Академический Документы
Профессиональный Документы
Культура Документы
Presentacin por:
Octubre, 2017
Probabilidad condicional
Reglas multiplicativas
Regla de Bayes
Distribuciones empricas
Probabilidad condicional
Probabilidad condicional o condicionada [1]:
La probabilidad de que ocurra el evento B cuando se conoce
que ya ocurri el evento A, se conoce como probabilidad
condicional:
P( AB)
P(BA)= si P( A)> 0
P( A)
Esta frmula se lee la probabilidad de que ocurra B dado
que ocurri A o probabilidad de B, dado A.
Es importante observar que no es lo mismo la probabilidad
de B dado A que la probabilidad de B dado A. 4
Ejercicio resuelto:
En un curso existen 37 estudiantes. De estos, 20 toman la
asignatura de Programacin III, 10 toman Clculo Integral y
7 toman Programacin III y Clculo Integral. Determine lo
siguiente:
Ejercicio resuelto:
Solucin:
Como primer punto, consideramos al suceso A como tomar
Programacin III y a B como tomar Clculo Integral.
Luego de ello podemos genera run diagrama de Venn para
ilustrar estos dos sucesos.
A B
20 7 10
P(AB)
6
Ejercicio resuelto:
Solucin:
Ejercicio resuelto:
Solucin:
b) Para determinar la probabilidad de que un estudiante
seleccionado al azar tome Clculo Integral, dado que toma
Programacin III, debemos calcular primero cul es la
probabilidad de que tome Programacin III (evento A):
20 20
P( A)= = =0.54
(20+ 10+ 7) 37
Ejercicio resuelto:
Solucin:
b) Ahora calculamos la probabilidad de que est tomando
Programacin III y Clculo Integral, esto es, P(AB):
7 7
P( AB)= = =0.189
(20+ 10+ 7) 37
Finalmente, calculamos la probabilidad de que el
estudiante est tomando Programacin III dado que toma
Calculo Integral:
P( AB) 0.189
P(BA)= = =0.35
P( A) 0.54 9
Ejercicio propuesto en clase [2]:
10
Ejercicio propuesto en clase [2]:
11
Ejercicios propuestos a casa:
12
Eventos independientes [1]:
En determinadas circunstancias, algunas situaciones de
probabilidad implican ms de un evento. En estos casos,
cuando los eventos no se ven afectados entre s, se les
conoce como eventos independientes:
P( AB)=P( A)
Esto implica que la ocurrencia del evento B no tiene
impacto en la ocurrencia del evento A. Es decir, la
ocurrencia de A es independiente de la ocurrencia de B.
13
Eventos independientes [1]:
Con ello, se tiene la siguiente definicin:
P(BA)=P(B) y P( AB)=P( A)
De otro modo, A y B son dependientes.
14
Reglas Multiplicativas
15
Reglas Multiplicativas [1]:
Si en un experimento pueden ocurrir los eventos A y B,
entonces tenemos:
P( AB)=P( A) P(BA)
De esta forma, la probabilidad de que ocurran A y B es igual
a la probabilidad de que ocurra A multiplicada por la
probabilidad de ocurra B dado A.
Asimismo, dado que AB y BA son equivalentes,
podramos escribir la frmula de la siguiente forma:
P( AB)=P(B A)=P( A) P(BA)
16
Ejercicio resuelto 1 [1]:
En una caja se tienen 30 bolgrafos, de los cuales 17 tienen
falla. Cul es la probabilidad de que al sacar dos bolgrafos,
de uno en uno y sin reemplazo, se obtenga dos defectuosos?
Desarrollo: Vamos a suponer que el suceso de obtener el
primer bolgrafo defectuoso es A y el suceso de obtener el
segundo defectuoso es B. Con ello, si tenemos 17 bolgrafos
defectuosos, la P(A) sera:
17
P( A)= =0.57
30
17
Ejercicio resuelto 1 [1]:
Como hemos sacado un bolgrafo defectuoso sin reemplazo,
nos quedan 16 en la caja. Con ello, la probabilidad de
obtener un segundo bolgrafo defectuoso P(B) es:
16
P(B)= =0.55
29
Con ello, podemos calcular la probabilidad de P(AB):
P( AB)=0.570.55=0.321
18
Ejercicio resuelto 2 [1]:
Suponga que existen 2 cajas. En la primera caja se tienen 7
bufandas rojas y 4 azules. En la segunda caja se tiene 5
bufandas rojas y 8 azules. Se toma una bufanda al azar de la
primera caja y se coloca en la segunda caja.
Dado lo anterior, se plantea la siguiente pregunta: Cul es
la probabilidad de que se saque una bufanda azul de la
segunda caja?
19
Ejercicio resuelto 2 [1]:
Solucin: Vamos a designar los siguientes eventos:
A = suceso de sacar una bufanda roja de la caja 1.
B = suceso de sacar una bufanda azul de la caja 1.
C = suceso de sacar una bufanda azul de la caja 2.
De todos los eventos posibles, nos interesa que se de las
siguiente situaciones:
Que saque una bufanda azul de la caja 2 al haber sacado
una bufanda roja de la caja 1.
Que saque una bufanda azul de la caja 2 al haber sacado
una bufanda azul de la caja 1.
20
Ejercicio resuelto 2 [1]:
Con ello, las probabilidades que nos interesa calcular
son:
P [( AC ) o P(BC )]=P( AC )+ P(BC )
Aplicamos la regla multiplicativa:
P( AC )+ P(BC )=P( A) P(CA)+ P(B) P(CB)
A fin de realizar de forma ms sencilla los clculos,
emplearemos el diagrama del rbol.
21
Ejercicio resuelto 2 [1]:
7 6
P ( Roja1Roja2)=( )( )
Saca Roja 11 14
P = 6/14
6 Rojas
8 Azules P = 8/14
Saca Roja
7 8
P( Roja1 Azul2)=( )( )
Caja 2 Saca Azul 11 14
P = 7/11
7 Rojas 4 5
4 Azules P( Azul1Roja2)=( )( )
Saca Roja 11 14
P = 4/11
Caja 1 5 Rojas P = 5/14
Saca Azul 9 Azules
P = 9/14
4 9
Caja 2 P( Azul1 Azul2 )=( )( )
Saca Azul 11 14
22
Ejercicio resuelto 2 [1]:
Finalmente, con los valores sealados con amarillo,
podemos establecer la frmula:
7 8 4 9
P [( AC ) o P(BC )]=( )( )+ ( )( )
11 14 11 14
23
Ejercicios propuestos a casa:
24
Reglas de Bayes
25
Regla de Bayes [1]:
Este teorema fue propuesto por el filsofo Thomas Bayes
en el ao 1763 y expresa la probabilidad condicional de
un evento A dado B en trminos de probabilidad
condicional del evento B dado A y la distribucin
marginal del evento A:
P( AB) P( A) P(BA)
P( AB)= =
P(B) P(B)
26
Regla de Bayes [1]:
La regla de Bayes reviste de gran inters, dado que
posee importantes aplicaciones en los ms variados
mbitos de la ciencia. Algunas de las ms importantes
son las siguientes:
27
Regla de Bayes [1]:
De forma general, el teorema de la probabilidad total o
regla de eliminacin se define de la siguiente manera:
Fuente: [3] 28
Regla de Bayes [1]:
Ejercicio resuelto 1 [4]:
En una bolsa existen papeletas de tres colores (amarillo, azul y
rojo), con las siguientes probabilidades de ser elegidas:
- Amarillo: probabilidad del 37%
- Azul: probabilidad del 40%
- Rojo: probabilidad del 23%
De acuerdo a la papeleta escogida, se puede participar en un
sorteo con las siguientes probabilidades:
- Amarillo: se participa en un sorteo con una probabilidad de
ganar del 30%
- Azul: se participa en un sorteo con una probabilidad de ganar
del 27%
- Rojo: se participa en un sorteo con una probabilidad de ganar
del 43%
Qu probabilidad de ganar se tiene en el sorteo que se
participe? 29
Regla de Bayes [1]:
Ejercicio resuelto 1 [4]:
- Para resolver el problema, primero debemos verificar
que las papeletas formen un sistema completo (la suma
de probabilidades es 1 o 100%).
- A continuacin, aplicamos la frmula de la probabilidad
total:
Fuente: [3] 30
Regla de Bayes [1]:
P (B r A) P (B r ) P ( AB r )
P( BrA )= k
= k
para r=1,2,, k.
P (Bi A ) P( Bi ) P( ABi)
i=1 i=1
31
Regla de Bayes [1]:
Ejercicio resuelto 2:
- En una fbrica de placas Arduino existen tres mquinas (M1, M2
y M3). Estas mquinas producen el 27%, 43%, y 30%
respectivamente, de todas las tarjetas que genera la fbrica. El
porcentaje de error de las mquinas es 7%, 5% y 4%,
respectivamente. Se solicita determinar lo siguiente:
Fuente: [3] 32
Regla de Bayes [1]:
Ejercicio propuesto:
En una empresa van a cambiar a tu jefe y se barajan diversos
candidatos:
a) Carlos, con una probabilidad del 40%
b) Juan, con una probabilidad del 30%
c) Luis, con una probabilidad del 20%
En funcin de quien sea tu prximo jefe, la probabilidad de que
te suban el sueldo es la siguiente:
a) Si sale Carlos: la probabilidad de que te suban el sueldo es
del 5%.
b) Si sale Juan: la probabilidad de que te suban el sueldo es del
20%.
c) Si sale Luis: la probabilidad de que te suban el sueldo es del
60%.
Cual es la probabilidad de que te suban el sueldo?.
33
Regla de Bayes [1]:
Ejercicio propuesto:
Una vez corregido el error del ejercicio anterior (aadir un 10%
a la probabilidad de Luis), resuelva el ejercicio.
34
Regla de Bayes [1]:
Ejercicio resuelto 2:
Una vez corregido el error del ejercicio anterior (aadir un 10%
a la probabilidad de Luis), resuelva el ejercicio.
35
Ejercicios propuestos:
- http://stattrek.com/online-calculator/bayes-rule-calculator.aspx
- http://www.ugr.es/~jsalinas/bayes.htm
- https://learnbayes.wordpress.com/2011/08/28/bayes-rule-in-r/
36
Conceptos de variable
aleatoria
37
Conceptos de variable aleatoria [1]:
Una variable aleatoria (v.a.) o variable estocstica es
una funcin que asocia un nmero real con cada
elemento del espacio muestral
La notacin que se emplear es la que se detalla a
continuacin:
La variable aleatoria se representar con una letra
mayscula (por ejemplo Z).
Un valor particular de una variable aleatoria se representar
con la letra minscula (por ejemplo z).
38
Conceptos de variable aleatoria [1]:
Ejemplos de v.a.:
Se tiene una caja con 3 bolgrafos rojos y 4 negros. Si se
sacan 3 bolgrafos (sin reemplazo), cules son los posibles
resultados y valores z, donde Z es el nmero de bolgrafos
negros?
Espacio muestral z
NNN 3
NNR 2
NRN 2
RNN 2
NRR 1
RNR 1
RRN 1
RRR 0
39
Conceptos de variable aleatoria [1]:
Algunas definiciones:
Si un espacio muestral contiene un nmero finito de
posibilidades o una serie interminable con tantos
elementos como nmeros enteros existen se llama
espacio muestral discreto
Si un espacio muestral contiene un nmero infinito de
posibilidades igual al nmero de puntos en un segmento
de lnea, se llama espacio muestral continuo
40
Conceptos de variable aleatoria [1,5]:
Algunas definiciones:
Una variable aleatoria se llama discreta, si se puede
contar su conjunto de resultados posibles. Ejemplos:
a)nmero de caras al lanzar 3 dados, b)nmero de cifras
acertadas en un sorteo de lotera.
Una variable aleatoria se llama continua cuando puede
tomar valores en una escala continua. Ejemplos:
a)duracin de una llamada a un servicio de atencin al
cliente, b)tiempo que un mdico tarda en atender a un
cliente.
41
Conceptos de variable aleatoria [1,5]:
Herramienta On-Line:
En la siguiente pgina web existe una herramienta que
permite analizar los casos de variable aleatoria finita y
variable aleatoria infinita. Revisar la pgina y realizar una
conclusin de su utilidad:
http://www.zweigmedia.com/MundoReal/Summary7.html
42
Distribuciones discretas y
continuas de probabilidad
43
Distribucines discretas de probabilidad [1]:
El conjunto de pares ordenados (x,f(x)) es una funcin
de probabilidad, funcin masa de probabilidad o
distribucin de probabilidad de la variable aleatoria
discreta X si para cada resultado posible de x:
1. f ( x)0.
2. f ( x)=1.
x
3. P ( X =x)=f (x)
44
Distribuciones discretas de probabilidad [1]:
Ejercicio resuelto:
Una empresa importa impresoras 3D desde China. El
ltimo embarque que ha realizado han llegado 11
impresoras, de las cuales 4 estn daadas. Si la
empresa selecciona 3 al azar para enviarlas a un
proveedor, encuentre la distribucin de probabilidad
para el nmero de impresoras que presentan dao.
Sugerencia: Puede emplear el software de clculo
online para combinaciones:
http://www.calculatorsoup.com/calculators/discretemathematics/combinations.php
45
Distribuciones discretas de probabilidad [1]:
Ejercicio resuelto:
Solucin: sea X una variable aleatoria cuyos valores x
son los nmeros posibles de impresoras con dao que
se enviarn al proveedor. Por ello, podramos tener los
siguientes valores:
Que ninguna impresora tenga dao (0)
Que alguna tenga dao (1, 2 o 3).
46
Distribuciones discretas de probabilidad [1]:
4 7
Ejercicio resuelto:
f (2)=P ( X =2)=
2 1 ( )( )
=
42
11 165
Solucin: 3 ( )
4 7
f (0)=P( X =0)=
0 3
=
( )( )
35 4 7
3 0 ( )( )
165 4
11 f (3)=P ( X =3)= =
3 ( ) 11
3
165
( )
4 7
f (1)=P ( X =1)=
1 2 ( )( )
=
84
11 165
3 ( )
47
Distribuciones discretas de probabilidad [1]:
Ejercicio resuelto:
Solucin: Con ello, la distribucin de probabilidad de x
es:
x 0 1 2 3
f(x) 35/165 84/165 42/165 4/165
48
Distribuciones discretas de probabilidad [1]:
Ejercicios en clase:
Resolver los problemas 1, 2 y 3 planteados en la pgina
61 del libro gua.
49
Distribuciones discretas de probabilidad [1]:
La funcin de distribucin de probabilidad
acumulativa F(X) de una variable aleatoria discreta X
con distribucin de probabilidad f(x), es:
50
Distribuciones discretas de probabilidad [1]:
Ejemplos de funcin de masa de probabilidad
Fuente: [1]
51
Distribuciones discretas de probabilidad [1]:
Ejemplos de funcin de distribucin acumulativa discreta:
Fuente: [1]
52
Distribuciones discretas de probabilidad [1]:
Prctica en R:
Desarrollar una funcin que pueda generar una
cantidad variable de nmeros pseudoaleatorios (entre 0
y 1).
Generar 10 grupos de nmeros ([0 a 0.1], [0.1 a 0.2],
, [0.9 a 1.0]), contando cuntos nmeros se tienen en
cada rango.
Graficar los histogramas de frecuencias y frecuencias
acumuladas de este resultado.
Cargar el cdigo fuente al AVAC a la tarea Prctica de
Nmeros Aleatorios e Histogramas.
53
Distribuciones continuas de probabilidad [1]:
Imagine que desea determina la probabilidad de
seleccionar una estrella del universo que tenga un
dimetro exacto de 10.000 Km. Dado que trabajamos
con valores continuos, existirn miles de millones de
estrellas con valores muy cercanos al deseado
(10.000,01 , 10.001, 10.000,00001, etc.).
Ello hace que la posibilidad del evento de encontrar una
estrella exactamente de 10.000 Km de dimetro sea muy
remoto, y por ello se le asigna una probabilidad de cero.
54
Distribuciones continuas de probabilidad [1]:
Sin embargo, si consideramos la posibilidad de
seleccionar una estrella que mida entre 9.900 Km y
10.100 Km. Esto es un intervalo, en lugar de un valor
puntual.
Por ello, trataremos el clculo de probabilidades de
varios intervalos de variables continuas como:
P(a< X b) = P(a< X <b)+ P( X =b) = P(a< X b)
Con ello, no importa si no se incluye el extremo del
intervalo (lo que no pasa en el caso de las discretas).
55
Distribuciones continuas de probabilidad [1]:
La distribucin de probabilidad de una variable aleatoria
se conoce como funcin de densidad de probabilidad
de X. Esta funcin se representa con una frmula f(x)
que puede tener o muchas discontinuidades.
Dado que se usar reas para representar
probabilidades y estas son valores positivos, la funcin
de densidad deber estar sobre el eje x.
56
Distribuciones continuas de probabilidad [1]:
57
Distribuciones continuas de probabilidad [1]:
Una funcin de densidad de probabilidad se construye de
forma que el rea bajo su curva limitada por el eje x sea
igual a 1. En la siguiente figura la probabilidad de que X
tome un valor entre a y b es igual al rea sombreada, y
la integral est dada por [1]:
58
Distribuciones continuas de probabilidad [1]:
Definicin: la funcin f(x) es una funcin de densidad de
probabilidad para la variable aleatoria continua X,
definida en el conjunto de nmeros reales R, si:
59
Distribuciones continuas de probabilidad [1]:
Ejercicio resuelto:
El ndice del crecimiento de un hongo sinttico posee la
funcin de densidad de probabilidad que se detalla a
continuacin.
4 3
{
f (x)= 65
x , para 2< x <3
0 en cualquier otro caso
Determinar:
a) Que se cumple: 2.
f ( x)dx=1
b) Calcule P(0< X 2)
60
Distribuciones continuas de probabilidad [1]:
Solucin:
a) Integramos en el intervalo en que se encuentra
definida la funcin:
3
4 3
f ( x)dx=
65 2
x dx=1
b) Integramos en el rango especificado:
2
4 3 16
P(0< X 2)= x dx=
0 65 65
61
Distribuciones continuas de probabilidad [1]:
La distribucin acumulada F(x) de una variable
aleatoria continua X con funcin de densidad f(x) es:
x
Con ello, podemos definir las 2 siguientes frmulas:
dF ( x)
f ( x)= si existe la derivada
dx
62
Distribuciones continuas de probabilidad [1]:
Ejercicio resuelto:
El ndice del crecimiento de un hongo sinttico posee la
funcin de densidad de probabilidad que se detalla a
continuacin.
4 3
{
f (x)= 65
x , para 2< x <3
0 en cualquier otro caso
Emplee la frmula de la distribucin acumulada para
determinar: P(0< X 2)
63
Distribuciones continuas de probabilidad [1]:
Ejercicio resuelto:
Solucin: Determinamos el valor para el intervalo 0<X2
x x 4 x
4 3 4 t 1 4
F ( x)= f (t )dt =
2 2 65
t dt =
65 4 |2
=
65
( x 16)
Aplicamos la frmula de la distribucin acumulada:
1 16
P(0< X 2)=F (2)F (0)= [(2416)(04 16)]=
65 65
64
Distribuciones continuas de probabilidad [1]:
Ejercicios propuestos:
Resolver los problemas 6, 7, 13 y 23 (pgina 61 del
libro)
65
Referencias
66
Referencias
[1] Walpole, R. E., Myers, R. H., & Myers, S. L. (1999). Probabilidad y estadstica para
ingenieros. Pearson Educacin.
[2] Bianco, A. & Martnez, E. (2004). Probabilidades y Estadstica. URL:
http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2011/1/PyEC02.pdf.
Recuperado el 03/01/2015.
[3] Pikabea J. MATEMATICAS ACCESO CICLOS FORMATIVOS Y UNIVERSIDAD > 25 AOS
DEL PAIS VASCO 2014 2016. URL:
http://josupikabeamatematicas.blogspot.com/2013/09/bloque-3-estadistica-y-probabi
lidad-35.html
. Recuperado el 03/01/2015.
[4] Aula Fcil. Teorema de probabilidad total. URL:
http://www.aulafacil.com/cursos/l11236/ciencia/estadisticas/estadisticas/teorema-de-
la-probabilidad-total
. Recuperado el 03/01/2015.
[5] Vlchez S.(2008). Variable Aleatoria. URL:
http://www4.ujaen.es/~svilchez/metodos/Tema4_VariableAleatoria.pdf
67
Fin de la Presentacin
Preguntas?
68