TP 305 Clase 2 Probabilidad Alumno 2014

1
1
Estadstica General: UNAP Tema 2: Probabilidad
1
Clase 2
Probabilidad
FACULTAD DE INGENIERIA Y ARQUITECTURA
UNIVERSIDAD ARTURO PRAT
IQUIQUE - CHILE
2014
JUAN ZAMBRANO CHALLAPA
PROFESOR DE ESTADO EN MATEMATICA
MASTER EN ESTADISTICA MATEMATICA
2
Repaso de combinatoria
2
3
NOCIONES DE PROBABILIDAD
Hay dos maneras principales de entender la probabilidad:
Frecuentista (objetiva): Probabilidad de un suceso es la
frecuencia relativa (%) de veces que ocurrira el suceso al realizar
un experimento aleatorio varias veces. Segn Laplace:
Subjetiva (bayesiana): Grado de certeza que se posee sobre un
suceso. Es personal.
= =
#
#
posibles casos de n
favorables casos de n
) (
A
A P
4
CONCEPTOS BSICOS INICIALES
Experimento aleatorio (EA)
Es cualquier fenmeno, proceso o
experimento, cuyos resultados dependen
del azar.
Espacio muestral (EM = )
Es el conjunto de todos los resultados
posibles de un experimento aleatorio.
Suceso
Es un subconjunto del espacio muestral.
espacio muestral
espacio muestral
A
B
3
5
SUCESOS
Se llama suceso contrario (o
complementario) del suceso A, A
c
, al
formado por los resultados que no estn
en A
Se llama suceso unin de A y B, AUB,
al formado por los resultados que estn
en A o en B o en ambos.
Se llama suceso interseccin de A y
B, AB o simplemente AB, al formado
por los resultados que estn
simultneamente en A y B
espacio muestral
A
A
c
espacio muestral
A
B
UNIN
espacio muestral
A
B
INTERSEC.
=
=
c
c
A A
A A
6
ALGEBRA DE SUCESOS
Las siguientes identidades bsicas se verifican para los sucesos
4
7
EJEMPLOS
(1) Experimento: Se tira un dado y se observa el n que aparece en la cara superior
Espacio muestral asociado:
Suceso:
(2) Experimento: Tirar una moneda y observar el resultado
Suceso:
(3) Experimento: Tirar dos monedas y observar el resultado
Suceso:
(4) Experimento: Arrojar una moneda 4 veces y contar el n total de sellos obtenidos
Suceso:
{ } 6 , 5 , 4 , 3 , 2 , 1 =
{ } 6 , 4 , 2 par; nmero un obtener : = A A
{ } sello S ; cara C ; , = = = S C
{ } { } C B = = cara una B cara; obtener :
{ } SS SC CS CC , , , =
{ } CC D = D caras; dos obtener :
{ } 4 , 3 , 2 , 1 , 0 =
{ } 4 , 3 E sellos; dos de ms obtener : = E
8
(5) Experimento: Se fabrica un conjunto de artculos hasta producir 10 no defectuosos.
Se cuenta el n total de artculos manufacturados.
Suceso:
(6) Experimento: Lanzar dos dados y se observa los puntos obtenidos
Suceso:
(7) Experimento: Se lanza dos monedas y un dado. Se observa los resultados
Suceso:
{ } ,... 13 , 12 , 11 , 10 =
{ } 12 , 11 , 10 R s; defectuoso dos de ms no producir : = R
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
=
6,6 , 6,5 , 6,4 , 6,3 , 6,2 , 1 , 6
5,6 , 5,5 , 5,4 , 5,3 , 5,2 , 1 , 5
4,6 , 4,5 , 4,4 , 4,3 , 4,2 , 1 , 4
3,6 , 3,5 , 3,4 , 3,3 , 3,2 , 1 , 3
2,6 , 2,5 , 2,4 , 2,3 , 2,2 , 1 , 2
1,6 , 1,5 , 1,4 , 1,3 , 1,2 , 1 , 1
( ) ( ) ( ) ( ) ( ) ( ) { } 6 , 6 ; 5 , 6 ; 4 , 6 ; 6 , 5 ; 5 , 5 ; 6 , 4 A 10; a puntos de suma obtener : = A
=
SS6 SS5, SS4, SS3, SS2, SS1,
SC6 SC5, SC4, SC3, SC2, SC1,
CS6 CS5, CS4, CS3, CS2, CS1,
CC6 CC5, CC4, , CC3 , CC2 , 1 CC
{ }
{ } SS2 SC2, CS2, CC2, N dos, un aparezca que :
CC6 CC4, , 2 M par; nmero un y caras dos aparezcan que :
=
=
N
CC M
EJEMPLOS
5
9
Se llama probabilidad a cualquier funcin P que asigna a cada
suceso A un valor numrico P(A) que cumple los axiomas:
AXIOMA 1 DE NO NEGATIVIDAD:
AXIOMA 2 2 DE CERTEZA:
AXIOMA 3 DE ADITIVIDAD:
Generalizacin
A A P 0 ) (
1 ) ( = P
( ) ( ) ( ) B P A P B A P B A + = = Si
( ) j i A P A P A P A A A A A Si
n j i
+ + = = ; ) ( ) ( ) P(
2 1 3 2 1
K K
DEFINICIN AXIOMTICA DE PROBABILIDAD
10
Teorema 1:
Teorema 2:
Teorema 3:
Teorema 4:
Teorema 5:
Teorema 6:
Teorema 7:
1 ) ( ) ( = +
C
A P A P
0 ) ( = P
) ( ) ( B P A P B A
1 ) ( A P
( )
= =
=
|
|
\
|
=
n
i
i
n
i
i j i
A P A P j i con A A Si
1 1
,
U
) ( ) ( ) ( ) ( B A P B P A P B A P B A + =
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( C B A P C B P C A P B A P C P B P A P C B A P + + + =
TEOREMAS
( ) ) ( ) ( ) ( B A P A P B A P B A P B A
c
= =
6
11
PROBABILIDAD CONDICIONAL
Definicin:
Se llama probabilidad de A condicionada a B, o probabilidad de
A sabiendo que pasa B a:
) (
) (
) | (
B P
B A P
B A P
I
=
espacio muestral
A
B
t
a
m
a
d
e

u
n
o

r
e
s
p
e
c
t
o

a
l

o
t
r
o
12
Definicin
A y B son sucesos independientes si: P(A B) = P(A).P(B)
Si A y B sucesos independientes:
a) A y B
c
, A
c
y B, A
c
y B
c
son independientes
b) P(A\B) = P(A) y P(B\A) = P(B)
Si A y B son dependientes : P(A B) = P(B) P(A\B) = P(A) P(B\A)
Definicin
A, B, C son sucesos mutuamente independientes si:
P(A B C) = P(A).P(B).P(C) y adems dos a dos son independientes.
INDEPENDENCIA DE SUCESOS
7
13
REGLA DE LA MULTIPLICACIN (para sucesos dependientes):
REGLA DE LA MULTIPLICACIN
)
1
...
2 1
/ ( ).....
2 1
/
3
( )
1
/
2
( )
1
(
1
=
|
|
\
|
=
n
A A A
n
A P A A A P A A P A P A P
n
i
i I
14
TEO. DE: PROBABILIDAD TOTAL Y BAYES
Dado un conjunto de sucesos A
1
, A
2
, , A
n
, tales que la unin de todos
ellos sea igual al espacio muestral y tales que sean incompatibles dos a
dos (o sea: A
1
U A
2
UU A
n
= y A
i
A
j
= ; i j).
Si B es un Suceso cualquiera entonces, el Teorema de la Probabilidad
Total nos dice que la probabilidad del suceso B es:
y el Teorema de Bayes es:
( )

= =
=
|
|
\
|
=
n
i
i i
n
i
i
A B P A P B A P B P
1 1
) / ( ) ( ) (
U
( )
( )
=
n
i
i i
i i i
i
A B P A P
A B P A P
B P
B A P
B A P
1
) / ( ) (
) / ( ) (
) / (
8
15
En una muestra de 1.000 individuos elegidos al azar, entre una poblacin de
cesantes, 760 eran mujeres.
1) Qu porcentaje de mujeres hay en la muestra?
760/1000=0,76=76%
2) Si elegimos a un individuo de la poblacin de cesantes, qu probabilidad hay de
que sea mujer?
La nocin frecuentista de probabilidad nos permite aproximarlo a
P(Mujer)=0,76
3) Cul es la probabilidad de que elegido un individuo de la poblacin de cesantes,
sea hombre?
P(Hombre)=P(Mujer
c
)=1-0,76=0,24
Se sabe de otros estudios que entre los individuos cesantes,
aproximadamente, la cuarta parte de las mujeres fuman y la tercera parte de
los hombres. Elegimos a un individuo al azar de la poblacin de cesantes.
4) Qu probabilidad hay de que sea mujer fumadora?
P(Mujer Fumar) = P(Mujer) P(Fumar|Mujer) = 0,76 x 0,25 = 0,19
5) Qu probabilidad hay de que sea un hombre fumador?
P(Hombre Fumar) = P(Hombre) P(Fumar|Hombre) = 0,24 x 1/3 = 0,08
EJEMPLO 1
16
Consideremos un experimento que consiste en la extraccin de dos cartas
sucesivas de una baraja espaola. Cul es la probabilidad de extraer dos
reyes:
a) Sin devolver la carta extrada despus de la primera extraccin? (sin reemplazo)
b) Devolviendo la carta extrada despus de la primera extraccin? Con reemplazo)
( ) ( ) 00769 , 0
130
1
39
3
40
4
1
2
1
= = =
|
\
|
=
R
R
P R P R R P
( ) 01 , 0
100
1
40
4
40
4
= = = R R P
EJEMPLO 2
9
17
En esta sala el 70% de los alumnos son mujeres. De ellas el 10% son
fumadoras. De los hombres, son fumadores el 20%.
a) Qu porcentaje de fumadores hay en total?
P(F) = P[(MF) U (HF)] = P(MF) + P(HF)
= P(M) P(F\M) + P(H) P(F\H)
= 0,7 x 0,1 + 0,3 x 0,2
= 0,13 =13%
b) Se elige a un alumno al azar y resulta fumador. Cul es la probabilidad
de que sea un hombre?
P(H|F) = P(H F)/P(F)
= (P(H) P(F\H)) / P(F)
= (0,2 x 0,3) / 0,13
= 0,46 = 46%
Mujeres
Hombres
fumadores
Teorema de la Probabilidad Total
Hombres y mujeres forman una
particin de sucesos
Teorema de Bayes
EJEMPLO 3
18
EL PROBLEMA EN FORMA DE RBOL
Estudiante
Mujer
No fuma
Hombre
No fuma
Fuma
0,7
0,1
0,2
0,3
0,8
0,9
a) P(F) = 0,7x0,1 + 0,3x0,2 = 13%
b) P(H\F) = (0,3x0,2)/(0,13) = 46%
Los caminos a travs de nodos
representan intersecciones.
Las bifurcaciones representan
uniones disjuntas.
Puedes resolver los problemas
usando la tcnica de tu
preferencia
Fuma
10
19
Probabilidad 19
Ejemplo (Bayes)
20
Probabilidad 20
11
21
Qu hemos visto?
Nociones de probabilidad
Frecuentista
Subjetiva o Bayesiana
Conceptos bsicos iniciales
Experimento aleatorio, espacio muestral y suceso
Sucesos
Algebra de sucesos
Ejemplos
Definicin Axiomtica de probabilidad
Teoremas
Probabilidad condicional
Independencia de sucesos
Regla de multiplicacin
Teorema de: Probabilidad total y Bayes
Ejemplos:
El problema en forma de rbol
Ejemplos
22
5
16
5
5
9
4
1
En una ciudad hay tres tipos de transporte: Microbus (M), Colectivo (C) y
Auto particular (A). Las probabilidades de que un trabajador utilice un
transporte u otro son las siguientes:
Dado: P(M) = 30%; P(C) = 15%; P(A) = 20%; P(M A) = 10%;
P(M C) = 5%; P(A C) = 6%; P(A M C) = 1%
A
M
55
Calclense las siguientes probabilidades:
1) Que un trabajador tome al menos dos medios de
transporte. (19%)
2) Que un trabajador viaje en Microbus pero no
en Auto particular. (20%)
3) Que un trabajador viaje en Microbus o
Colectivo pero no en Auto particular. (25%)
4) Que un trabajador viaje en Microbus o en
Auto particular y en Colectivo. (10%)
5) Que un trabajador vaya a pi. (55%)
R1) P[(AMC
C
)U(A
C
MC)U(AM
C
C)U(AMC)]
=9% + 4% + 5% + 1% =19%
R2) P(M-A) = P(M)-P(MA)=30%-10%=20%
R3) P[(MUC)-A] = 16%+4%+5% = 25%
R4) P[(MUA)C] = 5%+1%+4% = 10% R5) P[(A
C
M
C
C
C
] = P[(AUMUC]
C
= 55%
12
23
31
20
19
4
3
5
2
Se sabe que de los empleados del pueblo de MACONDO:
El 40% tiene cuenta corriente en el banco A. El 30% tiene cuenta corriente en el banco
B. El 30% tiene cuenta corriente en el banco C. El 5% tiene cuenta corriente en el
banco A y B. El 6% tiene cuenta corriente en el banco A y C. El 7% tiene cuenta
corriente en el banco B y C y. El 2% tiene cuenta corriente en los tres bancos.
A
B
16
24
Ejercicio 1
Sucesos:
S = el cliente pide sopa
J = el cliente pide jugo
C = el cliente pide carne
Pe = el cliente pide pescado
V = el cliente pide vegetales
Probabilidades
P(C) = 46%
P(Pe) = 32%
P(V) = 22%
P(S|C) = 20/23 ; P(J|C) = 3/23
P(S|Pe) = 3/4 ; P(J|Pe) = 1/4
P(S|V) = 8/11 ; P(J|V) = 3/11
13
25
a) Las 3 sean rojas
Sucesos: R
1
: sacar roja a la primera
R
2
: sacar roja a la segunda
R
3
: sacar roja a la tercera
Otro mtodo
Casos favorables:
Casos posibles:
b) Las 3 sean blancas
Casos favorables:
Casos posibles:
c) Dos sean rojas y una blanca
( ) ( )
285
14
6840
336
18
6
19
7
20
8
R P
2 1
3
1
2
1 3 2 1
= = =
|
\
|
\
|
=
R R
R
P
R
R
P R P R R
3 8C
3 20C
3 3C
3 20C
( )( )
95
7
1140
84
1140
3 28
20 entre bolas 3 de Seleccin
3 entre blanca 1 de Seleccin 8 entre rojas 2 de Seleccin
3 20
1 3 2 8
= =
= = |
\
|
C
C C
P
( )
285
14
1140
56
3 20
3 8
3 2 1
= = =
C
C
R R R P
( )
1140
1
3 20
3 3
3 2 1
= =
C
C
B B B P
( )
1140
1
6840
6
18
1
19
2
20
3
B P
3 2 1
= = = B B
26
d) Al menos una sea blanca
e) Se saque una de cada color
f) Se saquen en orden rojo, blanca, azul
Con el resultado del apartado anterior (e) y teniendo en cuenta que ahora el
orden de extraccin importa, solo nos vale uno de los 3! posibles ordenes en
los que se pueden extraer 3 bolas de diferente color:
( ) ( )
57
23
57
34
1 1 1
3 20
3 17
3 2 1 3 2 1
= = = =
C
C
B B B P B B B P
c c c
( )
( )( )( )
95
18
3 20
1 9 1 3 1 8
= =
C
C C C
e P
95
3
! 3
) (
= =
e P
P
14
27
a) b)
c) d)
e)
f)
( )( )
54145
1
5 52
1 48 4 4
= =
C
C C
P
( )( )
649740
1
5 52
1 4 4 4
= =
C
C C
P
( )( )
108290
1
5 52
2 4 3 4
= =
C
C C
P
( )( )( )( )( )
162435
64
5 52
1 4 1 4 1 4 1 4 1 4
= =
C
C C C C C
P
( )( )
4165
429 3 4
5 52
2 13 3 13
=

=
C
C C
P
54145
35673
as) no (
5 52
5 48
= =
C
C
P
54145
18472
54145
35673
1 as) un menos al ( = = P
28
Qu hemos visto?
Conceptos bsicos iniciales
Experimento aleatorio, espacio muestral y suceso
Probabilidad
Nociones
Frecuentista
Subjetiva o Bayesiana
Axiomas
Probabilidad condicionada
Teoremas:
Complementario, Unin, Interseccin
Independencia de sucesos
Particin de sucesos
Teorema de probabilidad total.
Teorema de Bayes
Ejemplos

TP 305 Clase 2 Probabilidad Alumno 2014

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

TP 305 Clase 2 Probabilidad Alumno 2014

Uploaded by

Copyright:

Available Formats

1

You might also like