Clase 2 Probabilidades 2013 PDF

Magster en Ingeniera Industrial
Departamento de Ingeniera Industrial y de Sistemas

Pontificia Universidad Catlica de Chile
IND3100
Clase 2
Fundamentos de Probabilidades
Prof. Jorge Vera A. -
1er Semestre 2013
Al final de la clase anterior vimos que muchas

veces es necesario calcular probabilidades ms
o menos complejas
Hoy desarrollaremos conceptos ms formales
de probabilidades
IND3100 - Prof. Jorge Vera 2013
Qu es probabilidad?
Qu es un evento incierto.?
Modelando Eventos Inciertos

Vamos a modelar eventos inciertos
(probabilsticos) en el contexto de un
experimento bien definido con ocurrencias
bien definidas
Ejemplo: definamos experimento 1 como:
lanzar 3 monedas buenas (insesgadas) ordenadamente
y luego registrar sus valores (C: caras y S: sellos)
Posible ocurrencia del experimento: C1S2S3
Calcular:
Pr(C1S2S3); Pr(S1S2S3)
Pr(dos caras y un sello)
Pr(ms caras que sellos)
Ocurrencias, Probabilidades y Eventos

Ocurrencias
Mutuamente excluyentes (no hay traslape)
Conjuntamente exhaustivos (incluyen todas las posibles
ocurrencias del experimento)
Probabilidad
Fraccin de las veces en la cual se obtendr una
ocurrencia al repetir muchas veces un mismo experimento
Eventos
Coleccin bien definida de ocurrencias
El evento A ocurre cuando se obtiene cualquiera de las
ocurrencias del evento A
Ej.: Evento A: obtener un total de una o menos caras
Arbol de Probabilidades: Experimento 1

C3 : 0,5
C2 : 0,5
S3 : 0,5
C1 : 0,5
C3 : 0,5
S2 : 0,5
S3 : 0,5
C3 : 0,5
C2 : 0,5
S3 : 0,5
S1 : 0,5
C3 : 0,5
S2 : 0,5
S3 : 0,5
Pr( C1 C2 C3 ) = 0,125
Pr( C1 C2 S3 ) = 0,125
Pr( C1 S2 C3 ) = 0,125
Pr( C1 S2 S3 ) = 0,125
Pr( S1 C2 C3 ) = 0,125
Pr( S1 C2 S3 ) = 0,125
Pr( S1 S2 C3 ) = 0,125
Pr( S1 S2 S3 ) = 0,125
Arbol de Probabilidades: Experimento 1

Como todas las monedas son insesgadas, es
decir, Pr(C)=1/2, todas las ocurrencias tienen
la misma probabilidad
Debido a que las ocurrencias son

conjuntamente exhaustivas, entonces
Pr(ocurra alguna cosa)=1
Las Leyes de Probabilidades

Primera Ley de Probabilidades
0 Pr(cualquier evento) 1
Segunda Ley de Probabilidades: Si A y B son eventos
disjuntos:
P(A B) = P(AB) = P(A) + P(B)
Vemos que para calcular la probabilidad de un evento, se
suman las probabilidades de todas las ocurrencias en
dicho evento
Y si ~A es el evento opuesto, P(~A)=1-P(A)
Recordemos el evento A: S1S2S3, C1S2S3 , S1C2S3 , S1S2C3
P(A) = P(S1S2S3)+ P(C1S2S3)+ P(S1C2S3)+ P(S1S2C3)
= 4X(1/8) =

Forma general de la segunda ley de
probabilidades
P(A B) = P(AB) = P(A) + P(B) - P(AB)
(cuando los eventos se traslapan, no contamos dos veces)
Ejemplo:
Evento A: (# C <= 1): {C1S2S3 , S1C2S3 ,S1S2C3, S1S2S3}
Evento B: (# C >= 1): {C1S2S3 , S1C2S3, S1S2C3, C1C2C3
C 1 C 2 S 3 , C1 S 2 C 3 , S 1 C 2 C 3 }
P(A B) = P(AB) = P(A) + P(B) - P(AB)
= 4/8 + 7/8 3/8 = 8/8 = 1

Tercera Ley de Probabilidades: Para los
eventos A y B, la probabilidad que ocurra el
evento A dado que ocurri el evento B es:
P( A | B) =
P( A B)
P( B)
Volviendo al ejemplo
P(A|B) =
Evento A: (# C <= 1): {C1S2S3 , S1C2S3 ,S1S2C3, S1S2S3}
Evento B: (# C >= 1): {C1S2S3 , S1C2S3, S1S2C3, C1C2C3
C 1 C 2 S 3 , C1 S 2 C 3 , S 1 C 2 C 3 }

Tercera Ley de Probabilidades: Para los
eventos A y B, la probabilidad que ocurra el
evento A dado que ocurri el evento B es:
P( A | B) =
P( A B)
P( B)
Volviendo al ejemplo
P(A|B) = (3/8) / (7/8) = 3/7
(Notar: Si sabemos que B pas, sabemos que nos estamos
enfocando en 7 ocurrencias. De stas, 3 pertenecen a A)

Un evento A se dice independiente del evento
B si el conocimiento de la ocurrencia de B no
altera la probabilidad de que ocurra A.
A y B se dicen dependientes si el conocimiento
de B influye la probabilidad de ocurrencia de
A.

Cuarta Ley de Probabilidades: Si A y B son
eventos independientes, entonces:
P(A|B) = P(A)
(el saber que B ocurri, no cambia las probabilidades de que ocurra A)
Notemos: Usando la 3era y 4ta ley (con A y B independientes):

P(AB)= P(A|B) P(B) = P(A) P(B)
(2)
De la 3era ley, pero condicionando en A, obtenemos:

P(AB)= P(B|A) P(A).
(3)
Dado que (3) & (2) son expresiones equivalentes para P(AB):
P(A|B) P(B) = P(B|A) P(A) = P(A) P(B) (4)
As, P(B|A) = P(B)
(5)
(2)-(5) muestran que si A es independiente de B, entonces B es

independiente de A.

Tenemos entonces que:
P(AB) = P(A|B)P(B)=P(B|A)P(A)
Y si A y B son independientes, entonces
P(AB) = P(A)P(B)
Ejemplo: Tablas de Probabilidad

100 bolas de color, 40
Verdes y 60 Rojas;
con letras A, B, C
escritas sobre ellas.
La cantidad de bolas
de cada calor y con
cada letra se muestra
en la tabla.
Para transformar a
probabilidades hay
que dividir por 100
Bola es
(V)
Bola es
(R)
Total
Letra es
(A)
P(A V)
4
P(A R)
30
P(A)
34
Letra es
(B)
P(B V)
6
P(B R)
15
P(B)
21
Letra es
(C)
P(C V)
30
P(C R)
15
P(C)
45
Total
P(V)
40
P(R)
60
100
Ejemplo: Tablas de Probabilidad
Eventos:
La probabilidad que una
bola elegida al azar sea
verde y tenga letra A:
P(A
V)=0,04
Los eventos son
disjuntos, con lo que
podemos sumar la
probabilidades por filas o
columnas:
P(A)=P(A
V)+P(A
R)
= 0,34
P(R)=P(A
R)+P(B
R)+
P(C
R)
= 0,60
Bola es
(V)
Bola es
(R)
Total
Letra es
(A)
P(A V)
0,04
P(A R)
0,30
P(A)
0,34
Letra es
(B)
P(B V)
0,06
P(B R)
0,15
P(B)
0,21
Letra es
(C)
P(C V)
0,30
P(C R)
0,15
P(C)
0,45
Total
P(V)
0,40
P(R)
0,60
1,00
Ejemplo: Probabilidad Condicional
Para calcular probabilidades

condicionales miramos la
columna o fila del evento
condicionante.
La probabilidad de que la
bola seleccionada sea verde
dado que tiene una letra C
sobre ella es:
P(V|C) = P(C V)/ P(C)

=0,30/0,45 = 2/3
Tambin
P(R|C) = P(C R)/ P(C)

= 0,15/0,45 = 1/3
Bola es
(V)
Bola es
(R)
Total
Letra es
(A)
P(A V)
0,04
P(A R)
0,30
P(A)
0,34
Letra es
(B)
P(B V)
0,06
P(B R)
0,15
P(B)
0,21
Letra es
(C)
P(C V)
0,30
P(C R)
0,15
P(C)
0,45
Total
P(V)
0,40
P(R)
0,60
1,00
Notar que estas probabilidades condicionales son

para eventos disjuntos, por lo que las podemos
sumar:
P(V|C) + P(R|C) = 2/3 + 1/3 = 1
(una bola con letra C tiene que ser o verde o roja)
Ejemplo con 2 dados:

Consideremos:
A = La suma de los nmeros es 10
B = el primer dado tiene nmero 5
cunto es P(A|B)? P(A)? P(B)?
1
10
10
11
10
11
12
Dado 1
Ejemplo con 2 dados:

Consideremos:
A = La suma de los nmeros es 10
B = el primer dado tiene nmero 5
cunto es P(A|B)? P(A)? P(B)?
1
10
10
11
10
11
12
P(A|B) = 2/30=1/15
P(A) = 3/36=1/12
P(B) =30/36=5/6
Ejercicio: ms con dados

Encuentre la probabilidad de que:
A) la suma de las ocurrencias sea exactamente 2

B) la suma de las ocurrencias exceda 2
C) ambos dados entreguen el mismo nmero
D) ambos dados sean nmero impar
E) ocurra el evento (A) dado que ocurri el evento (C)
10
10
11
10
11
12
Ejercicio: ms con dados

Es el evento obtener un doble independiente del
lanzamiento del primer dado?
Sea D al evento de obtener un doble, A al evento de
lanzar el primer dado, y B al evento de lanzar el
segundo dado.
10
10
11
10
11
12
Dado 1
La probabilidad de cada
ocurrencia es 1/36
Independencia y condicionalidad
En el ejercicio anterior vemos que el evento de obtener
un doble es independiente de la ocurrencia obtenida del
primer dado.
6
P ( D) = P( A = i, B = i ) = 6(1 / 36) = 1 / 6
i =1
P ( D | A = 1) = P( B = 1) = 1 / 6
P ( D | A = 2) = P ( B = 2) = 1 / 6
...
P ( D | A = 6) = P ( B = 6) = 1 / 6
P ( D | A) = P ( D)
Si hacemos el mismo experimento pero esta vez en Las
Vegas, donde es muy difcil encontrar un dado bueno,
las cosas cambian un poco.
Supongamos que la distribucin de probabilidades de
estos dados es:
xi
pi
0.1
0.2
0.3
0.2
0.1
0.1
Ahora, las 36 ocurrencias ya no son

equiprobables, pero podemos calcular
fcilmente sus probabilidades porque
los lanzamientos de los dos dados an
son independientes. Por ejemplo:
P ( A = 2, B = 5) = P ( A = 2) P ( B = 5) = 0, 2 0,1 = 0, 02
Calculemos las probabilidades condicionales
6
i =1
i =1
P ( D ) = P ( A = i, B = i ) = P ( A = i ) P ( B = i ) =
6
= P( A = i ) 2 = 0,12 + 0, 22 + 0,32 + 0, 22 + 0,12 + 0,12 = 0, 2

i =1
As,
P( D | A = 1) = P( B = 1) = 0,1
P( D | A = 2) = P( B = 2) = 0, 2
por lo tanto, en general tenemos que:
P( D | A) P( D )
En este caso, el evento de obtener un doble depende de
lo que obtengamos en el primer dado.
Volviendo al ejemplo de los dados, cunto es
P(B|A)?
(es decir, la probabilidad de que el primer
nmero haya sido 5 dado que la suma es
10?
1
10
10
11
10
11
12
Volviendo al ejemplo de los dados, cunto es
P(B|A)?
(es decir, la probabilidad de que el primer
nmero haya sido 5 dado que la suma es
10?
1
10
10
11
10
11
12
P(B|A) = 2/3
P(A|B)XP(B)/P(A)=
(1/15)X(5/6)X(12)=
2/3
Teorema de Bayes:
Supongamos se conoce P(A|B), P(A) y P(B),
entonces:
P( B | A) =
P( A | B) P( B)
P( A)
Demostracin:
P(B|A)=P(BA)/P(A) = P(AB)/P(A) = P(A|B)P(B)/P(A)
La frmula permite calcular probabilidades con

informacin a posteriori.
Probabilidades Totales
Supongamos que tenemos varios eventos exhaustivos y
excluyentes: B1, B2,,Bn
Sea A otro evento, entonces:
P(A)=P(A(B1B2Bn))
=P((A B1) (A B2) (A Bn))
=P(A B1)+P(A B2) ++P(A Bn)
=P(A|B1)P(B1)++P(A|Bn)P(Bn)
Ley de Probabilidades Totales:
Si B1, B2,,Bn son eventos exhaustivos y excluyentes,
entonces:
P(A) = P(A|B1)P(B1)++P(A|Bn)P(Bn)
Ejercicio:
Retomando el problema de la clase pasada, de la Estacin
Espacial
Tenamos que:
P(TNF / NF) = 0.75
P(TF / F) = 0.65
P(NF) = P(F) = 0.5
Y necesitbamos:
P(TNF), P(TF)
P(NF / TNF)
P(NF / TF)
Tenemos:
P(NF / TNF) = P(TNF / NF)*P(NF)/P(TNF)=0,75*0,5/P(TNF)
P(TNF) = P(TNF/NF)*P(NF) + P(TNF/F)*P(F)
= P(TNF/NF)*P(NF) + (1-P(TF/F))*P(F)
= 0,75*0,5 + 0,35*0,5 = 0,55
P(NF / TNF) =0,75*0,5/P(TNF)= 0,68
Problema del Cumpleaos

Supongamos que hay N personas en esta sala.
Cul es la probabilidad de que no hayan dos
personas con el cumpleaos el mismo da?
Supuestos:
No hay relaciones previas entre los cumpleaos de las
personas en la sala (no hay mellizos)
P(nacer en cualquier da) = 1/365 (es decir, no
consideramos bisiestos).
Hagamos la prueba en esta sala


Supongamos que hay N = 50 personas en la
sala.
Definamos
Ai como el evento que la i-sima persona dice una fecha
que no ha sido dicha por las i - 1 personas anteriores.
B como el evento que todas las N personas tienen
cumpleaos diferentes.
As, P(B) = P(A1 y A2 y ... AN)

Notar que
P(A1 y A2 y ... AN) =
P(AN|A1 y A2 y ... AN-1) P(A1 y A2 y ... AN-1)
Similarmente,
P(A1 y A2 y ... AN-1) =
P(AN-1|A1 y A2 y ... AN-2) P(A1 y A2 y ... AN-2)
Y por ltimo,
P(A1) = 1, debido a que la primera persona no puede repetir.

La segunda persona dir una nueva fecha a menos que
haya nacido la misma fecha que la primera persona. Por
lo tanto,
P(A2 | A1) = (1 - 1/365) = 364/365
Para calcular P(A3|A1 y A2), notar que si A1 y A2 han
ocurrido, hay dos fechas que la tercera persona debe
evitar para prevenir repeticin. Por lo tanto,
P(A3 | A1 y A2)= (1 - 2/365) = 363/365
Aplicando la misma lgica, podemos obtener que
P(Ai | A1 y A2 y ... Ai-1) = [365 - (i - 1)] / 365
= (366 - i) / 365

Finalmente, podemos calcular P(B) como:
P(B) = (365) (364) (363) ... (366-N)
(365) (365) (365)
(365)
As, para N = 50, tenemos:
P(B) = (365) (364) ... (316) = 0.030
(365) (365)
(365)
Variables Aleatorias
Una variable aleatoria (v.a.) es una regla (o
funcin) que asigna un valor numrico a cada
ocurrencia posible de un fenmeno o
experimento aleatorio.
Las denotaremos con letras maysculas (por
ejemplo, X)
Ejemplos de v.a.
Y: la edad de alguno de ustedes presentes hoy
X: El nmero total de caras del experimento 1
Una v.a. puede ser:

Discreta
Continua
Variables Aleatorias
Si el fenmeno o experimiento es aleatorio,
entonces los valores de X tambin son
aleatorios
Cmo podemos describir el comportamiento
de X?
Dando la probabilidad de que X tome
determinados valores.
Eso se llama distribucin de

probabilidad.
Distribucin de Probabilidades
Una distribucin de probabilidades para una v.a.
discreta X consiste en:
valores posibles
x1, x2, . . . , xn
probabilidades
p1, p2, . . . , pn
Tales que:
P(X=x1)=p1 , P(X=x2)=p2 ,, P(X=xn)=pn
Distribucin de probabilidades para la v.a. X=nmero de caras en

experimento 1
C3 : 0.5
C2 : 0.5
S3 : 0.5
C1 : 0.5
P(X = 0) S=: 0.5

1/8
C3 : 0.5
Pr( C1 C2 C3 ) = 0.125
Pr( C1 C2 S3 ) = 0.125
Pr( C1 S2 C3 ) = 0.125
P(X = 1) = 3/8
P(X = 2) C=: 0.5
3/8
S3 : 0.5
C3 : 0.5
Pr( C1 S2 S3 ) = 0.125
Pr( S1 C2 C3 ) = 0.125
S1
P(X = 3) = 1/8
: 0.5
S3 : 0.5
C3 : 0.5
S2 : 0.5
S3 : 0.5
Pr( S1 C2 S3 ) = 0.125
Pr( S1 S2 C3 ) = 0.125
Pr( S1 S2 S3 ) = 0.125
Histograma
5/8
P(X=x)
4/8
3/8
2/8
1/8
0.00
0
Experimento 2: Moneda sesgada

C3 : 0.3
C2 : 0.3
S3 : 0.7
C1 : 0.3
P(X = 0) = S0.343
: 0.7
C3 : 0.3
Pr( C1 C2 C3 ) = 0.027
Pr( C1 C2 S3 ) = 0.063
Pr( C1 S2 C3 ) = 0.063
P(X = 1) = 0.441
S3 : 0.7
P(X = 2) =C0.189
: 0.3
C3 : 0.3
P(X
= 3) = 0.027
S : 0.7
S3 : 0.7
Pr( C1 S2 S3 ) = 0.147
Pr( S1 C2 C3 ) = 0.063
Pr( S1 C2 S3 ) = 0.147
C3 : 0.3
S2 : 0.7
S3 : 0.7
Pr( S1 S2 C3 ) = 0.147
Pr( S1 S2 S3 ) = 0.343
Histograma Experimento 2
p(X)
0.500
0.450
0.400
0.350
0.300
0.250
0.200
0.150
0.441
0.343
p(X)
0.189
0.100
0.050
0.000
0.027
0

Clase 2 Probabilidades 2013 PDF

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

Clase 2 Probabilidades 2013 PDF

Uploaded by

Copyright:

Available Formats

Magster en Ingeniera Industrial

Departamento de Ingeniera Industrial y de Sistemas

Prof. Jorge Vera A. -

1er Semestre 2013

Al final de la clase anterior vimos que muchas

IND3100 - Prof. Jorge Vera 2013

IND3100 - Prof. Jorge Vera 2013

Modelando Eventos Inciertos

IND3100 - Prof. Jorge Vera 2013

Ocurrencias, Probabilidades y Eventos

IND3100 - Prof. Jorge Vera 2013

Arbol de Probabilidades: Experimento 1

IND3100 - Prof. Jorge Vera 2013

Arbol de Probabilidades: Experimento 1

Debido a que las ocurrencias son

IND3100 - Prof. Jorge Vera 2013

Las Leyes de Probabilidades

Las Leyes de Probabilidades

IND3100 - Prof. Jorge Vera 2013

Las Leyes de Probabilidades

Las Leyes de Probabilidades

IND3100 - Prof. Jorge Vera 2013

Las Leyes de Probabilidades

IND3100 - Prof. Jorge Vera 2013

Las Leyes de Probabilidades

Notemos: Usando la 3era y 4ta ley (con A y B independientes):

De la 3era ley, pero condicionando en A, obtenemos:

(2)-(5) muestran que si A es independiente de B, entonces B es

Las Leyes de Probabilidades

IND3100 - Prof. Jorge Vera 2013

Ejemplo: Tablas de Probabilidad

IND3100 - Prof. Jorge Vera 2013

Ejemplo: Tablas de Probabilidad

IND3100 - Prof. Jorge Vera 2013

Ejemplo: Probabilidad Condicional

Para calcular probabilidades

P(V|C) = P(C V)/ P(C)

P(R|C) = P(C R)/ P(C)

Notar que estas probabilidades condicionales son

IND3100 - Prof. Jorge Vera 2013

Ejemplo con 2 dados:

IND3100 - Prof. Jorge Vera 2013

Ejemplo con 2 dados:

IND3100 - Prof. Jorge Vera 2013

Ejercicio: ms con dados

A) la suma de las ocurrencias sea exactamente 2

IND3100 - Prof. Jorge Vera 2013

Ejercicio: ms con dados

IND3100 - Prof. Jorge Vera 2013

IND3100 - Prof. Jorge Vera 2013

Ahora, las 36 ocurrencias ya no son

IND3100 - Prof. Jorge Vera 2013

= P( A = i ) 2 = 0,12 + 0, 22 + 0,32 + 0, 22 + 0,12 + 0,12 = 0, 2

IND3100 - Prof. Jorge Vera 2013

IND3100 - Prof. Jorge Vera 2013

IND3100 - Prof. Jorge Vera 2013

La frmula permite calcular probabilidades con

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

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

IND3100 - Prof. Jorge Vera 2013

Problema del Cumpleaos

Hagamos la prueba en esta sala

Problema del Cumpleaos