Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
•Leyes de Probabilidad
Temas a cubrir
≻ Leyes de probabilidad
– Adición
• Ley general de la adición
• Ley especial de la adición
– Multiplicación
• Probabilidad no condicional
• Probabilidad condicional
• Probabilidad conjunta
• Ley general de multiplicación
• Eventos dependientes contra eventos independientes
• Ley especial de multiplicación
≻ Leyes de probabilidad y diagramas de árbol
≻ Probabilidades revisadas y teorema de bayes
Algunas reglas de probabilidad
Reglas de Adición
≻ Regla
g Especial
p de adición.
– Para aplicar esta regla, los eventos deben de ser
mutuamente excluyentes.
• Significa que cuando ocurre un evento, ninguno de
los otros eventos puede suceder al mismo tiempo.
– Si dos eventos A y B son mutuamente excluyentes,
la regla
g especial
p de la adición indica que
q la
probabilidad de que ocurra uno u otro de los
eventos, es igual a la suma de sus probabilidades.
• P(A o B)=P(A)+P(B)
– Para 3 eventos mutuamente excluyentes la regla
se expresa como
• P(A
( o B o C)=P(A)+P(B)+P(C)
) ( ) ( ) ( )
Ejemplo
≻ Una máquina
q automática Shaw llena bolsas de
plástico con una mezcla de frijoles, brócolis y otras
legumbres. La mayor parte de las bolsas contiene el
peso correcto,, p
p pero debido a ligeras
g variaciones en el
tamaño de las verduras, un paquete puede tener un
peso ligeramente diferente. Una verificación de 4,000
paquetes que se llenaron el mes pasado reveló lo
siguiente:
– ¿Cuál es la probabilidad de que un determinado
paquete tenga un peso menor o mayor?
Peso Evento # de Paquetes Probabilidad
Menor A 100 0.025
Satisfactorio B 3,600 0.900
Mayor
y C 300 0.075
4,000 1.000
Diagramas de Venn
≻ La p
probabilidad de q
que una bolsa de legumbres
g
mixtas tenga menos peso, P(A) más la
probabilidad de que no sea una bolsa con peso
menor que se indica P(~A)
menor, P(~A), y se lee “no
no A
A” debe
ser lógicamente igual a
– P(A)=1-P(~A)
Evento A
~A
A
Ejemplo
≻ Una máquina
q automática Shaw llena bolsas de
plástico con una mezcla de frijoles, brócolis y otras
legumbres. La mayor parte de las bolsas contiene el
peso correcto,, p
p pero debido a ligeras
g variaciones en el
tamaño de las verduras, un paquete puede tener un
peso ligeramente diferente. Una verificación de 4,000
paquetes que se llenaron el mes pasado reveló lo
siguiente:
– Aplique la regla del Complemento para demostrar que
la probabilidad de que una bolsa tenga el peso correcto
es 0.9 ?
≻ Los
os resultados
esu tados de un
u experimento
e pe e to que no
o se
ser
mutuamente excluyentes.
≻ Cuando dos eventos ocurren
simultáneamente, a la probabilidad
respectiva se le denomina probabilidad
conjunta.
conjunta
– Es la medida de probabilidad que evalúa la
posibilidad de que dos o más eventos ocurran en
f
forma simultanea.
l
Evento A Evento B
≻ Entonces se puede decir que
– P(A o B)=P(A)+P(B)
B)=P(A)+P(B)-P(AyB)
P(AyB)
Ejercicio
≻ ¿Cuál
¿ es la probabilidad
p de q
que una carta elegida
g
al azar de una baraja americana sea un rey o una
de corazones?
Evento A Evento B
Ejercicio
≻ Cómo p parte de un p
programa
g de servicio de salud
para los empleados de la empresa, se efectúan
anualmente exámenes físicos de rutina. Se
descubrio que 8% de los empleados necesitaban
zapatos correctivos, 15%, un trabajo dental
importante; y 3%, requerían tanto zapatos
correctivos
i como un trabajo
b j ddentall mayor
– ¿Cuál es la probabilidad de que un empleado
seleccionado al azar necesite calzado correctivo o un
trabajo dental considerable?
– Muestre esta situación con un diagrama de Venn
Reglas de Multiplicación
≻ La regla especial de la multiplicación requiere
que dos
d eventos A y B sean independientes.
i d di
≻ Dos eventos son independientes si la ocurrencia
de uno no altera la posibilidad de que suceda el
otro.
t
≻ Si lo anterior se cumple la probabilidad de que
ocurran ambos eventos se obtiene multiplicando
las dos probabilidades
– P(A y B)=P(A)P(B)
≻ Esta regla supone que un segundo evento no se
ve afectado por el primero
primero. Por lo que para tres
eventos tendremos
– P(A y B y C)=P(A)P(B)P(C)
Ejercicio
≻ Una máquina
q automática Shaw llena bolsas de
plástico con una mezcla de frijoles, brócolis y otras
legumbres. La mayor parte de las bolsas contiene el
peso correcto,, p
p pero debido a ligeras
g variaciones en el
tamaño de las verduras, un paquete puede tener un
peso ligeramente diferente. Una verificación de 4,000
paquetes que se llenaron el mes pasado reveló lo
siguiente:
– ¿Cuál es la probabilidad de seleccionar tres paquetes
en un día especifico y encontrar que a los tres les falta
peso? Peso Evento # de Paquetes Probabilidad
– ¿Qué significa esta
Menor A 100 0.025
Satisfactorio B 3,600 0.900
Probabilidad? Mayor C 300 0 075
0.075
4,000 1.000
≻ Suponga
p g que q hay y 10 rollos de p
película
fotográfica en una caja y se sabe que tres están
defectuosos. Se selecciona uno.
– ¿Cuál es la probabilidad de sacar uno bueno? Y ¿Cuál es
la probabilidad de sacar uno malo?
≻ Después se elige un segundo rollo de la caja sin
d
devolver
l ell primer rollo
ll a é
ésta.
– ¿Cuál es la probabilidad de que el segundo sea
defectuoso?
Ejercicio
≻ El Consejo
j de una empresa
p esta integrado
g p
por 8
hombres y 4 mujeres. Se seleccionará al azar un
comité de 4 integrantes, para recomendar a un
nuevo p
presidente de la empresa.
p
– ¿Cuál es la probabilidad de que sean mujeres los
cuatro integrantes del comité?
– ¿Cuál es la probabilidad de que sean hombres?
– ¿La suma de las probabilidades de los eventos
descritos en los incisos anteriores es 1?
Ejercicio
≻U
Unaaeencuesta
cuesta a ejecut
ejecutivos
os se enfocó
e ocó a su
lealtad a la empresa. Una de las preguntas
planteadas fue: “¿si otra compañía le hiciera
una oferta
f t igual
i l o ligeramente
li t mejor
j que lla
de su puesto actual permanecería con la
empresa o tomaría el otro empleo?”
empleo?
– ¿cuál es la probabilidad de seleccionar al azar un
ejecutivo que sea leal a la empresa y que tenga
más de 10 años?
Menos de 1 1 a 5 años 6 a 10 años Más de 10
Lealtad
año años
Si permanecería 10 30 5 75 120
No permanecería 25 15 10 30 80
200
Diagramas de Árbol
≻ Un diagrama
g de árbol es una representación
p
gráfica útil para organizar cálculos que abarcan
varias etapas.
≻ Cada
C d segmento t en ell árbol
á b l es una etapa
t del
d l
problema. Las probabilidades escritas cerca de
las ramas son la probabilidades condicionales
del experimento.
Diagrama de Árbol
21
Diagrama de Árbol
10 120 10
Menos de 1 año x = 0.050
120 200 120
30
120 120 30
1 a 5 años x = 0.150
200 120
Permanecen 5
6 a 10 años 120 5
x = 0.025
200 120
120 120
200
75 120 75
Más de 10 años x = 0.375
120 200 120
25 80 25
80 Menos de 1 año x = 0.125
80 200 80
200 15
No Permanecen 80
80 15
1 a 5 años x = 0.075
200 80
10 6 a 10 años 80 10
x = 0.050
80 200 80
30
80
80 30
x = 0.150
Más de 10 años 200 80
Teorema de Bayes
≻ En el Siglo
g XVIII El reverendo Thomas Bayes,
y p
planteó
la siguiente pregunta
– ¿Realmente existe Dios?
≻ Ya que estaba interesado en las ciencias matemáticas
intentó desarrollar una formula para llegar a evaluar
la probabilidad de que Dios exista, basado en la
evidencia que disponía en la tierra
tierra.
≻ Mas adelante Laplace afinó el trabajo de Bayes y le
dio el nombre de “teorema de Bayes” que se expresa
asíí P( A ) P( B | A )
P( Ai | B ) = i i
P( A1 ) P( B | A1 ) + P( A2 ) P( B | A2 )
Teorema de Bayes
≻ Se supone que A1 y A2 son mutuamente
excluyentes
l y colectivamente
l i exhaustivos,
h i y que
Ai representa cualquiera de los eventos A1 o A2
≻ Suponga que el 5% de la población de
l l l l di padece
lululalandia d una enfermedad
f d d que es
originaria de ese país. Sea A1 el evento “tiene la
enfermedad”, y A2 el evento “no tiene la
enfermedad .
enfermedad”
≻ Por tanto sabemos que si asignamos a un
habitante al azar, la probabilidad de que tenga
la enfermedad sera de 0 0.05.
05
– a esta probabilidad se le llama “a priori” que es la
probabilidad inicial con base en el nivel actual de
información
Teorema de Bayes
Teorema de Bayes
P( A1 ) P( B | A1 )
P( A1 | B) =
P( A1 ) P( B | A1 ) + P( A2 ) P( B | A2 )
(0.05)(0.90)
P( A1 | B) =
(0.05)(0.90) + (0.95)(0.15)
0.0450
P( A1 | B) =
0.1875
P( A1 | B) = 0.24
Teorema de Bayes
P( A1 ) P( B | A1 )
P( A1 | B) =
P( A1 ) P( B | A1 ) + P( A2 ) P( B | A2 )
(0.05)(0.90)
P( A1 | B) =
(0.05)(0.90) + (0.95)(0.15)
0.0450
P( A1 | B) =
0.1875
P( A1 | B) = 0.24