Está en la página 1de 43

Probabilidad

Experimento Aleatorio

EL término “experimento aleatorio” se utiliza en la


teoría de la probabilidad para referirse a un proceso
cuyo resultado no es conocido de antemano con
certeza.

“Suma de valores en el lanzamiento de 2 dados.”


Probabilidad. 2
Ejemplos
• Número de piezas defectuosas en una
muestra de 100 piezas.
• Número de llamadas a una centralita
telefónica en un día.
• Energía eléctrica consumida en Madrid
durante un periodo de tiempo.

Probabilidad. 3
Espacio Muestral
Conjunto formado por todos los posibles
resultados de un experimento aleatorio.
•DISCRETOS:
– Lanzamiento de un DADO: S = {1,2,3,4,5,6}
– Piezas defectuosas en una muestra de 100
S = {0,1,2,...,100}
– Llamadas a una centralita durante un día
S = {0,1,2,3,...,∞}
•CONTINUOS:
– Energía consumida en Madrid: S={[0, ∞)}
Probabilidad. 4
Suceso
Cualquier subconjunto del espacio muestral.
– “Obtener un número par al lanzar un dado”
A = {2,4,6}
– “Observar menos de 5 piezas defectuosas en
una muestra de 100”: B = {0,1,2,3,4,5}
– “Tener más de 50 llamadas de teléfono en una
hora” : C = {51,52,...,∞}
– “Tener una demanda de energía eléctrica entre
300 Mwh y 400 Mwh” : D =(300,400)
Probabilidad. 5
Operaciones
Sean A y B dos subconjuntos de S
• Unión
A ∪ B = {x : (x ∈ A) o (x ∈ B)}
• Intersección
A ∩ B = {x : (x ∈ A) y (x ∈ B)}
• Complementario
A= {x : x∉ A}
Probabilidad. 6
A∪B
A∩B

Probabilidad. 7
Propiedades
Dados tres sucesos A,B y C de un espacio muestral S
A ∪ B = B ∪ A
Conmutativa : 
A ∩ B = B ∩ A
 A ∪ ( B ∪ C ) = ( A ∪ B) ∪ C
Asociativa : 
 A ∩ ( B ∩ C ) = ( A ∩ B) ∩ C
 A ∪ ( B ∩ C ) = ( A ∪ B) ∩ ( A ∪ C )
Distributiva : 
 A ∩ ( B ∪ C ) = ( A ∩ B) ∪ ( A ∩ C )
A ∪ B = A ∩ B
Leyes de Morgan : 
A ∩ B = A ∪ B

Probabilidad. 8
Axiomas de Probabilidad
Dado un espacio muestral S, una función de probabilidad
asigna valores P(A) a cada suceso A ⊂ S y satisface :
1. 0 ≤ P(A) ≤ 1
2. P(S) = 1
3. Para una secuencia de sucesos A1,A2 ,K , An
que cumplen Ai ∩ A j = ∅ cuando i ≠ j
n
P(U Ai ) = ∑i =1 P ( Ai )
n

i =1

Probabilidad. 9
Problema fundamental
• Dado un espacio muestral discreto con resultados
A1, A2, ..., An , el experimento aleatorio queda
caracterizado si asignamos un valor P(Ai) no
negativo a cada resultado Ai que verifique
P(A1)+P( A2)+ ...+P(An)=1.

• Ejemplo. Se lanza dos veces una moneda.


{XX,XC,CX,CC}
Se asigna probabilidad 1/4 a cada uno de los cuatro
resultados.
¿ Es una asignación correcta? Probabilidad. 10
Propiedades elementales
1. P(∅) = 0.
2. P( A) = 1 − P ( A).
3. Si A ⊂ B entonces P(A) ≤ P(B).
4. Para dos sucesos cualesquiera A, B ⊂ S ,
P( A ∪ B) = P( A) + P( B) − P( A ∩ B).
5. Para n sucesos A1,A2 ,...,An ⊂ S ,
n n n n
P (U Ai ) = ∑ P( Ai ) − ∑∑ P( Ai ∩ A j ) +
i =1 i =1 i =1 j >i
n n n

∑∑∑ i j k
P ( A ∩ A ∩
i =1 j >i k > j
A ) + L + ( −1) n +1
P( A1 ∩ A2 ∩ L ∩ An )

Probabilidad. 11
Asignación de probabilidades
1. Clásica (Laplace): Equiprobabilidad
2. Frecuencialista (von Mises, 1931)
3. Subjetiva

Probabilidad. 12
Clásica: sucesos equiprobables
Sea un experimento con un número finito de
resultados excluyentes y equiprobables, la
probabilidad del suceso A es
N ( A)
P ( A) = ,
N
donde N es el número de resultados posibles
del experimento y N(A) el número de
resultados favorables al suceso A.
Probabilidad. 13
Ejemplos (equiprobabilidad)
• Lanzamiento de una moneda. S={C,X}
1
P(C ) =
2
• Lanzamiento de un dado. S={1,2,3,4,5,6}
3 1
P (" Número par" ) = = .
6 2
• Extracción de una de las 40 cartas de la
baraja, S={1 Oros,2 Oros,...., Rey Bastos}
10 1
P ( Bastos ) = = .
40 4
Probabilidad. 14
Lanzamiento de dos dados
1er Dado

1 2 3 4 5 6
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
2º Dado 4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

P(“suma 7”) = 6/36 = 1/6

Probabilidad. 15
Urna: 2 Negras y 3 Blancas
1ª Bola
B1 B2 B3 N1 N2

2ª Bola
B1 B2,B1 B3,B1 N1,B1 N2,B1
B2 B1,B2 B3,B2 N1,B2 N2,B2
B3 B1,B3 B2,B3 N1,B3 N2,B3
N1 B1,N1 B2,N1 B3,N1 N2,N1
N2 B1,N2 B2,N2 B3,N2 N1,N2

Se extraen dos bolas al azar, una detrás de otra, sin


reposición.
P(“1ª Blanca y 2ª Negra”) = 6/20 = 3/10

Probabilidad. 16
Urna: 2 Negras y 3 Blancas
1ª Bola

2ª Bola
B1 B2 B3 N1 N2
B1 B1,B1 B2,B1 B3,B1 N1,B1 N2,B1
B2 B1,B2 B2,B2 B3,B2 N1,B2 N2,B2
B3 B1,B3 B2,B3 B3,B3 N1,B3 N2,B3
N1 B1,N1 B2,N1 B3,N1 N1,N1 N2,N1
N2 B1,N2 B2,N2 B3,N2 N1,N2 N2,N2

Se extraen dos bolas al azar, una detrás de otra, con


reposición.
P(“1ª Blanca y 2ª Negra”) = 6/25

Probabilidad. 17
Combinatoria: 5 objetos tomados de dos en dos
SIN REEMPLAZAMIENTO CON REEMPLAZAMIENTO

Primera extracción Primera Extracción


1 2 3 4 5 1 2 3 4 5
1 (2,1) (3,1) (4,1) (5,1) 1 (1,1) (2,1) (3,1) (4,1) (5,1)
2 (1,2) (3,2) (4,2) (5,2) 2 (1,2) (2,2) (3,2) (4,2) (5,2)
IMPORTA 3 (1,3) (2,3) (4,3) (5,3) 3 (1,3) (2,3) (3,3) (4,3) (5,3)
4 (1,4) (2,4) (3,4) (5,4) 4 (1,4) (2,4) (3,4) (4,4) (5,4)
EL ORDEN 5 (1,5) (2,5) (3,5) (4,5) 5 (1,5) (2,5) (3,5) (4,5) (5,5)

Número = 20 Número = 25

Primera extracción Primera extracción


1 2 3 4 5 1 2 3 4 5
1 1 (1,1)
NO IMPORTA 2 (1,2) 2 (1,2) (2,2)
3 (1,3) (2,3) 3 (1,3) (2,3) (3,3)
EL ORDEN 4 (1,4) (2,4) (3,4) 4 (1,4) (2,4) (3,4) (4,4)
5 (1,5) (2,5) (3,5) (4,5) 5 (1,5) (2,5) (3,5) (4,5) (5,5)

Número = 10 Número = 15

Probabilidad. 18
Combinatoria: Número posible de
reordenaciones de n objetos tomados de r en r

SIN CON
REEMPLAZAM IENTO REEMPLAZAM IENTO
IMPORTA n!
nr
EL ORDEN ( n − r )!

NO IMPORTA n  n + r − 1
   
EL ORDEN r  r 

Probabilidad. 19
1 - 6 - 21 - 29 - 33 -43

La primitiva. Se eligen 6 números distintos del 1 al 49,


ambos inclusive.
• Probabilidad de acertar los 6.
• Probabilidad de acertar 5.
• Probabilidad de acertar 4.
• Probabilidad de no acertar ninguno.
• Probabilidad de que salga un número concreto, por
ejemplo el número 1.
Probabilidad. 20
Primitiva
 6   43 
  ×  
1 1 5 1 258
P(Acertar 6) = = = 0,000000072 P(Acertar 5) =     = = 0,000018
 49  13.983.816  49  13.983.816
   
6 6

 6   43   43 
  ×    
4 2 13.545 6 6.096.454
P(Acertar 4) =     = = 0,00097 P(Ninguno) =   = = 0,44
 49  13.983.816  49  13.983.816
   
6 6

 48 
 
5 6
P(Salga el 1) =   = = 0,1224
 49  49
 
6

Probabilidad. 21
• En una estación de metro hay 5 pasajeros esperando a un
tren con 10 vagones, si cada pasajero elige un vagón al azar,
¿cuál es la probabilidad de que todos elijan un vagón
diferente?
N ( A) 10 × 9 × 8 × 7 × 6
P ( A) = = 5
= 0.3024
N 10
• De un lote con 100 piezas se toman al azar 10, si todas las
piezas elegidas son buenas se acepta el lote y se rechaza en
caso contrario. ¿Cuál es la probabilidad de aceptar un lote
con 10 piezas defectuosas?
100  100!  90  90!
N =   = ; N ( A) =   =
 10  10! 90!  10  80!10!
N ( A) 90! 90! 90 × 89 × L × 81
P ( A) = = = = 0.330
N 80! 100! 100 × 99 × L × 91
Probabilidad. 22
Cumpleaños
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaños.

1 2 ... 365 A1 A2 ... Ar

r
A = " No haya ninguna coincidencia"
365 × (365 - 1) × L × (365 − r + 1)
P ( A) =
365 r
P( A ) = 1 - P(A) , r = 25 → P( A ) = 0.578

Probabilidad. 23
Probabilidad y Frecuencia Relativa

La probabilidad P(A) de un suceso A es el


límite
nA
P( A) = lim
n →∞ n

dónde nA es el número de veces que ha


ocurrido A al repetir el experimento n veces
en idénticas condiciones.

Probabilidad. 24
Frecuencia relativa de caras

1,00
Nº de Caras / Nº de Lanzam ientos

0,50

0,00
0 50 100 150 200
Nº de lanzam iento

Probabilidad. 25
Total sorteos 1.380 (2000 - 104; 2001 - 74) Probabilidad. 26
Probabilidad. 27
Probabilidad Condicionada
Mujeres Hombres
TOTAL
(M) (H)
Fumadores
0,12 0,18 0,30
(F)
No Fumadores
0,39 0,31 0,70
(N)

TOTAL 0,51 0,49 1,00

 0,18
 P ( F | H ) = 0,45 = 0,40

P ( F ) = 0,30 
 0,12
P( F | M ) = = 0,22
 0,55
Probabilidad. 28
Probabilidad Condicionada
Definición. Sea B un suceso con probabilidad
distinta de cero, se define probabilidad del
suceso A dado B a:

P( A ∩ B)
P( A | B) = .
P( B)

Probabilidad. 29
Utilidad
• Actualizar probabilidad del suceso A en
función de la información disponible I
P(A|I) = P(A∩I)/P(I)
• Cálculo de la intersección de sucesos
P(A ∩B) = P(A|B)P(B)
• Cálculo de probabilidad de un suceso
P ( A) = P (( A ∩ B ) ∪ ( A ∩ B))
= P( A | B) P( B) + P( A | B) P( B)

Probabilidad. 30
Ejemplo Urna
Probabilidad de “1ª Blanca y 2ª Negra”
• Sin reemplazamiento:
P(B1 ∩ N2) = P(B1) P(N2| B1)
= (3/5)(2/4) = 3/10
• Con reemplazamiento:
P(B1 ∩ N2) = P(B1) P(N2| B1)
= (3/5)(2/5) = 6/25
Probabilidad. 31
Cumpleaños
Probabilidad de que en un grupo de r = 25 personas
haya al menos dos con el mismo cumpleaños.

1 2 ... 365 A1 A2 ... Ar

r
Br = " No haya ninguna coincidencia en r "
P(Br ) = P(B1 ) P( B2 | A1 ) P( B3 | A1 ≠ A2 ) L P( Br | A1 ≠ A2 ≠ L ≠ Ar −1 )
365 − 1 365 − 2 365 − r + 1
= 1× × × L×
365 365 365
P( Br ) = 1 - P(Br ) , r = 25 → P( Br ) = 0.578
Probabilidad. 32
Ejemplo

Urna U1 Urna U2

Se elige una urna al azar y se extrae una bola: ¿ P(Blanca) ?


P( B) = P( B | U 1) P(U 1) + P( B | U 2) P(U 2)
3 1 1 1 17
= × + × = = 0.425
5 2 4 2 40
Probabilidad. 33
Ejemplo (cont.)

Urna U1 Urna U2

Se toma al azar una bola de U1 y se mete en U2. Se extrae


una bola de U2: ¿ P(Blanca) ?
P( B) = P( B | B1) P( B1) + P( B | N1) P( N1)
2 3 1 2 8
= × + × = = 0.32
5 5 5 5 25
Probabilidad. 34
Independencia
Si el conocimiento de la ocurrencia de un suceso B cambia
la probabilidad de que ocurra otro A, se dice que A y B son
dependientes, en ese caso P(A|B)≠ P(A).

Cuando el suceso A es independiente de B, la ocurrencia de


B no cambia la probabilidad de A, es decir P(A|B) = P(A).

Como P(A|B) = P(A∩B)/P(B),

A y B son independientes ⇔ P(A∩B) = P(A) P(B)

Probabilidad. 35
Lanzamiento de dos monedas
S = {CC, CX, XC,XX}
Hipótesis:
• Monedas equilibradas: P(C) = P(X)
• Independientes

P (CC) = P(C) P(C) = (1/2)×(1/2) = 1/4


P (CX) = P(C) P(X) = (1/2)×(1/2) = 1/4
P (XC) = P(X) P(C) = (1/2)×(1/2) = 1/4
P (XX) = P(X) P(X) = (1/2)×(1/2) = 1/4

Probabilidad. 36
Independencia (3 o más sucesos)
• Tres sucesos A, B y C son independientes si
•P(A ∩ B∩ C) = P(A) P(B) P(C)
•P(A ∩ B) = P(A) P(B)
•P(A ∩ C) = P(A) P(C)
•P(B ∩ C) = P(B) P(C)

• Los sucesos A1 , A2 , ..., An


son independientes si
cualquier subconjunto Ai1, Ai2, ..., Aik, cumple
P(Ai1∩Ai2∩...∩ Aik) = P(Ai1)P( Ai2)...P(Aik)

Probabilidad. 37
Probabilidad Total
Partición.
B1 B2 B3 B4 B5 B1,B2 ,...,Bn : B j ⊂ S
A B Bi ∩ B j = ∅, ∀i ≠ j
B6 B7 9 B
B 10
8 B1 ∪ B2 ∪ L ∪ Bn = S
P ( A) = P ( A ∩ S )
= P[ A ∩ ( B1 ∪ B2 ∪ L ∪ Bn )]
= P[( A ∩ B1 ) ∪ ( A ∩ B2 ) ∪ L ∪ ( A ∩ Bn )]
= P( A ∩ B1 ) + P ( A ∩ B2 ) + L + P ( A ∩ Bn )
P ( A) = P ( A | B1 ) P ( B1 ) + P ( A | B2 ) P ( B2 ) + L P ( A | Bn ) P( Bn )
Probabilidad. 38
Teorema de Bayes
Sea B1 ,B2 ,...,Bn una partición del espacio S
tal que P(B j ) > 0, para j = 1,2 ,...,n y sea A
cualquier suceso con P(A) > 0, entonces
para cualquier Bi :

P(A|Bi )P(Bi )
P(Bi|A) = n
.
∑ P(A|B
j =1
j )P(B j )

Probabilidad. 39
Ejemplo (Bayes)
M-1 M-2 M-3
5% D 20 % D 10 % D

200 p/h 100 p/h 100 p/h

ALMACÉN

El porcentaje de piezas defectuosas fabricadas por tres


máquinas es 5%, 20% y 10%. La primera fabrica 200 piezas
por hora y las otras dos 100 piezas por hora. Todas las piezas
fabricadas se llevan a un almacén. Al final del día se toma
una pieza del almacén y es defectuosa, ¿cuál es la
probabilidad de que proceda de M-1? Probabilidad. 40
P( D | M 1 ) P( M 1 )
P( M 1 | D) =
P( D | M 1 ) P( M 1 ) + P( D | M 2 ) P( M 2 ) + P( D | M 3 ) P( M 3 )
0.05 × 0.5
= = 0.25
0.05 × 0.5 + 0.20 × 0.25 + 0.10 × 0.25

P( D | M 2 ) P( M 2 )
P( M 2 | D) =
P( D | M 1 ) P( M 1 ) + P( D | M 2 ) P( M 2 ) + P( D | M 3 ) P( M 3 )
0.20 × 0.25
= = 0.50
0.05 × 0.5 + 0.20 × 0.25 + 0.10 × 0.25

P( D | M 3 ) P( M 3 )
P( M 3 | D) =
P( D | M 1 ) P( M 1 ) + P( D | M 2 ) P( M 2 ) + P( D | M 3 ) P( M 3 )
0.10 × 0.25
= = 0.25
0.05 × 0.5 + 0.20 × 0.25 + 0.10 × 0.25

P( M 1 | D) + P( M 2 | D) + P( M 3 | D) = 1
Probabilidad. 41
Si una persona es portadora del virus A, un análisis de
sangre lo detecta el 99% de las veces. Sin embargo, el test
también proporciona “falsos positivos”, indicando la
presencia del virus en el 3% de personas sanas. Si sólo 5 de
cada 1000 personas tienen el virus, ¿cuál es la probabilidad
de que una persona tenga el virus realmente si el análisis ha
dado positivo?

V =" Tener el Virus" S =" El análisis es positivo"


P (V ∩ S ) P ( S | V ) P (V )
P (V | S ) = =
P( S ) P ( S | V ) P (V ) + P ( S | V ) P (V )
0.99 × 0.005
= = 0.142
0.99 × 0.005 + 0.03 × 0.995

Probabilidad. 42
Ejemplo Virus
(Aplicado a 1.000.000 personas)

SANOS ENFERMOS Total


NEGATIVO 965.150 50 965.200
POSITIVO 29.850 4.950 34.800
Total 995.000 5.000 1.000.000

Entre los 34.800 que han dado positivo, sólo


4.950 tienen el virus
P(V|S) = 4.950/34.800 = 0.142

Probabilidad. 43