Académique Documents
Professionnel Documents
Culture Documents
Experimento Aleatorio
Probabilidad. 3
Espacio Muestral
Conjunto formado por todos los posibles
resultados de un experimento aleatorio.
•DISCRETOS:
– Lanzamiento de un DADO: S = {1,2,3,4,5,6}
– Piezas defectuosas en una muestra de 100
S = {0,1,2,...,100}
– Llamadas a una centralita durante un día
S = {0,1,2,3,...,∞}
•CONTINUOS:
– Energía consumida en Madrid: S={[0, ∞)}
Probabilidad. 4
Suceso
Cualquier subconjunto del espacio muestral.
– “Obtener un número par al lanzar un dado”
A = {2,4,6}
– “Observar menos de 5 piezas defectuosas en
una muestra de 100”: B = {0,1,2,3,4,5}
– “Tener más de 50 llamadas de teléfono en una
hora” : C = {51,52,...,∞}
– “Tener una demanda de energía eléctrica entre
300 Mwh y 400 Mwh” : D =(300,400)
Probabilidad. 5
Operaciones
Sean A y B dos subconjuntos de S
• Unión
A ∪ B = {x : (x ∈ A) o (x ∈ B)}
• Intersección
A ∩ B = {x : (x ∈ A) y (x ∈ B)}
• Complementario
A= {x : x∉ A}
Probabilidad. 6
A∪B
A∩B
Probabilidad. 7
Propiedades
Dados tres sucesos A,B y C de un espacio muestral S
A ∪ B = B ∪ A
Conmutativa :
A ∩ B = B ∩ A
A ∪ ( B ∪ C ) = ( A ∪ B) ∪ C
Asociativa :
A ∩ ( B ∩ C ) = ( A ∩ B) ∩ C
A ∪ ( B ∩ C ) = ( A ∪ B) ∩ ( A ∪ C )
Distributiva :
A ∩ ( B ∪ C ) = ( A ∩ B) ∪ ( A ∩ C )
A ∪ B = A ∩ B
Leyes de Morgan :
A ∩ B = A ∪ B
Probabilidad. 8
Axiomas de Probabilidad
Dado un espacio muestral S, una función de probabilidad
asigna valores P(A) a cada suceso A ⊂ S y satisface :
1. 0 ≤ P(A) ≤ 1
2. P(S) = 1
3. Para una secuencia de sucesos A1,A2 ,K , An
que cumplen Ai ∩ A j = ∅ cuando i ≠ j
n
P(U Ai ) = ∑i =1 P ( Ai )
n
i =1
Probabilidad. 9
Problema fundamental
• Dado un espacio muestral discreto con resultados
A1, A2, ..., An , el experimento aleatorio queda
caracterizado si asignamos un valor P(Ai) no
negativo a cada resultado Ai que verifique
P(A1)+P( A2)+ ...+P(An)=1.
∑∑∑ i j k
P ( A ∩ A ∩
i =1 j >i k > j
A ) + L + ( −1) n +1
P( A1 ∩ A2 ∩ L ∩ An )
Probabilidad. 11
Asignación de probabilidades
1. Clásica (Laplace): Equiprobabilidad
2. Frecuencialista (von Mises, 1931)
3. Subjetiva
Probabilidad. 12
Clásica: sucesos equiprobables
Sea un experimento con un número finito de
resultados excluyentes y equiprobables, la
probabilidad del suceso A es
N ( A)
P ( A) = ,
N
donde N es el número de resultados posibles
del experimento y N(A) el número de
resultados favorables al suceso A.
Probabilidad. 13
Ejemplos (equiprobabilidad)
• Lanzamiento de una moneda. S={C,X}
1
P(C ) =
2
• Lanzamiento de un dado. S={1,2,3,4,5,6}
3 1
P (" Número par" ) = = .
6 2
• Extracción de una de las 40 cartas de la
baraja, S={1 Oros,2 Oros,...., Rey Bastos}
10 1
P ( Bastos ) = = .
40 4
Probabilidad. 14
Lanzamiento de dos dados
1er Dado
1 2 3 4 5 6
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
2º Dado 4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
Probabilidad. 15
Urna: 2 Negras y 3 Blancas
1ª Bola
B1 B2 B3 N1 N2
2ª Bola
B1 B2,B1 B3,B1 N1,B1 N2,B1
B2 B1,B2 B3,B2 N1,B2 N2,B2
B3 B1,B3 B2,B3 N1,B3 N2,B3
N1 B1,N1 B2,N1 B3,N1 N2,N1
N2 B1,N2 B2,N2 B3,N2 N1,N2
Probabilidad. 16
Urna: 2 Negras y 3 Blancas
1ª Bola
2ª Bola
B1 B2 B3 N1 N2
B1 B1,B1 B2,B1 B3,B1 N1,B1 N2,B1
B2 B1,B2 B2,B2 B3,B2 N1,B2 N2,B2
B3 B1,B3 B2,B3 B3,B3 N1,B3 N2,B3
N1 B1,N1 B2,N1 B3,N1 N1,N1 N2,N1
N2 B1,N2 B2,N2 B3,N2 N1,N2 N2,N2
Probabilidad. 17
Combinatoria: 5 objetos tomados de dos en dos
SIN REEMPLAZAMIENTO CON REEMPLAZAMIENTO
Número = 20 Número = 25
Número = 10 Número = 15
Probabilidad. 18
Combinatoria: Número posible de
reordenaciones de n objetos tomados de r en r
SIN CON
REEMPLAZAM IENTO REEMPLAZAM IENTO
IMPORTA n!
nr
EL ORDEN ( n − r )!
NO IMPORTA n n + r − 1
EL ORDEN r r
Probabilidad. 19
1 - 6 - 21 - 29 - 33 -43
6 43 43
×
4 2 13.545 6 6.096.454
P(Acertar 4) = = = 0,00097 P(Ninguno) = = = 0,44
49 13.983.816 49 13.983.816
6 6
48
5 6
P(Salga el 1) = = = 0,1224
49 49
6
Probabilidad. 21
• En una estación de metro hay 5 pasajeros esperando a un
tren con 10 vagones, si cada pasajero elige un vagón al azar,
¿cuál es la probabilidad de que todos elijan un vagón
diferente?
N ( A) 10 × 9 × 8 × 7 × 6
P ( A) = = 5
= 0.3024
N 10
• De un lote con 100 piezas se toman al azar 10, si todas las
piezas elegidas son buenas se acepta el lote y se rechaza en
caso contrario. ¿Cuál es la probabilidad de aceptar un lote
con 10 piezas defectuosas?
100 100! 90 90!
N = = ; N ( A) = =
10 10! 90! 10 80!10!
N ( A) 90! 90! 90 × 89 × L × 81
P ( A) = = = = 0.330
N 80! 100! 100 × 99 × L × 91
Probabilidad. 22
Cumpleaños
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaños.
r
A = " No haya ninguna coincidencia"
365 × (365 - 1) × L × (365 − r + 1)
P ( A) =
365 r
P( A ) = 1 - P(A) , r = 25 → P( A ) = 0.578
Probabilidad. 23
Probabilidad y Frecuencia Relativa
Probabilidad. 24
Frecuencia relativa de caras
1,00
Nº de Caras / Nº de Lanzam ientos
0,50
0,00
0 50 100 150 200
Nº de lanzam iento
Probabilidad. 25
Total sorteos 1.380 (2000 - 104; 2001 - 74) Probabilidad. 26
Probabilidad. 27
Probabilidad Condicionada
Mujeres Hombres
TOTAL
(M) (H)
Fumadores
0,12 0,18 0,30
(F)
No Fumadores
0,39 0,31 0,70
(N)
0,18
P ( F | H ) = 0,45 = 0,40
P ( F ) = 0,30
0,12
P( F | M ) = = 0,22
0,55
Probabilidad. 28
Probabilidad Condicionada
Definición. Sea B un suceso con probabilidad
distinta de cero, se define probabilidad del
suceso A dado B a:
P( A ∩ B)
P( A | B) = .
P( B)
Probabilidad. 29
Utilidad
• Actualizar probabilidad del suceso A en
función de la información disponible I
P(A|I) = P(A∩I)/P(I)
• Cálculo de la intersección de sucesos
P(A ∩B) = P(A|B)P(B)
• Cálculo de probabilidad de un suceso
P ( A) = P (( A ∩ B ) ∪ ( A ∩ B))
= P( A | B) P( B) + P( A | B) P( B)
Probabilidad. 30
Ejemplo Urna
Probabilidad de “1ª Blanca y 2ª Negra”
• Sin reemplazamiento:
P(B1 ∩ N2) = P(B1) P(N2| B1)
= (3/5)(2/4) = 3/10
• Con reemplazamiento:
P(B1 ∩ N2) = P(B1) P(N2| B1)
= (3/5)(2/5) = 6/25
Probabilidad. 31
Cumpleaños
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaños.
r
Br = " No haya ninguna coincidencia en r "
P(Br ) = P(B1 ) P( B2 | A1 ) P( B3 | A1 ≠ A2 ) L P( Br | A1 ≠ A2 ≠ L ≠ Ar −1 )
365 − 1 365 − 2 365 − r + 1
= 1× × × L×
365 365 365
P( Br ) = 1 - P(Br ) , r = 25 → P( Br ) = 0.578
Probabilidad. 32
Ejemplo
Urna U1 Urna U2
Urna U1 Urna U2
Probabilidad. 35
Lanzamiento de dos monedas
S = {CC, CX, XC,XX}
Hipótesis:
• Monedas equilibradas: P(C) = P(X)
• Independientes
Probabilidad. 36
Independencia (3 o más sucesos)
• Tres sucesos A, B y C son independientes si
•P(A ∩ B∩ C) = P(A) P(B) P(C)
•P(A ∩ B) = P(A) P(B)
•P(A ∩ C) = P(A) P(C)
•P(B ∩ C) = P(B) P(C)
Probabilidad. 37
Probabilidad Total
Partición.
B1 B2 B3 B4 B5 B1,B2 ,...,Bn : B j ⊂ S
A B Bi ∩ B j = ∅, ∀i ≠ j
B6 B7 9 B
B 10
8 B1 ∪ B2 ∪ L ∪ Bn = S
P ( A) = P ( A ∩ S )
= P[ A ∩ ( B1 ∪ B2 ∪ L ∪ Bn )]
= P[( A ∩ B1 ) ∪ ( A ∩ B2 ) ∪ L ∪ ( A ∩ Bn )]
= P( A ∩ B1 ) + P ( A ∩ B2 ) + L + P ( A ∩ Bn )
P ( A) = P ( A | B1 ) P ( B1 ) + P ( A | B2 ) P ( B2 ) + L P ( A | Bn ) P( Bn )
Probabilidad. 38
Teorema de Bayes
Sea B1 ,B2 ,...,Bn una partición del espacio S
tal que P(B j ) > 0, para j = 1,2 ,...,n y sea A
cualquier suceso con P(A) > 0, entonces
para cualquier Bi :
P(A|Bi )P(Bi )
P(Bi|A) = n
.
∑ P(A|B
j =1
j )P(B j )
Probabilidad. 39
Ejemplo (Bayes)
M-1 M-2 M-3
5% D 20 % D 10 % D
ALMACÉN
P( D | M 2 ) P( M 2 )
P( M 2 | D) =
P( D | M 1 ) P( M 1 ) + P( D | M 2 ) P( M 2 ) + P( D | M 3 ) P( M 3 )
0.20 × 0.25
= = 0.50
0.05 × 0.5 + 0.20 × 0.25 + 0.10 × 0.25
P( D | M 3 ) P( M 3 )
P( M 3 | D) =
P( D | M 1 ) P( M 1 ) + P( D | M 2 ) P( M 2 ) + P( D | M 3 ) P( M 3 )
0.10 × 0.25
= = 0.25
0.05 × 0.5 + 0.20 × 0.25 + 0.10 × 0.25
P( M 1 | D) + P( M 2 | D) + P( M 3 | D) = 1
Probabilidad. 41
Si una persona es portadora del virus A, un análisis de
sangre lo detecta el 99% de las veces. Sin embargo, el test
también proporciona “falsos positivos”, indicando la
presencia del virus en el 3% de personas sanas. Si sólo 5 de
cada 1000 personas tienen el virus, ¿cuál es la probabilidad
de que una persona tenga el virus realmente si el análisis ha
dado positivo?
Probabilidad. 42
Ejemplo Virus
(Aplicado a 1.000.000 personas)
Probabilidad. 43