Tema2 Probabilidad EDB 2020-I

TEMA 2 - PROBABILIDAD
B2 B4
B1 B3
(𝐴  𝑩𝟏 ) (𝐴  𝑩𝟐 ) (𝐴  𝑩𝟑 ) (𝐴  𝑩𝟒 )
ESTADÍSTICA BÁSICA 2
TEMA 2: Probabilidad
1. Introducción
2. Definición de probabilidad y propiedades
3. Probabilidad condicionada y total
4. Independencia de sucesos
5. Teorema de Bayes
1. Introducción
Probabilidad: medida de la incertidumbre sobre un suceso ¿ocurrirá o no?
SUCESO: resultado de un experimento
Ejemplo A: sacar un dos al lanzar un dado

B: sacar más de 3 al lanzar un dado
C: que el ordenador O tarde más de 10 sg en hacer la tarea T
D: que el material M1 resista el peso P
Antes de realizar el experimento:

¿Observaremos el suceso o no?
Probabilidad= medida de la incertidumbre sobre dicho suceso
1. Introducción
Conceptos importantes
EXPERIMENTO: Cualquier procedimiento de obtención de un dato,

dadas unas condiciones de experimentación
Si obtenemos un nuevo dato manteniendo constantes las condiciones

de experimentación estamos REPITIENDO el experimento
Ejemplo: comprobar si una muestra del material M1 resiste el peso P
Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T
Ejemplo: medir la longitud de una pieza del tipo T producida por la máquina M
Ejemplo: calcular el resultado de sumar 10+4
1. Introducción
Tipos de experimentos
Experimento determinista: es aquél en el que cada vez que se repite se obtiene el

mismo resultado
¿Por qué?
porque las condiciones de experimentación
contienen a TODOS los factores que influyen
Ejemplo: calcular el resultado de sumar 10+4
Experimento aleatorio: es aquél en el que no siempre se obtiene el mismo

resultado = INCERTIDUMBRE
¿Por qué?
porque las condiciones de experimentación NO
contienen a TODOS los factores que influyen.
Ejemplo: comprobar si una muestra del material M1 resiste el peso P
Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T
Ejemplo: medir la longitud de una pieza del tipo T producida por la máquina M
1. Introducción
SUCESO ELEMENTAL: cada uno de los resultados elementales del experimento aleatorio
Ejemplo: Al lanzar un dado, los sucesos elementales son 1,2,3,4,5,6

Al medir el tiempo de realización de una misma tarea, los sucesos
elementales son infinitos
SUCESO COMPUESTO: unión de sucesos elementales
Ejemplo: Al lanzar un dado, sacar un número par 𝐴: {2,4,6}
SUCESO CONTRARIO o COMPLEMENTARIO:
El suceso complementario a A , Ā , es el que se observa cuando

no ocurre A
Ejemplo: Al lanzar un dado, sacar un número par A:{2,4,6}

y su contrario será sacar impar, Ā :{1,3,5}
1. Introducción
ESPACIO MUESTRAL: conjunto de todos los sucesos posibles en un experimento E. Se

suele definir uniendo los elementales. También se le llama el
Suceso Seguro
Ejemplo Al lanzar un dado, E={1,2,3,4,5,6}

Al medir el tiempo de realización de una tarea 𝐸 = {𝑡 ≥ 0}
SUCESO IMPOSIBLE o VACÍO: suceso que nunca puede observarse, Ø
Ejemplo Al medir el tiempo de realización de una tarea Ø = {𝑡 < 0}
1. Introducción
Diagrama de Venn
Representación gráfica de sucesos: nos representa los diferentes

sucesos que pueden observarse al realizar un ‘experimento aleatorio’
E
Ā
A A Ā =E
Ejemplo: sucesos elementales al lanzar un dado
1 2 3 4 5 6
1 U 2 U 3 U 4 U 5 U 6=E
10
1. Introducción
Unión de sucesos o ‘suceso unión’: es el suceso que ocurre cuando ocurre

alguno de los que se unen.
E E
A
B
AB
AB o bien A+B (esa última notación NO usaremos)
Ejemplo:
A: sacar 2 ó 3 al lanzar un dado; A={2,3}

A  B={2,3,4,6}
B: sacar un número par; B={2,4,6}
1. Introducción
Intersección de sucesos o ‘suceso intersección’: es el suceso que ocurre
cuando los sucesos ocurren simultáneamente.
E E
A A
B B
AB A  B= Ø
(sucesos disjuntos o mutuamente
o bien AB excluyentes)
Ejemplo:
A: sacar 2 ó 3 al lanzar un dado; A={2,3}

AB=suceso en A y en B={2}
B: sacar un número par; B={2,4,6}
1. Introducción
5. Teorema de Bayes
A : suceso en el que estamos interesados.

Ejemplo, A: sacar cara al lanzar una moneda
Ejemplo, B: tardar más de 10 sg en realizar una tarea
Ejemplo, C: que mañana llueva
Ejemplo, D: que apruebe la asignatura
Hacemos el experimento y ... ¿Observaremos el suceso A?
Medida de la incertidumbre de observar A.

P(A) Probabilidad de observar el suceso A en la
siguiente repetición del experimento aleatorio
Probabilidad de un suceso A: es la frecuencia relativa de aparición

del suceso si repitiésemos el experimento indefinidamente
𝑁° 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠
• 𝑃 𝐴 = 𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 •0 𝑃(𝐴) 1 • 𝑃(Ø) = 0
• 𝑃(𝐸) = 1 • 𝑃(Ā) = 1 − 𝑃(𝐴)
Para sucesos mutuamente excluyentes

A
B
𝑃(𝐴𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
𝑃 𝐴 ∩ B : es el suceso intersección
Si no son mutuamente excluyentes

𝑃 𝐴𝐵 = ? A
B
𝑃(𝐴𝐵) = 𝑃(𝐴) −𝑃(𝐴 ∩ 𝐵) +𝑃(𝐵)
𝑃(𝐴𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
Ejemplo
Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
una de estas piezas puede ser defectuosa o aceptable. La distribución
bivariante es la siguiente:
Tipo I Tipo II TOTAL
Aceptables 46 184 230
Defectuosas 4 16 20
TOTAL 50 200 250
Definimos los sucesos:

Si seleccionamos un artículo al azar ¿Cuál es la
probabilidad de que sea defectuoso? D: producto defectuoso
P(D)=20/250=0.08

Si seleccionamos un artículo al azar ¿Cuál es la
probabilidad de que sea del Tipo II? TII: producto de Tipo II
P(TII)=200/250=0.80
Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
Defectuosas 4 16 20
TOTAL 50 200 250
Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250
¿Cuál es la probabilidad de sacar una pieza que no le valga?
Ejemplo una de estas piezas puede ser defectuosa o aceptable. La distribución
Defectuosas 4 16 20
TOTAL 50 200 250
Solución 1: Definimos los sucesos:

𝑣: pieza vale; 𝑣:
ҧ pieza no vale; A: pieza aceptable; TII: pieza de tipo II
𝑃 𝑣ҧ = 1 − 𝑃 𝑣
𝑃 𝑣 =?
184
𝑃 𝑣 = 𝑃 A ∩ 𝑇𝐼𝐼 250
𝑃 𝑣ҧ = 1 − 𝑃 A ∩ 𝑇𝐼𝐼
184
=1− = 0.264
250
Ejemplo una de estas piezas puede ser defectuosa o aceptable. La distribución
Defectuosas 4 16 20
TOTAL 50 200 250
Solución 2: Definimos los sucesos:

𝑣: pieza vale; 𝑣:
ҧ pieza no vale; A: pieza aceptable; 𝐴:ҧ pieza defectuosa;
TI: pieza de tipo I; TII: pieza de tipo II
𝑃 𝑣ҧ : 𝑃𝑟𝑜𝑏. 𝑝𝑖𝑒𝑧𝑎 𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 𝑜 𝑞𝑢𝑒 𝑒𝑠 𝑑𝑒 𝑡𝑖𝑝𝑜 𝐼

𝑃 𝑣ҧ = 𝑃 𝐴ҧ ∪ 𝑇𝐼
𝑃 𝑣ҧ = 𝑃 𝐴)ҧ + 𝑃(𝑇𝐼 - 𝑃 𝐴ҧ ∩ 𝑇𝐼
20 50 4
𝑃 𝑣ҧ = 250
+ 250
− 250
= 0.264
1. Introducción
5. Teorema de Bayes
La probabilidad de un suceso depende de la información que tengamos
A: sacar un 2 al lanzar un dado P(A)=1/6
¿Y si nos dicen que el

número que ha salido P(A sabiendo que ha salido un número par)
es par? =1/3>1/6
Probabilidad condicionada
Notación:
Definimos el suceso que no se ha observado aún y el que sí se ha observado

• Suceso que no sabemos si se observará: A . Por ejemplo A: sacar un 2
• Suceso conocido: B. Por ejemplo B: es un número par
Probabilidad de A condicionada a B
Probabilidad de A dado B
P(A|B)
Ejemplo En una sala hay 300 personas, que se pueden clasificar de la
siguiente forma:
Chicas (C)
ത Chicos (C) TOTAL
Fuman (F) 15 15 30
No fuman (Fത ) 105 165 270
TOTAL 120 180 300
Si seleccionamos a una persona al azar ¿Cuál

es la probabilidad de que sea fumadora? P(F)=30/300=0.10
Si seleccionamos a una persona al azar y P(F|C)=15/180=0.083

vemos que es chico, ¿Cuál es la probabilidad de
que sea fumador?
Ya sabemos que es chico
15
𝑃 𝐹|𝐶 =
180
En una sala hay 300 personas, que se pueden clasificar de la
Ejemplo siguiente forma:
Chicas (C)
ത Chicos (C) TOTAL
Fuman (F) 15 15 30
No fuman (Fത ) 105 165 270
TOTAL 120 180 300
15 nº de personas que son chicos Y fuman

𝑃(F|C) = =
180 nº de chicos
15/300 (nº de personas que son chicos Y fuman)/(nº de personas)

= =
180/300 (nº de chicos)/(nº de personas)
15/300 P(F ∩ C)
= =
180/300 P(C)
P(F ∩ C)
𝑃(F|C) =
P(C)
Regla de la probabilidad condicionada
𝑃(𝐴∩𝐵)
P(A|B)=
𝑃(𝐵)
De esta regla también puede tenerse
P(A ∩ B)=𝑃(𝐴|𝐵)𝑃(𝐵 )
Análogamente:
𝑃(𝐴∩𝐵)
P(B|A)= P(A ∩ B)=𝑃(𝐵|𝐴)𝑃(𝐴 )
𝑃(𝐴)
24
Regla de la probabilidad total
Sean B1,B2,...,Bn sucesos de un experimento cuya unión sea E

n
B2 B4 UB
i= 1
i = E
A Sea A otro suceso que se observa al
mismo tiempo que los sucesos Bi
Ejemplo: B1: ser varón

B1 B3 𝐵1 ∪ 𝐵2 = 𝐸
B2: ser mujer
A: ser fumador
Problema
Queremos saber P(A: ser fumador), pero lo que sabemos

es P(A|varón) y P(A|mujer)
¿Cómo podemos reconstruir la probabilidad total?
P(𝐴)=σ𝑛𝑖=1 𝑃(𝐴|𝐵𝑖 )𝑃(𝐵𝑖 )

25
B2 B4
P(A)=𝑃(𝐴 ∩ 𝐸)
A
n
como
UB
i= 1
i = E
B1 B3
P(A)=𝑃(𝐴 ∩ ‫=𝑖𝑛ڂ‬1 𝐵𝑖 )
(A  B1) (A  B2) (A  B3) (A  B4)
P(A)=𝑃((𝐴 ∩ 𝐵1 ) ∪ ((𝐴 ∩ 𝐵2 ) ∪… ( 𝐴 ∩ 𝐵4 )
mutuamente excluyentes
P(A)=𝑃 𝐴 ∩ 𝐵1 + 𝑃(𝐴 ∩ 𝐵2 ) +… P 𝐴 ∩ 𝐵4
26
B2 B4
P(𝐴)=𝑃 𝐴 ∩ 𝐵1 + 𝑃(𝐴 ∩ 𝐵2 ) +…
A
P 𝐴 ∩ 𝐵𝑛
B1 B3
usando que
(A  B1) (A  B2) (A  B3) (A  B4) P(𝐴 ∩ 𝐵𝑖 )=𝑃(𝐴|𝐵𝑖 )𝑃(𝐵𝑖 )
𝑃(𝐴)=𝑃(𝐴|𝐵1 )𝑃(𝐵1 )+ 𝑃(𝐴|𝐵2 )𝑃(𝐵2 )+… 𝑃(𝐴|𝐵𝑛 )𝑃(𝐵𝑛 )

27
B2 B4
Regla de la Probabilidad Total
A
B1 B3
(A  B1) (A  B2) (A  B3) (A  B4)
Ejemplo: B1: ser varón B2: ser mujer

A: ser fumador
Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varón) y P(A|mujer)
P(Fumador)=P(Fumador|Mujer)P(Mujer)+P(Fumador|Varón)P(Varón)
28
Ejemplo
En una sala hay 300 personas, que se pueden clasificar de la
siguiente forma:
Chicas Chicos TOTAL
Fuman 15 15 30
No fuman 105 165 270
TOTAL 120 180 300
P(Fuma|chica)=15/120=0.125 P(Fuma|chico)=15/180=0.0833
P(Chica)=120/300=0.40 P(Chico)=180/300=0.60
P(Fuma)=P(Fuma|Chica)P(Chica)+P(Fuma|Chico)P(Chico)
= 0.125  0.40 + 0.0833  0.60 = 0.10
1. Introducción
5. Teorema de Bayes
¿Qué significa que dos sucesos A La información que tengamos

y B sean independientes? de uno de ellos no nos sirve
para conocer mejor el otro
La probabilidad de uno de ellos no

cambia por observar o no el otro
P(A|B)=P(A) ; P(B|A)=P(B)
Ejemplos:
A: sacar 2 con un dado P(A)=1/6; P(A|B)=1/6=P(A)

B: sacar cara con una moneda son independientes
B: sacar número par con un dado P(A)=1/6; P(A|B)=1/3 P(A)

son dependientes
B: sacar número impar con un dado P(A)=1/6; P(A|B)=0 P(A)

son dependientes
Dos sucesos A y B son independientes si la
probabilidad de uno de ellos no cambia por
observar o no el otro
P(A|B)=P(A) ; P(B|A)=P(B)
por la regla de la probabilidad

condicionada
P(A∩B) P(A∩B)
P(𝐴|𝐵)= = P(𝐴) P(B|A)= = P(B)
P(𝐵) P(A)
Independencia: P(𝐴∩𝐵)=P(𝐴)P(𝐵)
Dependencia: P(𝐴 ∩ 𝐵)=𝑃(𝐵|𝐴)𝑃(𝐴) ó P(𝐴 ∩ 𝐵)=𝑃(𝐴|𝐵)𝑃(𝐵)
Ejemplo Unas piezas cilíndricas pueden ser defectuosas por tener una longitud
inadecuada o por tener un diámetro inadecuado, siendo ambos tipos de defectos
independientes. Si la proporción de cilindros con longitud inadecuada es de 5%
y la de cilindros con diámetro inadecuado es del 3%. ¿Qué porcentaje de
cilindros son defectuosos?
Ejemplo Unas piezas cilíndricas pueden ser defectuosas por tener una longitud
inadecuada o por tener un diámetro inadecuado, siendo ambos tipos de defectos
independientes. Si la proporción de cilindros con longitud inadecuada es de 5%
y la de cilindros con diámetro inadecuado es del 3%. ¿Qué porcentaje de
cilindros son defectuosos?

𝐶: cilindro defectuoso; 𝐿: producto con longitud inadecuada; D: producto con diámetro inadecuado
P(L)=0.05 P(C)=P(L ∪ D)
P(D)=0.03
=P(L)+P(D)−P(L ∩ D)
sucesos
P(L ∩ D)= P(L) × P(D)=0.05 × 0.03=0.0015 independientes
P(C)=P(L)+P(D)−P(L ∩ D)=0.05+0.03−0.0015=0.0785
Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada
Defectuosas 4 16 20
TOTAL 50 200 250
Se extraen, con reposición, dos piezas. ¿Cuál es la probabilidad de que ambas sean del Tipo I?
Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200
del Tipo II. Cada una de estas piezas puede ser
defectuosa o aceptable. La distribución bivariante es
la siguiente:
Defectuosas 4 16 20
TOTAL 50 200 250
Se extraen, con reposición, dos piezas. ¿Cuál es la probabilidad que ambas sean del Tipo I?
Solución:
Los resultados de ambas extracciones son sucesos independientes. Por tanto
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)
50 50
= × = 0.04
250 250
Si sacamos con reposición dos piezas, y repetimos este experimento
indefinidamente, sólo el 4% de las veces obtendremos dos piezas del Tipo I
EJERCICIOS
Un sistema está formada por 3 componentes como indica el gráfico. El sistema

funciona siempre que haya conexión entre los puntos A y B. Los 3 componentes que
se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus estados
(funcionando/averiado) independientes unos de otros. Calcula la probabilidad de que
este sistema falle. Llamaremos 𝐶𝑖 : el componente 𝐶𝑖 funciona
A B
𝐶1 𝐶2 𝐶3
Al estar los componentes en serie, el sistema funcionará si funcionan todos:

3 3
𝑃(Sistema)=𝑃 𝐶1 ∩ 𝐶2 ∩ 𝐶3 = 𝑃 𝐶1 𝑃 𝐶2 𝑃 𝐶3 = 𝑃 𝐶1 = 1 − 0.05
¿Qué fiabilidad (prob. de que funcione) deben tener los componentes individuales
de un sistema de 10 componentes en serie para que la fiabilidad del conjunto del
sistema sea superior a 0.99
A … B
𝐶1 𝐶2 𝐶10
10
𝑃 𝑆 = 𝑃 𝐶1 > 0.99 ⇒ 𝑃 𝐶1 >?
EJERCICIOS
Un sistema está formado por 2 componentes en paralelo como indica el gráfico. La

red funciona siempre que haya conexión entre los puntos A y B. Los 2 componentes
que se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus
estados (funcionando/averiado) independientes unos de otros. Demuestra que al
estar en paralelo, la probabilidad del sistema es mayor que la de cada componente
individual.
El sistema funciona si funciona algún componente. El sistema falla
si ambos componentes fallan.
𝐶1 𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎 =?
A B
𝐶2
EJERCICIOS

que se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus
estados (funcionando/averiado) independientes unos de otros. Demuestra que al
estar en paralelo, la probabilidad del sistema es mayor que la de cada componente
individual.
El sistema funciona si funciona algún componente. El sistema falla
si ambos componentes fallan.
𝐶1 𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎 = 𝑃 𝐶1 ∪ 𝐶2
= 𝑃 𝐶1 + 𝑃 𝐶2 − 𝑃 𝐶1 ∩ 𝐶2
A B = 𝑃 𝐶1 + 𝑃 𝐶2 − 𝑃 𝐶1 )𝑃(𝐶2
𝐶2
También se puede calcular usando el complementario:
𝑃 Sistema funciona = 1 − 𝑃 Sistema falla = 1 − 𝑃 𝐶1ҧ ∩ 𝐶2ҧ

= 1 − 𝑃 𝐶1ҧ )𝑃(𝐶2ҧ
tienen una probabilidad de fallo de 0.05, siendo sus estados (funcionando/averiado)
independientes unos de otros. Calcula la fiabilidad de este sistema
𝐶1
𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 = 𝑃 𝐶1 ∪ 𝐶2 ∪ 𝐶3
= 1 − 𝑃 𝐶1ҧ ∩ 𝐶2ҧ ∩ 𝐶3ҧ
= 1 − 𝑃 𝐶1ҧ 𝑃 𝐶2ҧ 𝑃 𝐶3ҧ
A 𝐶1 B
𝐶3
Cuántos componentes de los anteriores tengo que tener en paralelo para que la
fiabilidad del sistema sea superior a 0.999999.
𝐶1
𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 = 𝑃 𝐶1 ∪ 𝐶2 ∪ ⋯ ∪ 𝐶𝐾
A 𝐶1 B = 1 − 𝑃 𝐶1ҧ ∩ 𝐶2ҧ ∩ 𝐶3ҧ ⋯ ∩ 𝐶𝐾
= 1 − 𝑃 𝐶1ҧ 𝐾 = 0.999999
⋮
𝐶𝐾
1. Introducción
5. Teorema de Bayes
5. Teorema de Bayes
Problema: Conocemos P(B|A), ¿Cómo podemos calcular P(A|B)?
¿P(A|B)?
Por la regla de la P(A∩B)

P(A|B)=
probabilidad condicionada P(B)
pero también tenemos que P(A∩B)

P(B|A)=
P(A)
P(A∩B)=P(B|A) P(A)
Teorema de Bayes
P (B | A)P ( A)
P( A | B) =
P (B )
5. Teorema de Bayes
Ejemplo Una empresa que gestiona la red de una gran empresa adquiere un antivirus
con las siguientes características. Si hay virus, da la alarma con probabilidad
0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que dé una falsa
alarma de virus.
Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la
probabilidad de que cuando dé la alarma de virus, haya de verdad un ataque
A: al analizar un mensaje se da la alarma

V: el mensaje tiene un virus
5. Teorema de Bayes
alarma de virus.
𝑃(𝐴|𝑉) = 0.95
𝑃(𝐴|𝑉) = 0.08
V: el mensaje tiene un virus 𝑃(𝑉) = 0.001
𝑃(𝐴|𝑉)𝑃(𝑉) 0.95 × 0.001

𝑃(𝑉|𝐴) = 𝑃(𝑉|𝐴) =
𝑃(𝐴) 𝑃(𝐴)
Regla de la Probabilidad Total

alarma de virus.
P ( A | V ) = 0.95
P ( A | V ) = 0.08
V: el mensaje tiene un virus
P (V ) = 0.001
P ( A | V ) P (V ) 0.95  0.001
P (V | A) = P (V | A) =
P ( A) P ( A)
P( A) = P( A | V ) P(V ) + P( A | V ) P(V )
= 0.95  0.001 + 0.08  0.999 = 0.08087
0.95  0.001
P(V | A) = = 0.012
0.08087
45

Tema2 Probabilidad EDB 2020-I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema2 Probabilidad EDB 2020-I

Cargado por

Copyright:

Formatos disponibles

TEMA 2 - PROBABILIDAD

Probabilidad: medida de la incertidumbre sobre un suceso ¿ocurrirá o no?

SUCESO: resultado de un experimento

Ejemplo A: sacar un dos al lanzar un dado

Antes de realizar el experimento:

Probabilidad= medida de la incertidumbre sobre dicho suceso

EXPERIMENTO: Cualquier procedimiento de obtención de un dato,

Si obtenemos un nuevo dato manteniendo constantes las condiciones

Ejemplo: comprobar si una muestra del material M1 resiste el peso P

Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T

Ejemplo: calcular el resultado de sumar 10+4

Experimento determinista: es aquél en el que cada vez que se repite se obtiene el

Ejemplo: calcular el resultado de sumar 10+4

Experimento aleatorio: es aquél en el que no siempre se obtiene el mismo

Ejemplo: comprobar si una muestra del material M1 resiste el peso P

Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T

Ejemplo: Al lanzar un dado, los sucesos elementales son 1,2,3,4,5,6

SUCESO COMPUESTO: unión de sucesos elementales

Ejemplo: Al lanzar un dado, sacar un número par 𝐴: {2,4,6}

SUCESO CONTRARIO o COMPLEMENTARIO:

El suceso complementario a A , Ā , es el que se observa cuando

Ejemplo: Al lanzar un dado, sacar un número par A:{2,4,6}

ESPACIO MUESTRAL: conjunto de todos los sucesos posibles en un experimento E. Se

Ejemplo Al lanzar un dado, E={1,2,3,4,5,6}

SUCESO IMPOSIBLE o VACÍO: suceso que nunca puede observarse, Ø

Ejemplo Al medir el tiempo de realización de una tarea Ø = {𝑡 < 0}

Representación gráfica de sucesos: nos representa los diferentes

Ejemplo: sucesos elementales al lanzar un dado

Unión de sucesos o ‘suceso unión’: es el suceso que ocurre cuando ocurre

AB o bien A+B (esa última notación NO usaremos)

A: sacar 2 ó 3 al lanzar un dado; A={2,3}

A: sacar 2 ó 3 al lanzar un dado; A={2,3}

A : suceso en el que estamos interesados.

Hacemos el experimento y ... ¿Observaremos el suceso A?

Medida de la incertidumbre de observar A.

Probabilidad de un suceso A: es la frecuencia relativa de aparición

Para sucesos mutuamente excluyentes

Si no son mutuamente excluyentes

𝑃(𝐴𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

Tipo I Tipo II TOTAL

Aceptables 46 184 230

TOTAL 50 200 250

Definimos los sucesos:

Definimos los sucesos:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

TOTAL 50 200 250

Tipo I Tipo II TOTAL

Aceptables 46 184 230

TOTAL 50 200 250

Solución 1: Definimos los sucesos:

Tipo I Tipo II TOTAL

Aceptables 46 184 230

TOTAL 50 200 250

Solución 2: Definimos los sucesos:

𝑃 𝑣ҧ : 𝑃𝑟𝑜𝑏. 𝑝𝑖𝑒𝑧𝑎 𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 𝑜 𝑞𝑢𝑒 𝑒𝑠 𝑑𝑒 𝑡𝑖𝑝𝑜 𝐼

La probabilidad de un suceso depende de la información que tengamos

A: sacar un 2 al lanzar un dado P(A)=1/6

¿Y si nos dicen que el

Definimos el suceso que no se ha observado aún y el que sí se ha observado

No fuman (Fത ) 105 165 270

TOTAL 120 180 300

Si seleccionamos a una persona al azar ¿Cuál