Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
TEMA 6
PROBABILIDAD
TEMA 6: PROBABILIDAD
1. Introduccin.
1.1. Experimento aleatorio
1.2. Espacio muestral
1.3. Sucesos
2. Probabilidad.
2.1. Regla de Laplace.
2.2. Probabilidad frecuentista.
3. Probabilidad Condicionada.
1. Introduccin.
Muchos fenmenos que habitualmente observamos en la
ciencia, y particularmente en el campo de la biologa, la
oceanografa, la psicologa, la sociologa, etc., tienen una
fuerte componente aleatoria (aleatorio significa incierto, que
depende de la suerte o el azar).
Ejemplos:
Cuando alimentamos a un pez de un cultivo con una
dieta determinada, en general no podemos predecir con
seguridad el peso final que va a alcanzar el pez.
Un poco de Filosofa:
En el primero de los ejemplos anteriores es cierto que el
peso final del pez no es una cantidad completamente
aleatoria y quizs se puede predecir aproximadamente
en funcin de la especie, las condiciones iniciales del
pez, el tiempo de cultivo, etc. Una forma habitual de
realizar esta prediccin es observar que, por ejemplo,
todos los peces de esa especie criados en esas
condiciones tienen un peso medio de 3 kg. En tal caso
sabemos a priori que un pez escogido arbitrariamente
entre todos stos pesar aproximadamente 3 kg. Ahora
bien su peso exacto ser realmente 3 + kg., donde es
una cantidad (positiva o negativa) en la que se incluye
el efecto combinado de muchsimas variables de las que
se desconoce la forma exacta en que afectan al peso del
animal (incluido el mero azar que ha dado lugar a que el
pez unos das haya comido ms, otros menos, que haya
enfermado, que haya sido dominante o haya sido
dominado, etc). Esta combinacin de pequeos efectos
impredecibles es la que da lugar en ltima instancia al
valor que, a efectos prcticos, es completamente
aleatorio.
x = + 1
s2 = 2 + 2
donde 1 y 2 son cantidades que dependen de la
muestra escogida y que son aleatorias precisamente
porque la muestra se ha escogido al azar.
2. PROBABILIDAD
Experimento aleatorio.
Es aquel cuyo resultado es incierto o depende del azar. Su
opuesto sera un experimento determinista, cuyo resultado es
predecible con anterioridad a la realizacin del experimento.
Espacio muestral.
Se llama espacio muestral asociado a un experimento
aleatorio al conjunto de posibles resultados elementales del
experimento. Representaremos habitualmente el espacio
muestral por E.
Suceso elemental.
Cualquier elemento del espacio muestral.
Sucesos
Un suceso es cualquier coleccin de sucesos elementales
(esto es, cualquier subconjunto de E.)
4) P( A ) = 1- P(A)
E
B
A
C
Gonzlez J.J., Guerra N., Quintana M.P. y Santana A. 129
Mtodos Estadsticos Tema6: Probabilidad.
k n de casos favorables
P( A) = =
n n de casos posibles
E
A
( A) Area( A)
P ( A) = =
( E ) Area ( E )
20
15
15
y
y
10
10
5
5
0
0
0 5 10 15 0 5 10 15
x x
3. PROBABILIDAD CONDICIONADA.
b g
P B A =
casos favorables a B sabiendo que ha ocurrido A 2
casos posibles sabiendo que ha ocurrido A
= = 0.66
3
b g casoscasos
P B A =
favorables a B sabiendo que ha ocurrido A
posibles sabiendo que ha ocurrido A
=
N cl4,6qh N b B Ag N b B Ag N Pb B Ag
= = = =
N cl2,4,6qh N b Ag N b Ag N P b Ag
b g bP( A) g
P B A =
P B A
4. DEPENDENCIA E INDEPENDENCIA
DE SUCESOS
P(B) = P(B|A)
Ejemplo:
P ( A) =
10
40
;b g 399 P B A =
Pb A B g
Como Pb B Ag = Pb A B g = P ( A) Pb B Ag =
10 9
P ( A) 40 39
P ( A) =
10
40
; b g 1040 = P( B)
P B A =
Pb A B g = P( A) Pb B Ag = P( A) P( B) =
10 10
40 40
b gb g
n
P ( B) = P B Ai P Ai
i =1
Ejemplo 1:
P ( B ) = P ( B E ) = P ( B ( A1 A2 A3 ) ) =
= P ( ( B A1 ) ( B A2 ) ( B A3 ) ) =
= P ( B A1 ) + P ( B A2 ) + P ( B A3 ) =
= P ( B | A1 ) P( A1 ) + P ( B | A2 ) P( A2 ) + P ( B | A3 ) P( A3 ) =
4 5 1
= 0.07 + 0.04 + 0.09 = 0.057
10 10 10
Teorema de Bayes.
En muchas ocasiones se dispone de una descomposicin del
espacio muestral en un sistema completo de sucesos A1, A2, ...,
An, cuyas probabilidades P(Ai) se conocen, en principio, para
todos los Ai (Probabilidades a priori). Supongamos que los Ai
no son directamente observables y que nos interesa calcular la
probabilidad de que haya ocurrido concretamente el suceso Aj.
Pd A B i =
i d i d
P B Aj P Aj
Pb B A g P b A g
j n
i i
i =1
Ejemplo 1:
Ejemplo 2:
Consideremos una prueba diagnstica para la deteccin de
determinado tipo de cncer. Para que sta sea aceptable ha de
tener alta sensibilidad y alta especificidad. Estos conceptos se
definen del siguiente modo (se entiende que dar positivo en la
prueba significa que sta detecta la presencia del cncer):
FH
Sensibilidad = P La prueba d positivo El individuo est enfermo IK
FH
Especificidad = P La prueba d negativo El idividuo est sano IK
Como las pruebas diagnsticas no son exactas, puede ocurrir
que den positivo en individuos sanos (falsos positivos) y
negativo en individuos enfermos (falsos negativos). Se definen
tambin:
Coeficiente falso-positivo = 1 Especificidad
Coeficiente falso-negativo = 1- Sensibilidad
Si llamamos:
C = padecer cncer
T = dar positivo en la prueba diagnstica
Podemos expresar:
Sensibilidad = P(T | C )
Coeficiente falso-positivo = P(T | C )
Especificidad = P(T | C )
Coeficiente falso-negativo = P(T | C )
P (C T ) P(T | C ) P(C )
P (C | T ) = =
P (T ) P(T | C ) P(C ) + P(T | C ) P(C )
P (C T ) P(T | C ) P(C )
P (C | T ) = =
P (T ) P(T | C ) P(C ) + P(T | C ) P(C )
Ejemplo: (Falso-positivo)
1 999
P(E ) = P (E ) = P (S ) =
1000 1000
P( E T ) P (T | E ) P ( E )
P( E | T ) = = =
P (T ) P (T | E ) P ( E ) + P(T | S ) P( S )
1 0.999
0.999
= 1000 = 1000 =
1 999 0.999 + 9.99
0.999 + 0.01
1000 1000 1000
0.000999
= = 0.091
0.01089
Combinatoria
Estudia y recuenta las diferentes formas en que se
puede realizar la ordenacin o agrupamiento de un
determinado nmero de objetos siguiendo ciertas
condiciones. Estos recuentos estn ntimamente
relacionados con el clculo de probabilidades, pues
son los que permiten determinar en muchos casos el
nmero de casos favorables y de casos posibles.
Factorial:
Sea n un nmero natural. Se define el factorial de n como:
Nota: 0! = 1
6! 6! 654321
V =4
= = = 180
(6 4)! 2!
6
21
VRnr = n r
Ejemplo: Cuntas claves de 12 letras pueden formarse con
las letras de la palabra COMPUTER?
Pn = n !
Es obvio que:
Pn = Vnn
n!
Pnn1 ,n2 ,...,nk =
n1 !n2 !...nk !
n! 6! 654321
6
P2,3,1 = = = = 60
n1 !n2 !n3 ! 2!3!1! 213211
n n!
C = =
r
r r !(n r )!
n
n + r 1
CR = C n+r 1
r
n
r
=
r
31 31! 31!
CR = C = =
12 12
= = 141.120.525
20
12
31
12!( 31 12 ) ! 12!19!
Cuadro Resumen