Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Experimento
Proceso que conduce a que ocurra una y solo una de varias observaciones
posibles
Experimento
Determinístico Probabilístico
Ejemplo:
Ω3 = {Defectuoso, No defectuoso}
Ω5 = {0, 1, 2, …}
Ω6 = {t ∈ R / t ≥ 0}
Clasificación:
a) Discretos finitos
Suceso
Evento
Eventos complementarios
Probabilidades
El resto de sucesos tendrá probabilidades entre cero y uno: que será tanto
mayor cuanto más probable sea que dicho suceso tenga lugar.
Teoría de probabilidades
Probabilidad
Objetiva Subjetiva
Clásica Empírica
Probabilidad Clásica
n( A) Casos favorables de A
P ( A )= =
n(Ω) Casos posibles
Probabilidad Empírica
Ejemplo:
Probabilidad Subjetiva
Axiomas
Ejemplo
Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres
bolas. Calcular:
1. El espacio muestral.
Ω = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n, n,n)}
Ejemplo
Probabilidad de que al lanzar un dado salga el número 2: el caso favorable (f)
es tan sólo uno (que salga el dos), mientras que los casos posibles (n) son seis
(puede salir cualquier número del uno al seis).
Por lo tanto:
Ejemplo
Existe una probabilidad del 50% de obtener un águila al tirar una moneda.
Ejemplo
Probabilidad de elegir tal o cual fruta. Si en una canasta hay 20 peras y 10
manzanas. ¿Qué fruta es más probable que saque al azar de la canasta?
Condiciones importantes
a) El número de resultados posibles (sucesos o eventos) tiene que ser finito.
Si hubiera infinitos resultados, al aplicar la regla "casos favorables dividido
por casos posibles" el cociente siempre sería cero.
b) Todos los sucesos o eventos tienen que tener la misma probabilidad. Si al
lanzar un dado, algunas caras tuvieran mayor probabilidad de salir que otras,
no podríamos aplicar esta regla.
Cuando se realiza un experimento aleatorio un número muy elevado de veces,
las probabilidades de los diversos posibles sucesos empiezan a converger
hacia valores determinados, que son sus respectivas probabilidades.
Ejemplo:
si lanzo una vez una moneda al aire y sale "cara", quiere decir que el suceso
"cara" ha aparecido el 100% de las veces y el suceso "cruz" el 0%.
Si lanzo diez veces la moneda al aire, es posible que el suceso "cara" salga 7
veces y el suceso "cruz" las 3 restantes. En este caso, la probabilidad del
suceso "cara" ya no sería del 100%, sino que se habría reducido al 70%.
Si repito este experimento un número elevado de veces, lo normal es que las
probabilidades de los sucesos "cara" y "cruz" se vayan aproximando al 50%
cada una. Este 50% será la probabilidad de estos sucesos según el modelo
frecuentista.
Supongamos que se extrae una bolilla y, sin que la hayamos mirado, alguien
nos dice que la bolilla es roja, ¿cuál es la probabilidad de que la bolilla sea
rayada?
Definición de Sean A y B eventos tales que P(B) > 0, la probabilidad del evento A
Probabilidad condicional a la ocurrencia del evento B es:
Condicional
p ( A ∩B)
P ( A /B )=
P (B)
Ejemplo
En el ejemplo anterior, P(B)=4/9 y
p ( A ∩B) 2 /9 2 1
P ( A /B )= = = =
P (B) 4 /9 4 2
Ejemplo
Consideremos una población en la que cada individuo es clasificado según
dos criterios: es o no portador de HIV y pertenece o no a cierto grupo de
riesgo que denominaremos R. La correspondiente tabla de probabilidades es:
p ( A ∩B) 0.003
P ( A /B )= = =0.00306
P (B) 0.980
Ejemplo
En el ejemplo presentado al comienzo, supongamos ahora que se extraen dos
bolillas sin reposición. ¿Cuál es la probabilidad de extraer una bolilla roja y
una blanca, en ese orden?
P ( A 1 ∩ A 2 ∩ A 3 )=P ( A1 ) P( A2 / A1 ) P( A 3 /( A1 ∩ A 2))
y se extiende a n sucesos.
Ejemplo
En el mismo ejemplo, ¿cómo podemos obtener la probabilidad de que la
segunda bolilla extraída sea blanca (suceso D)?. Sabemos calcular, usando la
regla del producto la probabilidad de que la segunda sea blanca y la primera
sea roja. Hemos visto que esta probabilidad es P(C ∩ D) = 5/18. Del mismo
modo podemos obtener la probabilidad de que ambas bolillas sean blancas
(suceso (D ∩ C c)). Esta probabilidad es:
P ( c c ∩ D ) =P ( CC ) P
( CD )= 59 48 = 2072 = 185
C
se obtiene
5 5 10 5
P ( D )=P ( D∩C ) + P ( D∩C C ) = + = = (1)
18 18 18 9
p(C ∩ D) 5/18
P ( C/ D )= = =0.5(2)
P( D) 5/9
Los resultados (1) y (2) son ejemplos de aplicación de los dos Teoremas que
veremos a continuación: el Teorema de la Probabilidad Total y el Teorema de
Bayes respectivamente.
1. A1 ∩ A 2=∅ ∀ i≠ j
2. P ( A 1 ) >0
3. ¿ i=1 ¿ k A i=S
Teorema de Bayes
Sea A1, A2,… Ai una partición del espacio muestral S y sea B un suceso
cualquiera tal que P(B) > 0,
P(B/ A j) P( A j)
P( A j /B)= k
∑ P(B/ Ai )P( A i)
i=1
Ejemplo
Supongamos que cierta prueba para detectar la presencia de una enfermedad
en un individuo, da resultado positivo (detecta la presencia de la enfermedad)
en un individuo enfermo con probabilidad 0.99 y en un individuo sano con
probabilidad 0.02 (falso positivo). Por lo tanto, dicha prueba no detecta la
enfermedad en un individuo sano con probabilidad 0.98 y no la detecta en un
individuo enfermo con probabilidad 0.01 (falso negativo). Es decir que si
denotamos A: “la persona padece esa enfermedad” y B: “la prueba es
positiva”,
P(B/A) = 0.99
P(B/AC) = 0.02
P(BC/A) = 0.01
P(BC/AC) = 0.98
P ( BA ) P ( A )
P ( BA )= P B P ( A ) + P B P ( A ) = 0.99× 0.001+0.02
0.99 × 0.001
×0.999
( A) (A ) C
C
= 0.0472
Independencia
Hay casos en los que P(A | B) ≠ P(A), mientras que en otros P(A | B) = P(A),
es decir que la ocurrencia del suceso B no altera la probabilidad de ocurrencia
de A.
Ejemplo
De una urna que contiene 4 bolillas negras y 6 blancas se extraen dos bolillas
sin reposición , ¿cuál es la probabilidad de que la segunda bolilla sea blanca,
sabiendo que la primera es negra?
Sean los eventos A: “la segunda bolilla es blanca” y B: ”la primera bolilla es
negra”,
6 2
P( A /B)= =
9 3
Definición
Los eventos A y B son independientes si
P(A∩ B) = P(A) P(B)
Proposición:
Supongamos P(B) > 0, A y B son independientes si y sólo si P(A|B)=P(A).
Propiedades:
P¿
Ejercicios
7. Una persona tira tres veces una moneda y las tres veces obtiene cara.
¿Cuál es la probabilidad de que la cuarta vez obtenga sello?
9. Se lanzan al aire uno tras otro tres dados de seis caras numeradas del 1
al 6. ¿Cuál es la probabilidad de que el número de tres cifras que se
forme, empiece con 4?
17. En la bolsa hay 50 bolitas, de las cuáles 12 son rojas, 5 son verdes, 3
son azules y el resto son blancas. Si se saca una bolita sin mirar, cuál
es la probabilidad de que ésta sea blanca?
20. Una urna contiene bolitas enumeradas del 1 al 25. Si se saca una
bolita al azar. ¿Cuál es la probabilidad de que la bolita extraída tenga
un número que sea múltiplo de 2?
∀ X ∈ R X ( S) ≤ X
Ejemplo:
Consideramos un experimento aleatorio de lanzar una moneda al aire tres
veces y anotamos el resultado. Se define la variable aleatoria X como número
de caras aparecidas en los tres lanzamientos.
a) Calcular el espacio muestral y comprobar que es una variable aleatoria.
b) Calcular los subespacios: { x ≤ 2,75 } {0,5 ≤ X ≤1,75 }
DISTRIBUCIÓN DE PROBABILIDAD
Es un modelo teórico que describe la forma en que varían los resultados de un
experimento aleatorio, es decir, nos da todas las probabilidades de todos los
posibles resultados que podrían obtenerse cuando se realiza un experimento
aleatorio. Se clasifican como discretas o continuas. En la distribución de
probabilidad discreta está permitido tomar sólo un número limitado de valores.
En la continua, llamada función de densidad, la variable que se está considerando
puede tomar cualquier valor dentro de un intervalo dado.
P ( X ∈ A ) =∫ f ( x ) dx