2.

PROBABILIDAD

B2

B4

B1

B3

(A B1)

(A B2)

(A B3)

(A B4)

Informtica. Universidad Carlos III de Madrid

Tema 2: Probabilidad

1. 2. 3. 4. 5.

Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes

Informtica. Universidad Carlos III de Madrid

1. Introduccin
Probabilidad: medida de la incertidumbre sobre un suceso ocurrir o no?

SUCESO: resultado de un experimento Ejemplo A: sacar un dos al lanzar un dado B: sacar ms de 3 al lanzar un dado C: que el ordenador O tarde ms de 10 sg en hacer la tarea T D: que el material M1 resista el peso P

Antes de realizar el experimento: Observaremos el suceso no?

Probabilidad= medida de la incertidumbre sobre dicho suceso

Informtica. Universidad Carlos III de Madrid

Conceptos importantes

EXPERIMENTO: Cualquier procedimiento de obtencin de un dato, dadas unas condiciones de experimentacin

Si obtenemos un nuevo dato manteniendo constantes las condiciones de experimentacin estamos REPITIENDO el experimento

Ejemplo: comprobar si una muestra del material M1 resiste el peso P Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M Ejemplo: calcular el resultado de sumar 10+4

Informtica. Universidad Carlos III de Madrid

Tipos de experimentos Experimento determinista: es aqul en el que cada vez que se repite se obtiene el
mismo resultado Por qu? porque las condiciones de experimentacin contiene a TODOS los factores que influyen Ejemplo: calcular el resultado de sumar 10+4

Experimento aleatorio:

es aqul en el que no siempre se obtiene el mismo resultado = INCERTIDUMBRE Por qu? porque las condiciones de experimentacin NO contiene a TODOS los factores que influyen.

Ejemplo: comprobar si una muestra del material M1 resiste el peso P Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M Informtica. Universidad Carlos III de Madrid
5

Conceptos importantes

SUCESO ELEMENTAL:

cada uno de los resultados elementales del experimento aleatorio

Ejemplo: Al lanzar un dado, los sucesos elementales son 1,2,3,4,5,6 Al medir el tiempo de realizacin de una misma tarea, los sucesos elementales son infinitos

SUCESO COMPUESTO: unin de sucesos elementales Ejemplo: Al lanzar un dado, sacar un nmero par A:{2,4,6}

SUCESO CONTRARIO o COMPLEMENTARIO: El suceso complementario a A , , es el que se observa cuando no ocurre A Ejemplo: Al lanzar un dado, sacar un nmero par A:{2,4,6} y su contrario ser sacar impar, :{1,3,5}

Informtica. Universidad Carlos III de Madrid

Conceptos importantes

ESPACIO MUESTRAL:

conjunto de todos los sucesos posibles en un experimento. E. Se suele definir uniendo los elementales. Tambin se le llama el Suceso Seguro

Ejemplo Al lanzar un dado, E={1,2,3,4,5,6} Al medir el tiempo de realizacin de una tarea E={t0}

SUCESO IMPOSIBLE o VACO:

suceso que nunca puede observarse,

Ejemplo Al medir el tiempo de realizacin de una tarea ={t<0}

Informtica. Universidad Carlos III de Madrid

Diagrama de Venn Representacin grfica de sucesos

A B

Informtica. Universidad Carlos III de Madrid

E A =E

Ejemplo: sucesos elementales al lanzar un dado

1 U 2 U 3 U 4 U 5 U 6= E

Informtica. Universidad Carlos III de Madrid

Unin de sucesos: es el suceso que ocurre cuando ocurre alguno de los que se unen

AB

AB
Ejemplo:

o bien

A+B

A: sacar 2 3 al lanzar un dado; A={2,3} B: sacar un nmero par; B={2,4,6} A+B={2,3,4,6}

Informtica. Universidad Carlos III de Madrid

10

Interseccin de sucesos: es el suceso que ocurre cuando ocurren simultneamente

AB
o bien

A B=
(sucesos disjuntos o mutuamente excluyentes)

AB

Ejemplo:

A: sacar 2 3 al lanzar un dado; A={2,3} B: sacar un nmero par; B={2,4,6} AB={2}

Informtica. Universidad Carlos III de Madrid

11

Tema 2: Probabilidad

1. 2. 3. 4. 5.

Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes

Informtica. Universidad Carlos III de Madrid

12

2. Definicin de probabilidad y propiedades

A : suceso en el que estamos interesados. Ejemplo, Ejemplo, Ejemplo, Ejemplo, A: sacar cara al lanzar una moneda B: tardar ms de 10 sg en realizar una tarea C: que maana llueva D: que apruebe la asignatura Observaremos el suceso A?

Hacemos el experimento y ...

P(A)

Medida de la incertidumbre de observar A. Probabilidad de observar el suceso A en la siguiente repeticin del experimento aleatorio

Probabilidad de un suceso A: es la frecuencia relativa de aparicin del suceso si repitisemos el experimento indefinidamente
0 P(A) 1 P(E)=1 P()=0 P()=1-P(A)
13

Informtica. Universidad Carlos III de Madrid

Para sucesos mutuamente excluyentes

P(A+B)=P(A)+P(B)

Si no restamos P(AB), estamos contando el suceso interseccin dos veces

Si no son mutuamente excluyentes P(A+B)=P(A)+P(B)-P(AB)

Informtica. Universidad Carlos III de Madrid

14

Cmo calcular probabilidades?

(puede ser muy complicado)

Usando las reglas anteriores Si tenemos N sucesos elementales equiprobables (ejemplo: dado, o moneda) P(suceso elemental)=1/N Si A: unin de k sucesos elementales equiprobables P(A)=k/N Usando las reglas que veremos en las secciones siguientes Empricamente: repitiendo el experimento muchas veces (prximos temas)

Informtica. Universidad Carlos III de Madrid

15

Ejemplo

Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribucin bivariante es la siguiente:

Tipo I Aceptables Defectuosas TOTAL 46 4 50

Tipo II 184 16 200

TOTAL 230 20 250

Si seleccionamos un artculo al azar Cul es la probabilidad de que sea defectuoso?

P(Defectuoso)=20/250=0.08

Si seleccionamos un artculo al azar Cul es la probabilidad de que sea del Tipo II?

P(Tipo II)=200/250=0.80

Informtica. Universidad Carlos III de Madrid

16

Ejemplo

Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribucin bivariante es la siguiente:

Tipo I Aceptables Defectuosas TOTAL 46 4 50

Tipo II 184 16 200

TOTAL 230 20 250

Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250 Cul es la probabilidad de sacar una pieza NO VLIDA)

Solucin 1:

P(no vale)=P(Defectuosa Tipo I) =P(Defectuosa)+P(Tipo I)-P(Defectuosa Tipo I)

20 50 4 = + = 0.264 250 250 250

Informtica. Universidad Carlos III de Madrid
17

Ejemplo

Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribucin bivariante es la siguiente:

Tipo I Aceptables Defectuosas TOTAL 46 4 50

Tipo II 184 16 200

TOTAL 230 20 250

Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250 Cul es la probabilidad de sacar una pieza NO VLIDA)

Solucin 2:

P(no vale)=1-P(vale) =1- P(Aceptable Tipo II)

=1-

184 = 0.264 250

18

Informtica. Universidad Carlos III de Madrid

Ejemplo

Se quiere saber la probabilidad de que un aislante del tipo A, soporte una atmsfera corrosiva durante al menos 100 horas Se toman n unidades de dicho aislante y transcurridas 100 horas se encuentra que d unidades han resistido.

Cul es la probabilidad de que el aislante del tipo A resista? Cunto debe ser n para que d/n sea dicha probabilidad? Cunto debe ser n para que d/n sea una aproximacin suficiente de dicha probabilidad?

Prximos temas

Informtica. Universidad Carlos III de Madrid

19

Tema 2: Probabilidad

1. 2. 3. 4. 5.

Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes

Informtica. Universidad Carlos III de Madrid

20

3. Probabilidad condicionada y total

La probabilidad de un suceso depende de la informacin que tengamos A: sacar un 2 al lanzar un dado Y si nos dicen que el nmero que ha salido es par? P(A)=1/6

P(A sabiendo que ha salido un nmero par) =1/3>1/6

Probabilidad condicionada Notacin: Definimos el suceso que no se ha observado an y el que s se ha observado Suceso que no sabemos si se observar: A . Por ejemplo A: sacar un 2 Suceso conocido: B. Por ejemplo B: es un nmero par

Probabilidad de A condicionada a B Probabilidad de A dado B

P(A|B)
Informtica. Universidad Carlos III de Madrid
21

Ejemplo

En una sala hay 300 personas, que se pueden clasificar de la siguiente forma:

Chicas Fuman No fuman TOTAL 15 105 120

Chicos 15 165 180

TOTAL 30 270 300

Si seleccionamos a una persona al azar Cul es la probabilidad de que sea fumadora?

P(Fuma)=30/300=0.10

Si seleccionamos a una persona al azar y vemos que es chico, Cul es la probabilidad de que sea fumador?

P(Fuma|Chico)=15/180=0.083 Ya sabemos que es chico

15 P(Fuma | Chico) = 180

Informtica. Universidad Carlos III de Madrid
22

Ejemplo

En una sala hay 300 personas, que se pueden clasificar de la siguiente forma:

Chicas Fuman No fuman TOTAL 15 105 120

Chicos 15 165 180

TOTAL 30 270 300

P(Fuma | Chico) =
=

15 n de personas que son chicos Y fuman = 180 n de chicos

15 / 300 (n de personas que son chicos Y fuman)/(n de personas) = 180 / 300 (n de chicos)/(n de personas) 15 / 300 P(Fuma Chico) = 180 / 300 P(Chico)

P (Fuma | Chico) =

P(Fuma Chico) P(Chico)

23

Informtica. Universidad Carlos III de Madrid

Regla de la probabilidad condicionada

P( A B) P( A | B) = P (B )

De esta regla tambin puede tenerse

P ( A B ) = P ( A | B )P (B )
Anlogamente:

P( A B) P (B | A ) = P ( A)

P ( A B ) = P (B | A)P ( A)
24

Informtica. Universidad Carlos III de Madrid

Regla de la probabilidad total

Sean B1,B2,...,Bn sucesos de un experimento cuya unin sea E B2

B4

B
i =1
Ejemplo:

=E

Sea A otro suceso que se observa al mismo tiempo que los sucesos Bi B1 B3 B1: ser varn B2: ser mujer A: ser fumador

B1 + B2 = E

Problema Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varn) y P(A|mujer) Cmo podemos reconstruir la probabilidad total? Informtica. Universidad Carlos III de Madrid
25

B2

B4

P ( A) = P ( A E )
como

B
i =1

=E

B1

B3

n P ( A) = P A B i i =1
(A B4)

(A B1)

(A B2)

(A B3)

P ( A) = P (( A B1) ( A B2 )

( A Bn ))

mutuamente excluyentes

P ( A) = P ( A B1) + P ( A B2 ) +
Informtica. Universidad Carlos III de Madrid

+ P ( A Bn )
26

B2

B4

P ( A) = P ( A B1) + P ( A B2 ) + + P ( A Bn )

B1

B3 usando que

(A B1)

(A B2)

(A B3)

(A B4)

P ( A Bi ) = P ( A | Bi )P (Bi )
+ P ( A | Bn ) P (Bn )

P ( A) = P ( A | B1) P (B1 ) + P ( A | B2 ) P (B2 ) +

Regla de la Probabilidad Total

P ( A) = P ( A | Bi )P (Bi )
i =1
Informtica. Universidad Carlos III de Madrid
27

B2

B4

Regla de la Probabilidad Total

P ( A) = P ( A | Bi )P (Bi )
i =1
B3

B1

(A B1)

(A B2)

(A B3)

(A B4)

Ejemplo:

B1: ser varn B2: ser mujer A: ser fumador

Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varn) y P(A|mujer)

P(Fumador)=P(Fumador|Mujer)P(Mujer)+P(Fumador|Varn)P(Varn)

Informtica. Universidad Carlos III de Madrid

28

Ejemplo

En una sala hay 300 personas, que se pueden clasificar de la siguiente forma:

Chicas Fuman No fuman TOTAL 15 105 120

Chicos 15 165 180

TOTAL 30 270 300

P(Fuma|chica)=15/120=0.125 P(Chica)=120/300=0.40

P(Fuma|chico)=15/180=0.0833 P(Chico)=180/300=0.60

P(Fuma)=P(Fuma|Chica)P(Chica)+P(Fuma|Chico)P(Chico)

= 0.125 0.40 + 0.0833 0.60 = 0.10

Informtica. Universidad Carlos III de Madrid

29

Tema 2: Probabilidad

1. 2. 3. 4. 5.

Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes

Informtica. Universidad Carlos III de Madrid

30

4. Independencia de sucesos
La informacin que tengamos de uno de ellos no nos sirve para conocer mejor el otro

Qu significa que dos sucesos A y B sean independientes?

La probabilidad de uno de ellos no cambia por observar o no el otro P(A|B)=P(A) ; P(B|A)=P(B) Ejemplos:

A: sacar 2 con un dado B: sacar cara con una moneda

P(A)=1/6; P(A|B)=1/6=P(A) son independientes

B: sacar nmero par con un dado

P(A)=1/6; P(A|B)=1/3P(A) son dependientes

B: sacar nmero impar con un dado

P(A)=1/6; P(A|B)=0P(A) son dependientes Informtica. Universidad Carlos III de Madrid

31

4. Independencia de sucesos
Dos sucesos A y B son independientes si la probabilidad de uno de ellos no cambia por observar o no el otro P(A|B)=P(A) ; P(B|A)=P(B)

por la regla de la probabilidad condicionada

P( A | B) =

P( A B) = P ( A) P (B )

P (B | A ) =

P( A B) = P (B ) P ( A)

Independencia:

P ( A B ) = P ( A)P (B )
P ( A B ) = P (B | A)P ( A)

Dependencia:

P ( A B ) = P ( A | B )P (B )
32

Informtica. Universidad Carlos III de Madrid

Ejemplo

Unas piezas cilndricas pueden ser defectuosas por tener una longitud inadecuada o por tener un dimetro inadecuado, siendo ambos tipos de defectos independientes. Si la proporcin de cilindros con longitud inadecuada es de 5% y la de cilindros con dimetro inadecuado es del 3%. Qu porcentaje de cilindros son defectuosos?

P(longitud inadecuada)=0.05 P(dimetro inadecuado)=0.03

P(defecto)=P(long diam) =P(long)+P(diam)-P(long diam)

P(long diam)=P(long) P(diam)=0.05 0.03=0.0015

sucesos independientes

P(defecto)=P(long)+P(diam)-P(long diam)=0.05+0.03-0.0015=0.0785

Informtica. Universidad Carlos III de Madrid

33

Tema 2: Probabilidad

1. 2. 3. 4. 5.

Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes

Informtica. Universidad Carlos III de Madrid

34

5. Teorema de Bayes

Problema:

Conocemos P(B|A), Cmo podemos calcular P(A|B)?

P(A|B)?
Por la regla de la probabilidad condicionada

P( A B) P( A | B) = P (B ) P( A B) P (B | A ) = P ( A)

pero tambin tenemos que

P ( A B ) = P (B | A)P ( A)

Teorema de Bayes

Informtica. Universidad Carlos III de Madrid

P (B | A)P ( A) P( A | B) = P (B )

35

Ejemplo

Una empresa que gestiona la red de una gran empresa adquiere un antivirus con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad 0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa alarma de virus.

Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la probabilidad de que cuando d la alarma de virus, haya de verdad un ataque

A: al analizar un mensaje se da la alarma V: el mensaje tiene un virus

P ( A | V ) = 0.95 P ( A | V ) = 0.08 P (V ) = 0.001

P(V | A) =

P( A | V ) P (V ) P( A)

P(V | A) =

0.95 0.001 P( A)

Regla de la Probabilidad Total

P(A) =

P ( A | B )P ( B )
i i i =1

Informtica. Universidad Carlos III de Madrid

36

Ejemplo

Una empresa que gestiona la red de una gran empresa adquiere un antivirus con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad 0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa alarma de virus.

Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la probabilidad de que cuando d la alarma de virus, haya de verdad un ataque

A: al analizar un mensaje se da la alarma V: el mensaje tiene un virus

P ( A | V ) = 0.95 P ( A | V ) = 0.08 P (V ) = 0.001

P(V | A) =

P( A | V ) P (V ) P( A)

P(V | A) =

0.95 0.001 P( A)

P( A) = P( A | V ) P(V ) + P( A | V ) P(V )
= 0.95 0.001 + 0.08 0.999 = 0.08087

P(V | A) =

0.95 0.001 = 0.012 0.08087

37

Informtica. Universidad Carlos III de Madrid

Teorema de Bayes

P( A | B) =

P (B | A)P ( A) P (B )

Tambin suele expresarse como

P (B | A ) P( A | B) = P ( A) P (B )

Probabilidad DESPUES de observar B Probabilidad a posteriori

Probabilidad ANTES de observar B Probabilidad a priori

actualizamos nuestra incertidumbre

Informtica. Universidad Carlos III de Madrid

38

Ejemplo

Una empresa petrolfera ha de decidir si un emplazamiento es adecuado para hacer una prospeccin petrolfera. La empresa iniciar la prospeccin si despus de analizar el terreno, la probabilidad de encontrar petrleo es mayor que 0.5.

Dadas las condiciones geolgicas de la zona, P(Hay petrleo)=0.40 Es posible contratar una prueba ssmica para detectar la presencia de petrleo. P(positivo|Hay petrleo)=0.40 P(positivo|No hay petrleo)=0.10 Debe la empresa petrolfera realizar esa prueba ssmica? Le interesa si P(Hay petrleo|positivo)>0.5

P( A | B) =

P (B | A ) P ( A) P (B )

P(positivo|Hay petrleo) P(Hay petrleo|positivo)= P(positivo) P(Hay petrleo)

P(positivo)= P(positivo|Hay) P(Hay)+P(positivo|No hay) P(No hay) =(0.40)(0.40)+(0.10)(0.60)=0.22 Informtica. Universidad Carlos III de Madrid

39

Ejemplo

Una empresa petrolfera ha de decidir si un emplazamiento es adecuado para hacer una prospeccin petrolfera. La empresa iniciar la prospeccin si despus de analizar el terreno, la probabilidad de encontrar petrleo es mayor que 0.5.

Dadas las condiciones geolgicas de la zona, P(Hay petrleo)=0.40 Es posible contratar una prueba ssmica para detectar la presencia de petrleo. P(positivo|Hay petrleo)=0.40 P(positivo|No hay petrleo)=0.10 Debe la empresa petrolfera realizar esa prueba ssmica? Le interesa si P(Hay petrleo|positivo)>0.5

P( A | B) =

P (B | A ) P ( A) P (B )

P(positivo|Hay petrleo) P(Hay petrleo|positivo)= P(positivo) P(Hay petrleo)

0.40 P(Hay petrleo|positivo)= 0.22 Informtica. Universidad Carlos III de Madrid

40

0.40=0.73 !!!