ( ) = lim a n = a lim n = + lo cual es un absurdo!!.
n +
n +
Luego,
P( ) = 0
n n
P Ai = P ( Ai )
i =1 i =1
Utilizando los sucesos disjuntos dos a dos dados: A1, A2, ........, An y el conjunto vaco, definimos una sucesin de conjuntos disjuntos dos a dos de la siguiente manera:
A , si k n
Bk = k
k , si k >n
n
Evidentemente,
Ak = Bk
k =1
k =1
n
P Ak = P Bk
k =1
k =1
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
n
P Ak = P Bk = P(Bk ) = P(Bk ) + P(Bk )
k =1 k =1 k =1
k =1
k = n +1
( )
= P A + P( ) = P( Ak )
k k = n +1
k =1
k =1
n
Dado cualquier suceso A, el espacio muestral S puede expresarse como la unin disjunta: A A
junta:
B = (B - A) A.
10
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Sean, como en la propiedad anterior, A y B dos sucesos tales que: A B. B puede expresarse como la unin disjunta:
B = (B - A) A.
11
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
(1)
(2)
n
n
P Ak = P( Ak ) +( 1 ) P( Ai A j )+ ( 1 ) 2 P Ai1 Ai2 Ai3
k =1 k =1
1 i < j n
1 i1 < i2 < i3 n
3.4.1- INTRODUCCIN
Sea el experimento de lanzar un dado no cargado y observar la cara hacia arriba. Cul es
la probabilidad de obtener un nmero impar?.
El conjunto de resultados posibles de este experimento es S = {1, 2, 3, 4, 5, 6} . Al
ser un dado legal, para la funcin P: P(S) [0, 1], definida en el conjunto P(S), partes de
S, se conoce que todos los resultados del espacio muestral son igualmente probables es
lo mismo decir que el espacio muestral es equiprobable. En smbolos:
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = 1/6
12
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
P ( A) =
P ( A) =
3
6
1 1 1
P( A) = P({1} {3} {5}) = P({1}) + P({3}) + P({5}) = + +
6 6 6
P ( A) =
3
6
3.4.2- DEMOSTRACIN
El anterior es un ejemplo de un espacio finito equiprobable, es decir, un espacio de probabilidad en el que el espacio muestral S es finito:
S = {s1 , s 2 , L , s n } y la probabilidad es
13
L.A. C.P.N.
FCE-UNCuyo
Ya
ESTADSTICA 2013
que
P(S ) = P({s j }) = n a = 1
de donde a = 1/n
j =1
1
A = {s j1 , s j2 ,.....s jk } , entonces: P( A) = P({s jk }) = k
k
i =1
P(A) =
14
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Ejemplo 3
En el experimento de arrojar un dado legal y observar el resultado de la cara hacia arriba,
se podra requerir la probabilidad de que el resultado sea par si ya se sabe que es mltiplo
de 3.
Si es A el evento el resultado es par (A = {2, 4, 6}) , B el evento el resultado es
mltiplo de 3 (B = {3,6}) y ya se sabe que ocurri B, en realidad a los efectos del clculo
de la probabilidad no interesa el espacio muestral total sino slo B y, en este caso evidentemente, la probabilidad requerida es 1/2. Si se indica con A B al suceso ocurre A dado
que B ocurri, es:
P(A B ) =
P ( A B) 1 / 6
=
= 1/ 2
P( B)
2/6
Ejemplo 4
En el conjunto de todas las familias de una ciudad que tienen exactamente dos hijos se considera el sexo del hijo mayor y el del hijo menor y al resultado se lo indica con un par ordenado donde la primera componente es el sexo del primer hijo y la segunda, el sexo del
hijo menor. El espacio muestral es as: S = {(v,v) , (v,m), (m,v), (m,m)}.
Si S es un espacio equiprobable, cada par ordenado en S, pensado como un suceso,
tiene la misma probabilidad de ocurrir y ella es igual a 1/4.
Si se sabe que una familia tiene un hijo varn, Cul es la probabilidad de que ambos sean varones?
Sean los sucesos: A: los dos hijos son varones, A = {(v,v)} B: uno de los hijos
es varn, B ={(v,v) , (v,m), (m,v)}.
P(A B ) =
P ( A B) 1 / 4
=
= 1/ 3
P ( B)
3/ 4
15
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
P(A B) =
P( A B)
P( B )
con
P(B) 0
PB ( A) = P(A B) =
P( A B )
.
P( B)
(A A
i
{An }
P( S B ) P ( B)
=
=1
P( B )
P ( B)
= , i j ) entonces:
P U An B
n =1
PB An = P U An B =
n
=
1
P(B)
n =1
Por propiedad distributiva de la interseccin respecto de la unin de conjuntos,
P U ( An B)
n =1
=
=
P( B )
P( A
n =1
B)
P( B )
=
n =1
P(An B)
= P(An | B) = PB (An )
P(B)
n =1
n =1
As, para cada suceso B con probabilidad no nula, PB, es tambin una probabilidad.
16
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Otro concepto muy importante en este contexto es el de Independencia Probabilstica, se analizarn algunos ejemplos para entender esta idea.
Ejemplo 5
Suponga que, en una evaluacin, el 70% del profesorado de una institucin educativa alcanza calificacin satisfactoria, el 10% del profesorado alcanza calificacin muy satisfactoria. Adems se sabe que el 59% tiene ms de 40 aos, y que el 41,3% tiene ms de 40
aos y alcanz una calificacin satisfactoria y no hay ningn profesor evaluado con ms de
40 aos y muy satisfactorio.
Considere los eventos:
A:evaluado satisfactoriamente
C:evaluado muy satisfactoriamente
B:ms de 40 aos de edad
1) Se quiere calcular la probabilidad de que un profesor resulte evaluado satisfactoriamente sabiendo que tiene ms de 40 aos
P( A) = 0.70
P(B ) = 0.59
P( A B ) = 0.413
En base a esta informacin podemos calcular la probabilidad de que un profesor resulte evaluado satisfactoriamente sabiendo que tiene ms de 40 aos, es decir
P (A B ) =
P ( A B ) 0.413
=
= 0.70
P (B )
0.59
Vemos que
P( A B ) = P ( A)
17
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
2) Se quiere calcular la probabilidad de que un profesor tenga ms de 40 aos sabiendo que result evaluado muy satisfactoriamente. lo que es lo mismo preguntar Son
los eventos B y C independientes?
P ( C ) = 0,10
P (B C ) =
P( B C ) = 0
P( B C )
0
=
=0
P( C )
0,10
Vemos que P ( B C ) P (B )
Esto nos conduce a decir que los sucesos B y C no son independientes
Observaciones
Si los sucesos A y B tienen ambos probabilidad positiva (no nula) las tres afirmaciones anteriores son completamente equivalentes. Es decir, cualquiera de ellas
puede ser usada para comprobar la independencia o no de dos sucesos.
18
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
La primera afirmacin es ms general que las otras dos en el sentido de que vale
tambin cuando los dos sucesos (o uno de ellos) tienen probabilidad nula.
La independencia de dos sucesos es un concepto diferente de la idea de eventos mutuamente excluyentes. En general, ninguno de ellos implica al otro.
Por ejemplo, tres sucesos A1,A2 y A3 son independientes si y slo si se cumplen las
afirmaciones siguientes:
P(A1A2) = P(A1).P(A2), P(A1A3) = P(A1).P(A3), P(A2A3) = P(A2).P(A3).
P(A1A2A3) = P(A1). P(A2).P(A3),
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Thomas Bayes naci en Londres (1702), Inglaterra. Su padre fue ministro presbiteriano. Posiblemente De Moivre fue su maestro particular, pues se sabe que por ese entonces ejerca como profesor en Londres. Bayes fue ordenado ministro presbiteriano y muere
en 1761.
Miembro de la Royal Society desde 1742, Bayes fue uno de los primeros en utilizar
la probabilidad inductivamente y establecer una base matemtica para la inferencia probabilstica.
Public numerosos trabajos. Sin embargo, en 1763, dos aos despus de su muerte,
se publica Essay Towards Solving a Problem in the Doctrine of Chances, en el que trataba el problema de las causas a travs de los efectos observados, y donde se enuncia el
teorema que lleva su nombre. El trabajo fue entregado a la Royal Society por Richard Price
y es la base de la Inferencia Bayesiana.
En este curso la Inferencia Estadstica que se ver descansa nicamente en la evidencia muestral. ste se conoce como el enfoque clsico.
Sin embargo, existe otro punto de vista para abordar la Inferencia Estadstica, conocido como Inferencia Bayesiana, que utiliza adems de la evidencia muestral otra informacin generalmente proporcionada por el investigador del problema.
Tal informacin descansa de manera fundamental en la conviccin o grado de
creencia del investigador respecto de las incertidumbres del problema antes de que disponga de la evidencia muestral. Este conocimiento puede estar basado en resultados anteriores
producto de investigaciones previas.
En ambos enfoques, el clsico y el bayesiano, siempre se evalan incertidumbres en
trminos de probabilidad.
Antes de enunciar formalmente este teorema, analizaremos un ejemplo de aplicacin.
20
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Ejemplo 6
Supongamos que una empresa manufacturera recibe productos de dos proveedores distintos, A1 y A2 . Actualmente el 65% de los productos provienen del proveedor 1 y el 35%
restante del proveedor 2. En consecuencia, si se selecciona un producto al azar de esta empresa asignaramos las probabilidades previas P( A1 ) = 0.65 y P( A2 ) = 0.35 .
La calidad de los productos vara segn su origen. Los datos histricos de la empresa sugieren que el desempeo en trminos de calidad de los dos proveedores es distinto. Si
con B representamos el evento de que el producto es de buena calidad, la informacin con
que cuenta la empresa puede escribirse como sigue,
P(B A1 ) = 0.98
P( B A1 ) = P (M A1 ) = 0.02
P(B A2 ) = 0.95
P B A2 = P (M A2 ) = 0.05
donde para simplificar se indica con M el evento de que el producto no sea de buena calidad ( M = B ).
En forma grfica tenemos
P ( A1 M )
.
P (M )
21
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
P( A1 M ) = P( A1 ) P (M A1 ).
Adems
P(M ) = P( A1 M ) + P( A2 M )
= P( A1 ) P(M A1 ) + P( A2 ) P(M A2 )
Luego, resulta
P( A1 M ) =
0.65 0.02
0.013
=
= 0.4262
0.65 0.02 + 0.35 0.05 0.0305
UA
= S donde
i =1
P(A j | B) =
P(B | A j )P(A j )
n
P(B | A
i =1
, j=1,...,n
)P(Ai )
22
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Demostracin
B es un suceso en S, B S y, en consecuencia, B = S B (1).
n
n
U (A
B) (2)
i =1
B = U (A i B)
i =1
P( B) = P U ( Ai B ) =
i =1
P( A B)
i =1
(3)
P( B | Ai ) =
P( Ai B)
P( Ai )
P( Ai B) = P( Ai ) P ( B | Ai )
(4)
P( B) = P( B | Ai ) P( Ai )
i =1
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
P( A j | B) =
P( A j B)
P( B)
P( A j | B) =
P( B | A j ) P( A j )
n
P( B | A ) P( A )
i =1
Ejemplo 7
Consideremos el siguiente experimento en dos etapas como ejemplo de aplicacin del teorema de Bayes. Supongamos que una caja contiene tres monedas: dos monedas legales y
una con dos caras.
Se selecciona una moneda al azar y al lanzarla se obtiene una cara. cul es la probabilidad de que la moneda seleccionada sea la de dos cara?. Este es un experimento en
dos etapas, queremos calcular la probabilidad de un evento determinado en la primera etapa dado un evento determinado por la segunda etapa.
Sea C1 el suceso de que la moneda es legal, sea C 2 el suceso de que la moneda tiene dos caras y sea H el suceso de que se obtiene una cara al lanzar la moneda. Debemos
determinar P(C 2 H ) .
P(C 2 H ) =
P(C 2 ) P(H C 2 )
24
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
Podemos interpretar este resultado en trminos de frecuencia relativa: si este experimento se repitiera en forma independientemente un gran numero de veces, entonces la
moneda de dos caras sera elegida en la primera etapa en aproximadamente la mitad de los
experimentos en donde el resultado final fuese cara.
Supongamos que la moneda seleccionada es lanzada de nuevo y que se obtiene otra
vez cara. cul es la probabilidad de que la moneda seleccionada sea la de dos cara?.
1
= P (C1 ) . Indique2
mos con H 2 el suceso de que se obtiene una cara al lanzar la moneda por segunda vez, entonces
1
1
2
2
P (C 2 H 2 ) =
= .
1 1 1
3
+ 1
2 2 2
Ejemplo 8
Supongamos que tenemos 3 cajas numeradas del 1 al 3. Cada caja contiene 5 bolillas, la
caja i contiene i bolillas defectuosas y 5-i no defectuosas. Consideremos el siguiente experimento aleatorio: Se selecciona una caja al azar y luego una bolilla de la caja seleccionada.
Podemos querer determinar: 1) cul es la probabilidad de que la bolilla seleccionada sea defectuosa?, 2) dado que la bolilla seleccionada es defectuosa, cul es la probabilidad de que provenga de la caja 3?.
Con Ai indicamos el suceso se selecciona una bolilla de la caja i, i = 1,2,3 y con
B al suceso se selecciona una bolilla defectuosa.
A partir de la informacin suministrada sabemos que P (B Ai ) =
i
para i = 1,2,3 y
5
1
que P ( Ai ) = .
3
25
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
P (B ) = P ( Ai ) P (B Ai ) =
3
i =1
i =1
1 i 1 3
6
= i =
3 5 15 i =1
15
1 3
1
= 35 = .
P ( A3 B ) = 3
6
2
P( Ai ) P (B Ai )
15
i =1
P( A3 ) P ( B A3 )
26
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
APNDICE
Definicin
Un conjunto es una coleccin de objetos. Los objetos que componen el conjunto se llaman
elementos .
Ejemplo:
S ={ s/s es un departamento de Mendoza}
Complemento de un conjunto: El complemento de un conjunto A con respecto al espacio S es el conjunto de elementos que estn en S y no pertenecen a A.
Se expresa por A
S
A = {x : x S x A}
Conjuntos iguales o equivalentes: Dos conjuntos son iguales si tienen los mismos elementos. El orden de los elementos o la repeticin de uno o ms de ellos no influye.
27
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
A= B A B y B A
UNIN
A B = {x / x A x B}
A B
A B = A
A B
INTERSECCIN
A B = {x / x A x B}
A B
A B = A
A B =
DIFERENCIA
A B = {x / x A x B}
A B
A B
A B = A
Es decir
A B =
28
L.A. C.P.N.
FCE-UNCuyo
ESTADSTICA 2013
LEYES DE DE MORGAN
A A = A
A A = A
(A B) C = A (B C)
(A B) C = A (B C)
A B = B A
A B = B A
A (B C ) = ( A B ) ( A C )
A (B C ) = ( A B ) ( A C )
A = A
A =
A U =U
A U = A
A A =U
A A =
U =
=U
A= A
A B = A B
A B = A B
Un conjunto (A) cuyos elementos son todos los subconjuntos de un conjunto A se denomina conjunto de partes de A.
Ejemplo: Si lanzamos una moneda y llamamos c al resultado cara y s al resultado
sello (ceca), podemos escribir esos resultados en un conjunto S: S = { c, s}
29