Академический Документы
Профессиональный Документы
Культура Документы
INTRODUCIN A LA PROBABILIDAD
Introduccin
En los captulos anteriores nos hemos referido a mtodos estadsticos agrupados dentro de la Estadstica Pre-inferencial o Estadstica Descriptiva. Deberamos ahora presentar los mtodos catalogados dentro de la Estadstica Inferencial o Inferencia Estadstica los cuales tienen como propsito dimensionar, y en lo posible controlar, la posibilidad de cometer el error asociado a la inferencia inductiva que se desea realizar a base de observaciones o datos. Para dimensionar el error deberamos contar con una forma medir la posibilidad de cometer dicho error inferencial. Esta medicin ser realizada mediante la probabilidad , y por ello , antes de referirnos a la Inferencia Estadstica destinaremos algunos captulos a revisar los conceptos y resultados bsicos respecto de la teora de la probabilidad. El trmino probabilidad est directamente asociado a la cuantificacin de la incertidumbre o del grado de creencia de la ocurrencia o manifestacin de ciertos hechos o sucesos o eventos. As cuando se habla de la probabilidad de sea electo Presidente del pas, se espera la indicacin de algn nmero entre 0 y 1 (frecuentemente expresado en porcentaje) que nos indica la expectativa o la creencia, personal de que efectivamente sea electo Presidente en un futuro. Este tipo de probabilidad corresponde a la llamada probabilidad subjetiva Tambin se usa corrientemente el trmino probabilidad para describir la frecuencia con que un determinado suceso o evento se presenta. Por ejemplo en los juegos de azar, si se lanza un dado, se dice que la probabilidad de obtener un nmero mayor que cuatro es 0,6 o 60% en el sentido de que de cada seis lanzamientos de un dado, en teora, o en general, se debera esperar obtener dos resultados favorables al suceso que se describe. Este tipo de probabilidades se les reconoce como probabilidad frecuentista. Las probabilidades frecuentistas llevan implcito el supuesto de que es posible repetir en iguales condiciones un mismo experimento (por ejemplo: lanzar un dado). Las probabilidades subjetivas slo indican grados de creencia los que pueden o no estar sustentados por repeticiones de experimentos. En este captulo estudiaremos un enfoque general de probabilidad que cubre tanto el enfoque subjetivo como el frecuentista.
Experimento aleatorio
Llamaremos fenmeno o experimento o acontecimiento aleatorio E a aqul que presenta ms de un resultado posible. Ejemplos:
E1 Lanzar una moneda es un experimento aleatorio porque presenta, al menos dos resultados:
Cara o Sello. E2 En general cualquier juego (de azar , deportivo u otros), son experimentos aleatorios por cuanto presentan diferentes resultados posibles.
Espacio Muestral
Se llama Espacio Muestral al un conjunto cuyos elementos representan a cada uno de los posibles resultados de un experimento aleatorio E. El Espacio Muestral se representa usualmente con el smbolo , vale decir:
E = {r r representa un resultado de E}
Ejemplos 1-
= {C , S} es un Espacio Muestral asociado al experimento de lanzar una moneda, en el entendido de que, por ejemplo, C se asocia al resultado cara y S al resultado sello. = {1, 2,3, 4,5, 6} es un Espacio Muestral asociado al experimento de lanzar un dado, en el entendido de que, el nmero i indica que sali la cara que representa a dicho nmero ( i = 1, 2, 3, 4, 5, 6 ).
= [ a , b ] = {r a r b} es un Espacio Muestral para la medicin (por ejemplo el peso) de
2-
3-
a y b son dos nmeros dados (fijos) seleccionados de forma que con certeza se sepa que r [ a , b] .
Sucesos
Llamaremos Suceso a cualquier subconjunto del Espacio Muestral. Los sucesos son representados usualmente por letras maysculas A, B, C ,... Entonces, A es suceso si A . Ocurrencia de sucesos. Sea r0 un particular resultado obtenido del Experimento Aleatorio. Se dice que el suceso A ocurre si r0 A Suceso Seguro. Puesto que se tiene que es un suceso. Adems, por definicin de se tiene que r cualquiera sea el resultado del Experimento Aleatorio, en consecuencia siempre ocurre y por ello es llamado suceso seguro Suceso Imposible. Similarmente, puesto que se tiene que por definicin de en consecuencia
es un suceso. Adems,
se tiene que r cualquiera sea el resultado del Experimento Aleatorio, nunca ocurre y por ello es llamado suceso imposible.
S (cara)
En el ejemplo 2 anterior,
experimento es o bien el nmero 1, o bien el nmero 3 o bien el nmero 5. En el ejemplo 3 anterior, A = r 1,8 r 2,3 es un suceso que ocurre si y slo si el resultado del experimento resulta ser un peso cuyo valor se encuentra entre 1,8 y 2,3. Sucesos y Proposiciones Se dice que una proposicin p est asociada (o bien que define) a un suceso A si p es verdadero si y slo si A ocurre. Por ejemplo, p = sale un nmero par en al lanzamiento de un dado est asociada (o define) al Suceso
B = {2, 4, 6}
En adelante si una proposicin est asociada a un suceso hablaremos indistintamente del suceso o bien de la proposicin que lo define.
proposicin asociada a A B ser p A B = el nmero es menor que 4 y el nmero es par. Complemento A es un suceso ( A Entonces si p tiene que p
Ac
Ac
Ac
= p A .
p A es la negacin de p A
Ejemplo: Nuevamente consideremos el ejemplo del lanzamiento de un dado y sea Entonces
A = {2, 4, 6} .
Ac
= sale un
lgebra de Sucesos
Antes de definir la probabilidad, examinaremos primeramente a qu elemento se les desea dar (o conocer) una probabilidad. Una primera respuesta sera que se desea dar probabilidad a todo resultado posible (todo elemento de ). Aunque parece muy razonable conocer la probabilidad de cualquier resultado en general no ser suficiente. Si volvemos al ejemplo del lanzamiento del dado, no slo sera de inters conocer la probabilidad de cada uno de los seis elementos de sino tambin la probabilidad de que salga un nmero par o de que salga un nmero mayor que 3 etc. En general nos interesa dar probabilidad a sucesos (subconjuntos de ). La probabilidad de un particular resultado r0 aparecer expresada como la probabilidad del subconjunto cuyo nico
elemento es r0 ( {r0 } ).
Por otra parte, parece natural que si A, B son dos sucesos con probabilidad entonces
de sucesos (conjunto de
A c 2- A A A A 3- A B A A B A
Se propone como ejercicio demostrar que A B A A B A . (Ayuda: usar la ley de
( A B)
= A c B c y utilizar 2- y 3-).
P () = 1 P ( A) 0 A A A, B A A B = P ( A B ) = P ( A) + P ( B )
3- Si
Se observa que los tres axiomas son intuitivamente correctos. En efecto, el primero nos dice que la probabilidad de que ocurra el Suceso Seguro ( ) es 1 o 100%. El segundo axioma indica que la probabilidad de que cualquier suceso ocurra es mayor o igual a cero, lo que coincide con nuestra forma corriente de expresar una probabilidad. La tercera nos indica que si dos sucesos ( A, B ) no tienen resultados comunes (son mutuamente probabilidades de dichos sucesos ( P ( A ) + P ( B ) ). Observe que esta propiedad en general no es cierta si A B . Para ello considere, por ejemplo, el lanzamiento de un dado y los sucesos excluyentes) entonces la probabilidad de que ocurra uno de ellos ( A B ) es la suma de las
Andrei Nikolaevich Kolmogorov (1903 1987) matemtico ruso, public en 1933 su monografa sobre teora de probabilidad titulada Grundbegriffe der Wahrscheinlichkeitsrechnung (Axiomas Fundamentales del Clculo de Probabilidad) .
Lo interesante es que a base de estos tres axiomas se deducen todas las dems propiedades consideradas intuitivamente correctas cuando se trata con una Probabilidad. Veamos algunas de ellas. Teorema 1.
P () = 0 ,
Nota: el teorema afirma que la probabilidad del Suceso Imposible es cero lo cual coincide con nuestra intuicin Demostracin Puesto que A , = A por lo cual
c
= P ( ) = P ( ) + P () P ( ) = P ( ) + P () P () = 0
Teorema 2. Sea
A A . Entonces P ( A ) = 1 P ( A c )
Nota: el teorema indica que la probabilidad de un suceso es igual a 1 menos la probabilidad del Suceso Contrario, por ejemplo si la probabilidad de lluvia es 0,6 (o 60%), la probabilidad de que no llueva es 1-0,6 = 0,4 (o 40%) lo cual concuerda con el uso intuitivo de la probabilidad. Demostracin. Dado que tanto P ( A ) = 1 P A
B P ( A) P ( B ) Nota: el teorema nos dice que si toda vez que ocurre A , ocurre B , entonces la probabilidad de B es igual o mayor que la de A , lo que intuitivamente es cierto dado que B puede ocurrir sin que ocurra A pero A no puede ocurrir sin que ocurra B .
Teorema 3. Sean A, B A , Entonces A Demostracin.
( )
c
B A
A B
c
Por lo tanto, P ( B) = P A A B
c
( (
B 0
de donde
P ( B ) P ( A)
Teorema 4. Sea
A A . Entonces 0 P ( A) 1
Nota: el resultado de este teorema coincide con nuestro uso habitual del trmino de probabilidad al cual siempre se le asigna un valor entro cero y uno (0% a 100%) . Demostracin Puesto que A se tiene por el teorema anterior que 1 y el teorema 1 se tiene que Teorema 5.
P( ) P( A) P( ) y por el axioma
0 P ( A) 1
P ( A B ) = P ( A) + P ( B ) P ( A B )
Nota: el teorema intuitivamente es vlido porque la probabilidad de la unin de A con los resultados de B ser la probabilidad de los resultados que estn en A o en B . Al calcular la probabilidad de A se est considerando tambin la probabilidad de resultados de A que favorecen la ocurrencia de B (los que pertenecen a A B ) y cuando se calcula la probabilidad de B se considera nuevamente los mismos resultados que pertenecen a A B . Puesto que los resultados de A B se cuentan dos veces parece natural quitarlo una vez. Demostracin
A B = A Bc B y A Bc B = .
Puesto que A B A y se tiene que:
c
A B
) ( A B) ( A B ) ( A B) =
c
AB
AB
A B
c
En consecuencia:
P ( A ) = P A B c + P ( A B ) P A B c = P ( A ) P ( A B ) y por lo tanro
P ( A B ) = P A B c + P ( B ) = P ( A) P ( A B ) + P ( B )
Espacio de Probabilidad
A un lgebra de sucesos de y sea P una probabilidad definida en A . Entonces se dice que la terna ( , A , P ) es un Espacio de Probabilidad.
Ejemplo de Espacio de Probabilidad: Experimento realizado al azar. Definicin Sea E un experimento aleatorio y sea a E tal que
P ({i } ) = k =
Teorema Sea E un experimento aleatorio realizado al azar y sea probabilidad asociado a E. Entonces P ( A ) = definida mediante:
( , A , P ) un
espacio de
# ( A) 0 y iii) Si A, B A y A B = se tiene que # ( A B ) = # ( A) + # ( B ) por lo que fcilmente se comprueba que P verifica las propiedades 1-, 2- y 3- que caracterizan a una
funcin
de
probabilidad.
Adems,
si
A = { A}
se
tiene
que
#( A) veces
1 1 1 # ( A) . P ( A ) = P {} = P ({} ) = + + ... + = n n n # () A A
Nota Si interpretamos ocurra A ) y
de clculo de probabilidad aplicada en los juegos de azar es decir: nmero de casos favorables (a favor) dividido por el nmero de casos posibles. Si bien la frmula parece sencilla, el clculo de de los casos favorables y de los casos posibles puede resultar un tanto ms complejo. En el Anexo a este captulo se presentan algunas tcnicas ms usuales para contar o enumerar los elementos de un conjunto.
Probabilidad Condicional
La probabilidad condicional estudia de qu manera la hiptesis de que ocurre un suceso B del lgebra modifica la probabilidad de los dems sucesos del Algebra. En la figura, si se supone que
B ocurre entonces no ocurre c ningn resultado del rea rayada ( B ) por lo tanto la probabilidad de que A ocurra slo depender de la probabilidad de que A B ocurra y resultara modificada.
Entonces, si designamos por P A B la probabilidad de debe satisfacer las dos siguientes condiciones: 1-
AB
k=
Definicin. Sea si
tal que
P ( B ) 0 .Entonces
P ( A B) =
Teorema Sea
Demostracin. Como obviamente es un espacio muestral y demostrar que PB es una probabilidad, es decir que: 12-
PB ( ) = 1
3- Si
Esta demostracin se propone como ejercicio. Ejemplo: Considere el lanzamiento de un dado. Sea sea
probabilidad de que salga el nmero 2 dado que (o sabiendo que) sali un nmero par y se calcula como el cociente entre la probabilidad A B dividida por la probabilidad de B . Si
({2}) = 1 6 ; P ( B ) = 1 2 por lo
( )
De la definicin de probabilidad condicional surge que P ( A B ) = P A B P ( B ) . El siguiente teorema generaliza este resultado. Teorema del Producto Sean A1 , A2 ,..., An A
n 1 n sucesos tales que P Ai > 0 . Entonces i =1 n n 1 P Ai = P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) P ( A4 A1 A2 A3 ) .... P An Ai i =1 i =1
P ( A B ) 16 1 = = 1 P ( B) 3 2
Demostracin
n 1 P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) P ( A4 A1 A2 A3 ) .... P An Ai = i =1 n1 n P Ai P Ai n P ( A1 A2 ) P ( A1 A2 A3 ) P ( A1 A2 A3 A4 ) i P ( A1 ) .... ni =12 n=11 = P Ai i =1 P ( A1 ) P ( A1 A2 ) P ( A1 A2 A3 ) P Ai P Ai i =1 i=1
Independencia de sucesos Sean A, B A dos sucesos. Se dice que A y B son independientes si P ( A B ) = Teorema Sean A, B dos sucesos independientes y
P ( A) P ( B )
P ( B ) > 0 . Entonces P ( A B ) = P ( A )
La demostracin es una consecuencia inmediata de la definicin de probabilidad condicional y de independencia y se propone como ejercicio. Ntese que este teorema nos indica que se A, B dos sucesos independientes entonces la ocurrencia de uno de ellos (por ejemplo B ), no modifica la probabilidad de que ocurra el otro A ). De all que se justifica llamarlos independientes (en realidad son probabilsticamente independientes). Independencia Conjunta de Sucesos
Sean
( )
( )
Ai Aj = i j y adems
n
Ai = .Entonces
i =1
B A se
tiene que
P ( B ) = P ( B Ai ) P ( Ai )
i =1
Demostracin
n n B = B = B Ai = ( Ai B ) i =1 i =1 Puesto que ( Ai B ) ( A j B ) = se
A1
A2
Ai
An 1
An
tiene que
n n P ( B ) = P ( Ai B ) = P ( Ai B ) i =1 i =1
Como P Ai B = P B Ai P Ai resulta P ( B ) = P B Ai P ( Ai )
n
) ( )
Ai B
P ( A j B) =
P( Aj ) P B Aj
P ( Ai ) P ( B Ai )
n i =1
Demostracin.
P ( Aj B) =
P ( A j B) P ( B)
P B Aj P( Aj )
P ( B Ai ) P ( Ai )
n i =1
Interpretacin. El Teorema de Bayes tiene importante aplicaciones en la investigacin cientfica y en la teora de decisiones al punto que existe actualmente una corriente de pensamiento estadstico llamada Estadstica Bayesiana, que fundamente su desarrollo en este Teorema. Para dar una idea general, consideremos que
creencia o de incertidumbre respecto del fenmeno en estudio segn los conocimientos y experiencias adquiridos hasta ese momento. Supongamos ahora que se cuenta con un mecanismo que permite observar un nuevo suceso
ocurrencia de B condicionada a la ocurrencia de cada uno de los sucesos Ai . Estas probabilidades son llamadas verosimilitudes porque si por ejemplo P B A1 = 2 P B A2 y se sabe que B ocurre, parece razonable afirmar que el hecho de que A1 ocurra es doblemente ms creble (verosmil) al hecho de que ocurra A2 . El teorema de Bayes calcula las probabilidades a posteriori de cada suceso probabilidad de cada
Ai , es decir la
Aplicaciones en la experimentacin cientfica Este proceso es tiene aplicaciones fundamentales en la experimentacin cientfica. En efecto supongamos que se tienen k teoras o modelos o conjeturas cientficas exhaustivas2 que llamaremos (
k
T1 , T2 ,..., Tk
supongamos
que
se
conocen
i =1
P (Ti ) = 1 )
veracidad de la respectiva teora.. Supongamos adems que se cuenta con la posibilidad de observar experimentalmente un suceso B para el cual se conocen las probabilidades de ocurrencia de B bajo cada una de las teoras consideradas, es decir, se conocen P B T1 , P B T2 ,..., P B T2
) (
Entonces el teorema de Bayes nos indica las nuevas probabilidades o grados de creencia de
Este procedimiento es, por ejemplo, el que empleara un mdico que a priori adjudica probabilidades de enfermedades a un paciente E1; E2 ;...; En ; luego realiza ciertos test y de acuerdo al resultado B de los mismos y del conocimiento de las P B Ei i = 1, 2,..., n modifica las probabilidades a priori para obtener las probabilidades a posteriori del resultado B que son
P B Ai i = 1, 2,..., n
Ejercicio Describir un ejemplo en las actividades vinculadas a Qumica y Farmacia en las cuales se presenten las probabilidades a priori; las verosimilitudes y las probabilidades a posteriori.
2
Basta establecer como ltima teora que ninguna de las anteriores es cierta
Ejercicios
Los alumnos de Qumica y Farmacia tienen que realizar dos pruebas, una terica y otra prctica. La probabilidad de que un estudiante apruebe la parte terica es de 0.6, la probabilidad de que apruebe la parte prctica es de 0.8 y la probabilidad de que apruebe ambas pruebas es 0.5. a. Son independientes los sucesos aprobar la parte terica y la parte prctica? b. Cul es la probabilidad de que un alumno no apruebe ninguno de los dos exmenes? c. Cul es la probabilidad de que un alumno apruebe solamente uno de los dos exmenes? d. Se sabe que un alumno aprob la teora. Cul es la probabilidad de que apruebe tambin la prctica?
E1 , E2 ,..., Ek . Por ejemplo la repeticin de k pruebas experimentales es un experimento compuesto. Si finito es el espacio muestral asociado a E y 1 , 2 ,..., n son los espacios muestrales asociados a E1 , E2 ,..., En respectivamente, se tiene que = 1 2 ... n y si A es un suceso de E entonces A = A1 A2 ... An donde Ai i i = 1, 2,..., k . Por ejemplo si E consiste en el experimento compuesto de lanzar simultneamente un dado ( E1 ) y una moneda ( E2 ) entonces
1 = {1, 2,3, 4,5, 6} ; 2 = {C , S } ; = {1, 2,3, 4,5, 6} {C , S } = {( i, j ) i 1 j 2 } y el
suceso sale impar en el dado ( A1
A1 A2 = {(1, C ) , ( 3, C ) , ( 5, C )}
Conteo en Productos Cartesianos Para contar el nmero de elementos (resultados posibles) de un suceso A expresado en forma de producto cartesiano A1 A2 ... An se recurre a la frmula La cual fcilmente se comprueba puesto que cada uno de los
# ( A) = # ( A1 ) # ( A2 ) ... # ( An )
suceso Ai se pueden combinar con cada uno de los # A j elementos (resultados) del suceso A j . Conteo en extracciones de bolillas en urnas. Muchos experimentos aleatorios pueden ser representados por extracciones de bolillas de una urna. Supongamos que se cuenta con una urna que contiene N bolillas numeradas del 1 a N y se extraen n bolillas. Entonces el experimento de extraer las n bolillas se puede ver como un experimento compuesto de n experimentos E1 , E2 ,..., Ek cada uno de ello consistente en extraer una bolilla de una urna. Consideraremos los siguientes procedimientos: Extraccin con reposicin. En este caso la bolilla extrada se devuelve a la urna. Por lo tanto, el total de resultados posibles ( ) sern todos los vectores n dimensionales que se pueden formar con los nmeros 1, 2, , N, pudindose repetir un nmero en un vector. Para conocer este nmero observamos que = 1 2 ... n , donde Por lo tanto
( )
i = {1, 2,..., N } .
# ( ) = # ( 1 ) # ( 2 ) ... # ( n ) = N
1- El orden de las bolillas distingue resultados. En este caso los grupos de n bolillas que se pueden formar con las N bolillas de la urna sin repetir se denominan Permutaciones de N N tomadas de n y se representa por Pn . Nuevamente = 1 2 ... n donde ahora
N! ( N n )!
Por ejemplo: si se cuenta con 5 agentes qumicos, de cuntas formas se pueden combinar tres de ellos si el orden en que se mezclan distingue al resultado? La respuesta ser P = 3
5
5! = 5 4 3 = 60 formas diferentes 2!
En Excel la funcin PERMUT(N,n) en ingls o PERMUTACIONES(N,n) en espaol. 2- El orden de las bolillas no distingue resultados. Los grupos de n bolillas que se pueden formar con las N bolillas de la urna sin repetir y sin considerar el orden se denominan Combinaciones de N tomadas de n y se representa por Cn o bien . n Para calcular los elementos observamos en primer lugar que el nmero de grupos que se pueden formar cambiando el orden de
N
PN N! N = CnN = nn = n Pn ( N n )! n !
En el ejemplo anterior si el orden en que se mezcla no hace diferencia en el resultado, se tiene que los agentes se pueden mezclar en
5! 5 4 5 = = 10 formas distintas. 3= 2 2! 3!
En Excel el clculo de las Combinaciones se puede realizar mediante la funcin COMBIN(N,n) (en ingls) o COMBINAT(N,n) (en espaol)