Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Evaluando la Probabilidad
Hay tres aproximaciones para evaluar la
probabilidad de un evento incierto:
1. probabilidad clsica a priori
Probabilidad
probabilid
ad de
deocurrencia
ocurrencia
Asumiendo
que todos los
resultados
son
igualmente
posibles
X
nmero de formas en las que el evento ocurre
T
nmero total de resultados posibles
3. probabilidad subjetiva
sobre la base de una combinacin de la experiencia de una persona,
la opinin personal y el anlisis particular de la situacin
T
nmero total de dias en 2012
X
31 das en Enero
31
T
366 das en 2012 366
Jos Antonio Robles Flores 2014
No Tomando Total
An. Datos
Hombre
84
145
229
Mujer
76
134
210
Total
160
279
439
0.191
nmero total de personas
439
Eventos
Cada posible resultado de una variable es un evento.
Evento simple
Un evento que se describe por una sola caracterstica
e.g., Un naipe rojo de una baraja de cartas
Evento conjunto
Un evento que se describe por dos o ms caractersticas
e.g., Un as rojo de una baraja de cartas
Espacio Muestral
El Espacio Muestral es el conjunto de todos los
eventos posibles
Ej.: Las 6 caras de un dado:
Visualizando Eventos
Tablas de Contingencias Para todos los das en 2012
Ene
No Ene
Mirc
48
52
No Mierc
27
287
314
31
335
Total
366
rbol de Decisin
4
Espacio
Muestral
Todos los
das en 2012
Total
27
48
Nmero
total de
resultados
en el
Espacio
Muestral
287
Jos Antonio Robles Flores 2014
10
No Ene
Total
Mirc
48
52
No Mierc
27
287
314
31
335
366
Total
P(Mierc.) = 52 / 366
P(Ene.) = 31 / 366
Jos Antonio Robles Flores 2014
11
No Ene
Total
Mirc
48
52
No Mierc
27
287
314
31
335
366
Total
12
B = da en Febrero
13
14
15
Mierc
48
52
No-Mierc
27
287
314
Total
31
335
366
16
4
48
52
P(Mierc y Ene) P(Mierc y No Ene)
Ene
No Ene Total
Mierc
48
52
No-Mierc
27
287
314
Total
31
335
366
17
Evento
B2
Total
A1
P(A1 y B1)
P(A1 y B2)
P(A1)
A2
P(A2 y B1)
P(A2 y B2)
P(A2)
Total
P(B1)
Probabilidad Conjunta
Jos Antonio Robles Flores 2014
P(B2)
18
Probabilidad
Probabilidad es la medida numrica de
la posibilidad de que un evento ocurra
Certeza
0.5
Imposible
19
20
Tipo
Color
Rojo
Negro
Total
As
No-As
24
24
48
Total
26
26
52
No contar los
dos ases rojos
repetidamente!
21
P(A y B)
P(A | B)
P(B)
La probabilidad
condicional de A dado
que B ha ocurrido
P(A y B)
P(B | A)
P(A)
La probabilidad
condicional de B dado
que A ha ocurrido
22
23
No GPS Total
AC
0.35
0.55
0.90
No AC
0.05
0.05
0.10
Total
0.40
0.60
1.00
0.3889
P(AC)
0.90
Jos Antonio Robles Flores 2014
24
No GPS Total
AC
0.35
0.55
0.90
No AC
0.05
0.05
0.10
Total
0.40
0.60
1.00
0.3889
P(AC)
0.90
Jos Antonio Robles Flores 2014
25
Dado AC o
no AC:
Todos
los
Autos
.05
.10 P(AC y GPS) = 0.05
26
Dado AC o
no AC:
Todos
los
Autos
.05
.10 P(AC y GPS) = 0.05
27
Todos
los
Autos
.35
.40 P(CD y AC) = 0.35
28
Independencia Estadstica
Dos eventos son independientes si y
slo si:
P(A | B) P(A)
Los eventos A y B son independientes cuando la
probabilidad de un evento no est afectada por el
otro evento
29
Reglas de Multiplicacin
Regla de Multiplicacin para dos eventos A y B:
30
Probabilidad Marginal
La probabilidad marginal para el evento A:
P(A) P(A | B1 )P(B1 ) P(A | B2 )P(B2 ) P(A | Bk )P(Bk )
Donde B1, B2, , Bk son k eventos mutuamente
excluyentes y colectivamente exhaustivos
31
Teorema de Bayes
El Teorema de Bayes se utiliza para revisar
probabilidades calculadas previamente cuando hay
informacin adicional
Fue desarrollado por Thomas Bayes en el Siglo 18
Es una extensin de la probabilidad condicional
32
Teorema de Bayes
El teorema de Bayes se utiliza para revisar
probabilidades previamente calculadas despus de
obtener nueva informacin
P(A | B i )P(B i )
P(B i | A)
P(A | B 1 )P(B 1 ) P(A | B 2 )P(B 2 ) P(A | B k )P(B k )
donde:
Bi = isimo evento de k eventos mutuamente
excluyentes y colectivamente exhaustivos
A = nuevo evento que puede tener impacto en P(Bi)
33
34
(probabilidades previas)
P(D|S) = 0.6
P(D|U) = 0.2
35
P(D | S)P(S)
P(S | D)
P(D | S)P(S) P(D | U)P(U)
(0.6)(0.4)
(0.6)(0.4) (0.2)(0.6)
0.24
0.667
0.24 0.12
Entonces, la probabilidad revisada de xito, dado que este pozo
ha sido programado para una prueba detallada es 0.667
Jos Antonio Robles Flores 2014
36
Prob
Previa
Prob
Condicional
Probabilidad
Conjunta
Probablidad
Revisada
S (exitoso)
0.4
0.6
(0.4)(0.6) = 0.24
0.24/0.36 = 0.667
U (no-exitoso)
0.6
0.2
(0.6)(0.2) = 0.12
0.12/0.36 = 0.333
Suma = 0.36
Jos Antonio Robles Flores 2014
37
Reglas de Conteo
Reglas para contar el nmero de posibles
resultados
Regla de Conteo 1:
Si uno de k eventos diferentes mutuamente excluyentes y
colectivamente exhaustivos puede ocurrir en cada uno de
n intentos, el nmero de posibles resultados es igual a
kn
Ejemplo:
Si se lanza un dado 3 veces entonces hay 63 = 216 posibles
resultados
Jos Antonio Robles Flores 2014
38
(k1)(k2)(kn)
Ejemplo:
Se quiere ir a un parque, almorzar en un restaurante e ir al
cine. Hay 3 parques, 4 restaurantes y 6 cines. Cuntas
posibles combinaciones hay?
Respuesta: (3)(4)(6) = 72 posibilidades diferentes
Jos Antonio Robles Flores 2014
39
n! = (n)(n 1)(1)
Ejemplo:
Usted tiene cinco libros para poner en una repisa. De cuntas
maneras puede usted ponerlos en la repisa?
Respuesta: 5! = (5)(4)(3)(2)(1) = 120 diferentes posibilidades
40
Cx
n!
5!
120
10 posibilidades diferentes
X!(n X)! 3!(5 3)! (6)(2)
41
42
Referencias
Levine; Krehbiel & Berenson 2014. Estadstica para
Administracin 6ta Edicin. Pearson.
43