Академический Документы
Профессиональный Документы
Культура Документы
Tema 1
Inicio
Salir
1/14
PROBABILIDAD
1.
Se puede predecir con certeza qu e ocurrir a con el agua cuando alcance una temo peratura de 100 C? Se puede determinar el tiempo que necesita el caballito de un tiovivo para dar una vuelta completa? Se puede predecir el sexo de un bebe en su primera semana de gestaci on? Se puede predecir el n umero de frutos que dar a al nal de temporada una planta de tomate?
1. Determin sticos: Resultados conocidos con exactitud. Al repetir en las mismas condiciones obtenemos los mismos resultados. Ejemplo 1.1 Espacio recorrido = velocidad tiempo. 2. Aleatorios: Conocemos lo que puede ocurrir, pero no qu e va a ocurrir con exactitud. Si se repite el fen omeno en las mismas condiciones no mismo resultado. Tendremos incertidumbre sobre el resultado. Buscamos una medida de esa incertidumbre Probabilidad. Ejemplo 1.2 Dado, moneda, lluvia, n umero de personas que sacan dinero de un cajero por hora,...
Inicio
Salir
2/14
PROBABILIDAD
Fen omenos aleatorios y aplicaciones en Inform atica: retrasos en la circulaci on de paquetes de informaci on, comunicaciones a trav es de redes, ca das de sistemas, accesos a un servidor, asignaciones de memoria, tiempo de ocupaci on de un servidor, predicci on del n umero de usuarios de una red, predicci on de colapsos, reconstrucci on de im agenes digitales, reconocimiento de patrones, inteligencia articial, eciencia de algoritmos, reconocimiento del lenguaje, modelizaci on del tr aco en redes, modelizaci on del funcionamiento o rendimiento de computadores, comparaci on del rendimiento de distintas arquitecturas de computadores, simulaci on de sistemas, abilidad de sistemas,...
Inicio
Salir
3/14
PROBABILIDAD
2.
Algunas deniciones
Tema 1 Introducci on a la Teor a de la Probabilidad
Denici on 2.1 Llamaremos espacio muestral al conjunto de todos los posibles resultados de un experimento aleatorio. El conjunto puede ser nito o innito numerable (espacio muestral discreto) o innito no numerable (continuo). Cada elemento o punto de se llama suceso elemental y se denota = {1 , 2 , . . .} Ejemplo 2.1 Lanzamiento de moneda. = {cara, cruz } Ejemplo 2.2 Tirar un dado. = {1, 2, 3, 4, 5, 6} Ejemplo 2.3 N umero de accesos a un servidor por minuto. = {0, 1, 2, . . .} Ejemplo 2.4 Tiempo de reacci on ante un est mulo. = (0, ) Denici on 2.2 Un suceso es una colecci on de posibles resultados de un experimento, es decir, cualquier subconjunto de (incluido en si mismo). Los denotaremos con letras may usculas: A, B, C,. . .. Ejemplo 2.5 Lanzamiento de un dado. A = {par} = {2, 4, 6} . Ejemplo 2.6 Lanzamiento de una moneda hasta obtener cara. Ejemplo 2.7 Lanzamiento de tres monedas. Denici on 2.3 (Sucesos disjuntos) A y B son disjuntos si A B = . Los sucesos A1 , A2 , . . . son disjuntos dos a dos si Ai Aj = i = j
Inicio
Salir
4/14
PROBABILIDAD
2.1.
Inicio
5/14
PROBABILIDAD
Si A B = A B = A A B = A B = A Bc
Tema 1 Introducci on a la Teor a de la Probabilidad
7. Propiedad commutativa. A B = B A. A B = B A. 8. Propiedad asociativa. A (B C ) = (A B ) C. A (B C ) = ( A B ) C . 9. Leyes Distributivas. A (B C ) = (A B ) (A C ). A (B C ) = (A B ) (A C ). 10. Leyes de Morgan. (A B )c = Ac B c . (A B )c = Ac B c . Las uniones e intersecciones se extienden a colecciones innitas de sucesos. Sucesos incompatibles.
Inicio
Salir
6/14
PROBABILIDAD
Ejemplo 2.8 = {1, 2, 3, 4, 5, 6} A = {obtener par} Ac = {1, 3, 5} B = {obtener primo} A B = {1, 2, 3, 4, 5, 6} A B = {2} A B = {4, 6} Par y cinco son incompatibles. Denici on 2.4 ( - algebra) Una clase de conjuntos A tiene estructura de algebra si: a) A A Ac A. b) A1 , A2 , . . . A
n=1
An A.
Ejemplo 2.9 Sea = {1, 2, 3}. El conjunto de todos los subconjuntos de es una - algebra. Ejemplo 2.10 = {1, 2, 3, 4, 5, 6}. P = {1, 2, 3, 5}. A = {, , {1, 2, 3, 5}, {4, 6}}. Ejemplo 2.11 =R . Podemos construir una - algebra con todos los conjuntos de la forma [a, b], (a, b], (a, b), [a, b) con a, b R .
Inicio
Salir
7/14
PROBABILIDAD
3.
Asignando probabilidades
Tema 1 Introducci on a la Teor a de la Probabilidad
Depender a de la realidad f sica del experimento. a ) Probabilidad cl asica (Laplace). Si el resultado de un experimento aleatorio puede presentarse de n formas distintas mutuamente excluyentes, todas con las mismas posibilidades de aparecer, y si nA de ellas corresponden a un suceso A, entonces la probabilidad de A, P (A) = casos f avorables nA = . n casos posibles
Limitaciones: debe modicarse si tenemos innitos posibles resultados y debemos estar seguros de que todos los resultados son equiprobables. Ejemplo 3.1 Dados. Moneda. Cartas Utilidad de las Reglas de Conteo. Ejemplo 3.2 (4 ases en poker en una mano con 5 cartas) . Baraja de 52 cartas. Se pide la probabilidad de obtener 4 ases en una mano de 5 cartas cualquiera sin importar el orden al coger las cartas. 52 = 2598960 Casos posibles: 5 Como en el suceso de inter es hay exactamente 4 ases, entonces hay 48 posibilidades para la carta restante. Por lo tanto, hay 48 posibles resultados que cumplen la condici on de tener 4 ases, por lo que P [4 ases] = 48 = 0,000018468. 2598960
Inicio
Salir
8/14
PROBABILIDAD
P [obtener i puntos] =
P [1 punto] =
r 2 r2 ( 4 ) 5 2 r
= 1
4 5
P [2 puntos] =
r 2 r 2 ( 4 ) ( 3 ) 5 5 2 r
42 32 52
Inicio
Salir
9/14
PROBABILIDAD
A l mn nn
= l mn f r(A)
Tema 1 Introducci on a la Teor a de la Probabilidad
1) Desde un punto de vista te orico, este l mite no puede interpretarse en el sentido del An alisis Matem atico, no es posible jar a priori un n umero de repeticiones n a partir del cual la diferencia entre la frecuencia relativa y la probabilidad sea menor que una cantidad prejada. 2) Desde un punto de vista pr actico, al no ser posible la experimentaci on indenida, la informaci on que aporta la frecuencia relativa es siempre limitada. 3) No permite calcular probabilidades de sucesos inciertos, que s olo ocurrir an una vez y ni existe ni es posible generar observaciones homog eneas sobre las que calcular la frecuencia relativa. Ej. calcular la probabilidad de que un producto tenga exito, de que un atleta supere un record, de que se produzca un accidente en una central nuclear. c ) Probabilidad subjetiva. Otra posibilidad es entender la probabilidad como una medida personal de la incertidumbre asociada a un suceso basada en experiencias previas. De manera que la probabilidad de un suceso A depender a de la informaci on disponible I , formalmente P [A|I ]. I contiene la evidencia emp rica existente respecto a la ocurrencia de un suceso y los sucesos posibles al realizar el experimento. Esta concepci on conduce a lo que se conoce como Estad stica Bayesiana, tema que queda fuera del alcance de este curso.
Inicio
Salir
10/14
PROBABILIDAD
Ai ] =
Inicio
Salir
11/14
PROBABILIDAD
5.
Inicio
Salir
12/14
PROBABILIDAD
6.
Probabilidad condicionada
Tema 1 Introducci on a la Teor a de la Probabilidad
En muchas ocasiones disponemos de informaci on adicional que nos permite actualizar el espacio muestral de referencia, en consecuencia la probabilidad de un mismo suceso var a cuando se tiene en cuenta la nueva informaci on. Ejemplo 6.1 (Lanzamiento de una moneda dos veces) = {(c, c), (c, +), (+, c), (+, +)} A = {al menos una moneda es cara} P [B ] = 2/4, P [A] = 3/4 |B = {(c, c), (+, +)} P [A|B ] = 1/2 B = {las dos monedas mismo resultado}
Al aumentar la informaci on se reduce el espacio muestral. Denici on 6.1 Dado un espacio de probabilidad (, A, P ) y dados dos sucesos A, B A con P [B ] > 0, se llama probabilidad condicionada del suceso A dado B , escrito P [A|B ], al cociente P [A|B ] = P [A B ] P [B ]
Inicio
Para cualquier suceso B , con P [B ] > 0, se verica que P [|B ] es una funci on de probabilidad, es decir, verica los axiomas de Kolmogorov. Por lo tanto, se verican todas las propiedades vistas para una medida de probabilidad.
Salir
13/14
PROBABILIDAD
Teorema 6.1 (de la probabilidad total) Dado un espacio de probabilidad (, A, P ) y una partici on {Ai }i=1,...,n de con P [Ai ] > 0, se verica que
Tema 1
n
P [A] =
i=1
P [A|Ai ]P [Ai ] A A
Ejemplo 6.2 (Tres urnas con bolas rojas y blancas) Urna 1: 3 R 2 B, Urna 2: 4 R 6 B, Urna 3: 1 R 3 B Proceso: 1o elegir urna al azar, 2o extraer bola de la urna al azar. A = {bola blanca} Ai = {elegir urna i}
P [A] = P [A|A1 ]P [A1 ] + P [A|A2 ]P [A2 ] + P [A|A3 ]P [A3 ] = 0,5833 Podemos utilizar la denici on de probabilidad condicionada para calcular la probabilidad de una intersecci on cuando su c alculo directo es complicado: P [A B ] = P [A|B ]P [B ] = P [B |A]P [A] de donde P [A|B ] = P [B |A] P [A] , P [B ]
Inicio
expresi on conocida como regla de Bayes. De forma m as general tenemos el siguiente teorema:
Salir
14/14
PROBABILIDAD
Teorema 6.2 (de Bayes) Dado un espacio de probabilidad (, A, P ) y una partici on {Ai }i=1,...,n de con P [Ai ] > 0, se verica que B A con P [B ] > 0,
Tema 1
P [Ai |B ] =
i = 1, 2, . . .
Ejemplo 6.3 (C odigo Morse.) Al enviar mensajes se cometen errores por interferencias en el canal de comunicaci on. En un mensaje cualquiera la relaci on entre y es de 3 : 4. Errores: P [recibir |enviado ] = 1/8 P [recibir |enviado ] = 1/8
7.
Independencia de sucesos
A veces, la ocurrencia de un determinado suceso B no tiene efecto sobre la probabilidad de otro suceso A. Esto formalmente se escribir a P [A|B ] = P [A]. Si esto es as , por la regla de Bayes, resulta que P [B |A] = P [A|B ] P [B ] P [B ] = P [A] = P [B ] P [A] P [A]
Inicio
Es decir, la ocurrencia de A no tiene efecto en B . Adem as, como P [B |A]P [A] = P [A B ], resulta que P [A B ] = P [A]P [B ].
Salir
15/14
PROBABILIDAD
Denici on 7.1 Dos sucesos A y B se dice que son estad sticamente independientes si P [A B ] = P [A]P [B ]. Se puede denir la independencia de forma equivalente como P [A|B ] = P [A] con P [B ] > 0, o como P [B |A] = P [B ] con P [A] > 0. Teorema 7.1 Si A y B son sucesos independientes, entonces los siguientes pares de sucesos son independientes: a) A y B c . b) Ac y B . c) Ac y B c . Denici on 7.2 Una colecci on de sucesos A1 , A2 , . . . , An son mutuamente independientes si para cualquier subcolecci on Ai1 , Ai2 , . . . , Aik se tiene que
k
P[
j =1
Aij ] = k j =1 P [Aij ]
Inicio
Salir
16/14