Académique Documents
Professionnel Documents
Culture Documents
B2 B4
B1 B3
( ) ( ) ( ) ( )
ESTADSTICA BSICA 2
TEMA 3: Probabilidad
1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
1. Introduccin
ESTADSTICA BSICA 4
1. Introduccin
Conceptos importantes
Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M
ESTADSTICA BSICA 5
1. Introduccin
Tipos de experimentos
Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M
ESTADSTICA BSICA 6
1. Introduccin
SUCESO ELEMENTAL: cada uno de los resultados elementales del experimento aleatorio
ESTADSTICA BSICA 7
1. Introduccin
ESTADSTICA BSICA 8
1. Introduccin
Diagrama de Venn
ESTADSTICA BSICA 9
E
A A =E
1 2 3 4 5 6
1 U 2 U 3 U 4 U 5 U 6=E
10
1. Introduccin
A
B
AB
AB o bien A+B
Ejemplo:
ESTADSTICA BSICA 11
1. Introduccin
Interseccin de sucesos o suceso interseccin: es el suceso que ocurre
cuando los sucesos ocurren simultneamente.
A A
B B
AB A B=
(sucesos disjuntos o mutuamente
o bien AB excluyentes)
Ejemplo:
ESTADSTICA BSICA 12
TEMA 3: Probabilidad
1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
2. Definicin de probabilidad y propiedades
0 () 1 () = 0
() = 1 () = 1 ()
ESTADSTICA BSICA 14
2. Definicin de probabilidad y propiedades
ESTADSTICA BSICA 15
2. Definicin de probabilidad y propiedades
Ejemplo
Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:
Defectuosas 4 16 20
ESTADSTICA BSICA 16
Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
Ejemplo una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:
Defectuosas 4 16 20
Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250
Cul es la probabilidad de sacar una pieza que no le valga)
Solucin 1:
no vale = 1
= 1 Aceptable
184
= 1 250 = 0.264
Ejemplo Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:
Defectuosas 4 16 20
Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250
Cul es la probabilidad de sacar una pieza que no le valga)
Solucin 2:
1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
3. Probabilidad condicionada y total
Probabilidad condicionada
Notacin:
Probabilidad de A condicionada a B
Probabilidad de A dado B
P(A|B)
ESTADSTICA BSICA 20
3. Probabilidad condicionada y total
Ejemplo En una sala hay 300 personas, que se pueden clasificar de la
siguiente forma:
Fuman 15 15 30
15
P(Fuma | Chico)
180
ESTADSTICA BSICA 21
3. Probabilidad condicionada y total
En una sala hay 300 personas, que se pueden clasificar de la
Ejemplo siguiente forma:
P(Fuma Chico)
P(Fuma | Chico)
P(Chico)
ESTADSTICA BSICA 22
Regla de la probabilidad condicionada
P( A B)
P( A | B)
P (B )
P( A B) P( A | B)P(B)
Anlogamente:
P( A B)
P (B | A ) P( A B) P(B | A)P( A)
P ( A)
23
Regla de la probabilidad total
Problema
n
P ( A) P A | Bi P (Bi )
i 1 24
B2 B4
P( A) P( A E )
A
n
como Bi E
i 1
B1 B3 n
P ( A) P A Bi
i 1
(A B1) (A B2) (A B3) (A B4)
P( A) P A B1 A B2 A Bn
mutuamente excluyentes
P( A) P A B1 P A B2 P A Bn
25
B2 B4
P ( A) P A B1 P A B2
A
P A Bn
B1 B3
usando que
n
P ( A) P A | Bi P (Bi )
i 1
26
B2 B4
Regla de la Probabilidad Total
n
A
P ( A) P A | Bi P (Bi )
i 1
B1 B3
Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varn) y P(A|mujer)
P(Fumador)=P(Fumador|Mujer)P(Mujer)+P(Fumador|Varn)P(Varn)
27
3. Probabilidad condicionada y total
Ejemplo
En una sala hay 300 personas, que se pueden clasificar de la
siguiente forma:
Fuman 15 15 30
P(Fuma|chica)=15/120=0.125 P(Fuma|chico)=15/180=0.0833
P(Chica)=120/300=0.40 P(Chico)=180/300=0.60
P(Fuma)=P(Fuma|Chica)P(Chica)+P(Fuma|Chico)P(Chico)
ESTADSTICA BSICA 28
TEMA 3: Probabilidad
1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
4. Independencia de sucesos
Ejemplos:
ESTADSTICA BSICA 30
4. Independencia de sucesos
Dos sucesos A y B son independientes si la
probabilidad de uno de ellos no cambia por
observar o no el otro
P(A|B)=P(A) ; P(B|A)=P(B)
P( A B) P( A B)
P( A | B) P ( A) P (B | A ) P (B )
P (B ) P ( A)
Independencia: P( A B) P( A)P(B)
ESTADSTICA BSICA 31
4. Independencia de sucesos
Ejemplo Unas piezas cilndricas pueden ser defectuosas por tener una longitud
inadecuada o por tener un dimetro inadecuado, siendo ambos tipos de defectos
independientes. Si la proporcin de cilindros con longitud inadecuada es de 5%
y la de cilindros con dimetro inadecuado es del 3%. Qu porcentaje de
cilindros son defectuosos?
P(longitud inadecuada)=0.05
P(defecto)=P(long diam)
P(dimetro inadecuado)=0.03
=P(long)+P(diam)-P(long diam)
sucesos
P(long diam)=P(long) P(diam)=0.05 0.03=0.0015 independientes
P(defecto)=P(long)+P(diam)-P(long diam)=0.05+0.03-0.0015=0.0785
ESTADSTICA BSICA 32
2. Definicin de probabilidad y propiedades
Ejemplo Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:
Defectuosas 4 16 20
Se extraen, con reposicin, dos piezas. Cul es la probabilidad de ambas que sean del Tipo I?
ESTADSTICA BSICA 33
Ejemplo Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribucin
bivariante es la siguiente:
Defectuosas 4 16 20
Se extraen, con reposicin, dos piezas. Cul es la probabilidad de ambas que sean del Tipo I?
Solucin:
P( A B) P( A) P( B)
50 50
0.04
250 250
Si sacamos con reposicin dos piezas, y repetimos este experimento
indefinidamente, slo el 4% de las veces obtendremos dos piezas del Tipo I
EJERCICIOS
A B
1 2 3
A B
1 2 10
10
= 1 > 0.99 1 >?
ESTADSTICA BSICA 35
EJERCICIOS
1 = 1 2
= 1 + 2 1 2
A B = 1 + 2 1 )(2
ESTADSTICA BSICA 36
Un sistema est formada por 3 componentes en paralelo como indica el grfico. La
red funciona siempre que haya conexin entre los puntos A y B. Los 3 componentes
tienen una probabilidad de fallo de 0.05, siendo sus estados (funcionando/averiado)
independientes unos de otros. Calcula la fiabilidad de este sistema
1
= 1 2 3
= 1 1 2 3
= 1 1 2 3
A 1 B
Cuntos componentes de los anteriores tengo que tener en paralelo para que la
fiabilidad del sistema sea superior a 0.999999.
1
= 1 2
A 1 B = 1 1 2 3
= 1 1 = 0.999999
ESTADSTICA BSICA 37
TEMA 3: Probabilidad
1. Introduccin
2. Definicin de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
5. Teorema de Bayes
P(A|B)?
Por la regla de la
P( A B)
P( A | B)
probabilidad condicionada P (B )
P( A B) P(B | A)P( A)
Teorema de Bayes
P (B | A)P ( A)
P( A | B)
P (B )
ESTADSTICA BSICA 39
5. Teorema de Bayes
Ejemplo Una empresa que gestiona la red de una gran empresa adquiere un antivirus
con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad
0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa
alarma de virus.
Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la
probabilidad de que cuando d la alarma de virus, haya de verdad un ataque
P( A | V ) 0.95
A: al analizar un mensaje se da la alarma
P( A | V ) 0.08
V: el mensaje tiene un virus
P(V ) 0.001
Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la
probabilidad de que cuando d la alarma de virus, haya de verdad un ataque
P( A | V ) 0.95
A: al analizar un mensaje se da la alarma
P( A | V ) 0.08
V: el mensaje tiene un virus
P(V ) 0.001
P( A) P( A | V ) P(V ) P( A | V ) P(V )
0.95 0.001 0.08 0.999 0.08087
0.95 0.001
P(V | A) 0.012
0.08087
41