Professional Documents
Culture Documents
Desarrollo Rural y la
Seguridad Alimentaria
Universidad
Nacional San Luis
Gonzaga de Ica
Probabilidades
CURSO
Estadstica
DOCENTE
CICLO Y SECCIN:
3 A
Ingeniera Civil
PROBABILIDAD
La probabilidad es un mtodo por el cual se obtiene la frecuencia de un suceso
determinado mediante la realizacin de un experimento aleatorio, del que se
conocen todos los resultados posibles, bajo condiciones suficientemente
estables.
La probabilidad, por lo tanto, puede definirse como la razn entre la cantidad de
casos prsperos y la cantidad de cuestiones posibles. La matemtica, la fsica
y la estadstica son algunas de las reas que permiten arribar a conclusiones
respecto a la probabilidad de eventos potenciales.
En el ltimo campo citado, el estadstico, tenemos que subrayar que la
probabilidad se convierte en uno de sus pilares fundamentales. Eso da lugar a
que surjan una serie de experimentos que giren en torno a la misma.
De esta manera nos encontramos con los llamados experimentos deterministas
que son aquellos de los que se pueden predecir los resultados antes incluso de
que se lleven a cabo. Un ejemplo de ello sera el que lancemos una piedra por
la ventana pues ya podemos predecir el resultado: la misma bajar y caer.
Asimismo estn los experimentos aleatorios, en los que no se puede predecir el
resultado pues este indudablemente depende del azar. Un claro ejemplo de
esta clase de experimentos de probabilidad es el de lanzar un dado durante la
partida de un juego pues no sabemos cul ser la puntuacin que aquel
mostrar.
Adems de todo ello tampoco podemos pasar por alto que la Estadstica
cuando trabaja con la probabilidad utiliza como pilares fundamentales una serie
Estadstica
1
1. EXPERIMENTO ALEATORIO:
El experimento aleatorio se refiere a cualquier accin o proceso que no
se tiene certeza de su resultado final, hasta tanto no se ejecute.
Estadstica
2
Ejemplos:
2. ESPACIO MUESTRAL:
En la teora de probabilidades, el espacio muestral o espacio de
muestreo (denotado E, S, o U) consiste en el conjunto de todos los
posibles resultados individuales de un experimento aleatorio.
Por ejemplo, si el experimento consiste en lanzar dos monedas, el
espacio de muestreo es el conjunto {(cara, cara), (cara, cruz), (cruz,
cara) y (cruz, cruz)}. Un evento o suceso es cualquier subconjunto del
Estadstica
3
Estadstica
4
Estadstica
5
primera tirada
2
La probabilidad de que en una moneda salga nuevamente
1 1 1
x =
cara en la segunda tirada
2 2 4
La probabilidad de que en una moneda salga nuevamente
1 1 1 1
x x =
cara en la tercera tirada
2 2 2 8
Particiones
Es posible definir particiones sobre el espacio muestral.
Formalmente hablando, una particin sobre se define como un
conjunto numerable:
{ Ai }i N Tal que:
Estadstica
6
Ejemplos
Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el
espacio muestral del experimento sera: ={1,2,3,4,5,6}. Por otro lado, si
cambiamos ligeramente la experiencia pensando en el nmero
resultante de la suma de 2 dados, entonces tenemos 2 posibles
espacios muestrales para modelar nuestra realidad:
Ms ejemplos:
I.
II.
III.
Estadstica
7
IV.
3. EVENTO:
a) Un evento es un subconjunto del espacio muestral de un
experimento aleatorio. Los eventos normalmente se denotan con las
letras maysculas A, B, C; y tienen la caracterstica de ser
subconjuntos de S ((A, B, C) S). Los eventos pueden ser:
Evento seguro, es aquel que tiene todos los posibles resultados. S
= A #S = #A. Por ejemplo al tirar un dado un dado obtener una
puntuacin que sea menor que 7.
Estadstica
8
Expresin
Unin
AB
Interseccin
AB
Descripcin
Complemento A = S - A
Diferencia
A-B
Unin (A B)
El evento formado por todos los elementos de A y todos los
elementos de B. La probabilidad de la unin de dos eventos es
igual a la suma de las probabilidades individuales de los dos
eventos que se unen, menos la probabilidad del suceso
interseccin.
La unin se forma por los puntos muestrales {1}, {2}, {3}, {4},
{5} y{6}.
Cuya probabilidad es:
P (A) = 3 / 6 = 0.50
P (B) = 3 / 6 = 0.50
P (A B) = 0 / 6 = 0.00
Por lo tanto (A B) = (0.50 + 0.50) 0.00 = 1.00
Interseccin (A B)
Es el evento formado por todos los elementos que son, a la
vez, de A y de B. Es aquel evento compuesto por los
elementos comunes de los dos o ms sucesos que se
intersectan. La probabilidad ser igual a la probabilidad de los
elementos comunes.
Ejemplo: Al lanzar un dado al aire y analizar los siguientes dos
eventos.
Evento A: que salga nmero par.
Evento B: que sea mayor que 3.
La interseccin de estos dos eventos tiene los puntos
muestrales {4} y {6}.
Su probabilidad ser por tanto P(A B) = 2 / 6 = 0.33
Complemento (A)
La probabilidad de un suceso complementario (A) es igual a
1 - P(A).
Ejemplo: Si se lanza un dado al aire y se analiza el evento que
salga un nmero impar su complementario, suceso (A ), es
que obtengamos un nmero par.
De esta manera, la probabilidad de cada suceso es:
P(A) = 3 / 6 = 0.50
A= 1 - P(A) = 1 0.50 = 0.50
La unin de dos eventos complementarios es igual a 1.
Estadstica
11
Diferencia (A - B)
La diferencia de eventos, A B, es el evento formado por
todos los puntos muestrales de A que no son de B.
Ejemplo: Al lanzar un dado al aire y analizar los siguientes dos
eventos.
Evento A: que salga nmero par.
Evento B: que sea mltiplo de 3.
A = {2, 4, 6}
B = {3, 6}
A B = {2, 4}
Estadstica
12
4. PROBABILIDAD CONDICIONADA
Como la probabilidad est ligada a nuestra ignorancia sobre los
resultados de la experiencia, el hecho de que ocurra un suceso, puede
cambiar la probabilidad de los dems. El proceso de realizar la historia
clnica, explorar y realizar pruebas complementarias ilustra este
principio.
La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B se
denomina probabilidad condicionada y se define:
Estadstica
13
Ntese que
( BA )= 17
II.
R1.
Esta probabilidad
P( B2 /R 1)=
Estadstica
14
III.
Estadstica
15
Situacin
Lanzas un dado, y si no
sale 6, lanzas de nuevo.
Cul es la probabilidad
de sacar un 6 en el
segundo lanzamiento?
Eventos
El primer
lanzamiento no es
un 6.
El primer
lanzamiento es un
6.
Estadstica
16
estado original.
Sacar una canica
roja en el segundo
intento.
La carta es un 2.
El dado cae en 2.
EJERCICIOS:
I.
II.
III.
Estadstica
17
6. PROBABILIDAD TOTAL:
7. TEOREMA DE BAYES:
En la teora de la probabilidad el teorema de Bayes es un resultado
enunciado por Thomas Bayes en 1763 que expresa la probabilidad
condicional de un evento aleatorio A dado B en trminos de la
distribucin de probabilidad condicional del evento B dado A y
la distribucin de probabilidad marginal de slo A.
En trminos ms generales y menos matemticos, el teorema de Bayes
es de enorme relevancia puesto que vincula la probabilidad de A dado B
con la probabilidad de B dado A. Es decir que sabiendo la probabilidad
de tener un dolor de cabeza dado que se tiene gripe, se podra saber (si
se tiene algn dato ms), la probabilidad de tener gripe si se tiene un
dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del
teorema en cuestin para la ciencia en todas sus ramas, puesto que
tiene vinculacin ntima con la comprensin de la probabilidad de
aspectos causales dados los efectos observados.
Sea
un conjunto de sucesos mutuamente
excluyentes y exhaustivos, y tales que la probabilidad de cada uno de
ellos es distinta de cero (0). Sea B un suceso cualquiera del que se
conocen las probabilidades condicionales
probabilidad
. Entonces, la
Estadstica
18
donde:
es la probabilidad de
en la hiptesis
Formula de bayes
Aplicaciones
El teorema de Bayes es vlido en todas las aplicaciones de la teora de
la probabilidad. Sin embargo, hay una controversia sobre el tipo de
probabilidades que emplea. En esencia, los seguidores de
la estadstica tradicional slo admiten probabilidades basadas en
experimentos repetibles y que tengan una confirmacin emprica
mientras que los llamados estadsticos bayesianos permiten
probabilidades subjetivas. El teorema puede servir entonces para
indicar cmo debemos modificar nuestras probabilidades subjetivas
cuando recibimos informacin adicional de un experimento. La
estadstica bayesiana est demostrando su utilidad en ciertas
estimaciones basadas en el conocimiento subjetivo a priori y el hecho
de permitir revisar esas estimaciones en funcin de la evidencia
emprica es lo que est abriendo nuevas formas de hacer conocimiento.
Una aplicacin de esto son los clasificadores bayesianos que son
frecuentemente usados en implementaciones de filtros de correo basura
o spam, que se adaptan con el uso.
Estadstica
19
Estadstica
20