Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción a la Probabilidad
n Experimentos, Reglas de Conteo,
y Asignación de Probabilidad
n Eventos y su Probabilidad
n Algunas relaciónes básicas de
Probabilidad
n Probabilidad Condicional
n Teorema de Bayes
Slide 1
Incertidumbre
Slide 2
Probabilidad
Slide 3
Probabilidad como una Medida Númérica
de la Ocurrencia
Aumentando la posibilidad de Ocurrencia
0 .5 1
Probabilidad:
Es poco Es casi
La ocurrencia del
seguro que seguro que
evento es segura
el evento el evento
como no lo es.
ocurra. ocurra.
Slide 4
Experimentos Estadísticos
Slide 5
Un Experimento y su Espacio Muestral
Slide 6
Un Experimento y su Espacio Muestral
Slide 7
Un Experimento y su Espacio Muestral
Ganancia o Pérdida
en 3 Meses(en $000)
Markley Oil Collins Mining
10 8
5 -2
0
-20
Slide 8
Una Regla de Conteo para
Experimentos de Múltiples Pasos
n Si un experimento consiste en una secuencia de k pasos
en donde hay n1 resultados posibles para el primer paso,
n2 resultados posibles para el seguno paso, y así ,
entonces el total de resultados experimentales es dado por
(n1)(n2) . . . (nk).
Slide 9
Una Regla de Conteo para
Experimentos de Múltiples Pasos
n Ejemplo: Inversiones Bradley
Las inversiones de Bradley pueden ser vistas como
un experimento de dos pasos. Envuelve dos
acciones, y cada una con su grupo de resultados
experimentales.
Markley Oil: n1 = 4
Collins Mining: n2 = 2
Número total de
resultados experimentales: n1n2 = (4)(2) = 8
Slide 10
Diagrama de Árbol
Slide 11
Reglas de Conteo para Combinaciones
Slide 12
Regla de Conteo para Permutaciones
æ Nö N!
PnN = n !ç ÷ =
è n ø (N - n )!
donde:
Ei es el resultado experimental i
y P(Ei) es su probabilidad.
Slide 14
Asignando Probabilidades
donde:
n es el número de resultados experimentales
Slide 15
Asignando Probabilidades
Método Clásico
Asignar probabilidades basado en la asunción de
que todos los resultados son igualmente probables.
Método Subjetivo
Asignar probabilidades basado en el juicio.
Slide 16
Método Clásico
Slide 17
Método de Frecuencia Relativa
Slide 18
Método de Frecuencia Relativa
Número de Número
Pulidores rentados De Días Probabilidad
0 4 .10
1 6 .15
2 18 .45 4/40
3 10 .25
4 2 .05
40 1.00
Slide 19
Método Subjetivo
Slide 20
Método Subjetivo
Slide 21
Eventos y sus Probabilidades
Slide 22
Eventos y sus Probabilidades
Slide 23
Eventos y sus Probabilidades
Slide 24
Algunas relaciones básicas de Probabilidad
Slide 25
Complemento de un Evento
Espacio
Evento A Ac Muestral S
Diagrama
de Venn
Slide 26
Union de Dos Eventos
Espacio
Evento A Evento B Muestral S
Slide 27
Unión de Dos Eventos
Slide 28
Intersección de Dos Eventos
Espacio
Evento A Evento B Muestral S
Intersección de A y B
Slide 29
Intersección de dos eventos
Slide 30
Ley de Adición
Slide 31
Ley de Adición
Espacio
Evento A Evento B Muestral S
Slide 33
Eventos Mutuamente Excluyentes
No es necesario
incluir“- P(A Ç B)”
Slide 34
Probabilidad Condicional
P( A Ç B)
P( A|B) =
P( B)
Slide 35
Probabilidad Condicional
Slide 36
Ley de Multiplicación
P(A Ç B) = P(B)P(A|B)
Slide 37
Ley de Multiplicación
Collins Mining
Markley Oil Rentable (C) No Rentable(Cc) Total
Probabilidad
conjunta Probabilidades
(aparece en el cuerpo marginales
de la tabla) (aparecen en los
márgenes de la tabla)
Slide 39
Eventos Independientes
Slide 40
Ley de Multiplicación para eventos
Independientes
La ley de multiplicación tambien puede usarse para
probar si dos eventos son independientes.
P(A Ç B) = P(A)P(B)
Slide 41
Ley de Multiplicación para eventos
Independientes
n Ejemplo: Inversiones de Bradley
Slide 42
Exclusividad Mutua e Independencia
Slide 44
Teorema de Bayes
n Ejemplo: L. S. Clothiers
Un centro de compras propuesto proporcionará un
fuerte competición a negocios de centro como L. S.
Clothiers. Si se construye el centro de compras, el
dueño de L. S. Clothiers siente que sería mejor
reubicar el centro de compras.
Slide 45
Probabilidades Previas
n Ejemplo: L. S. Clothiers
Sea:
A1 = La consejería aprueba la solicitud.
A2 = La consejería no aprueba la solicitud.
Slide 46
Nueva información
n Ejemplo: L. S. Clothiers
La junta de planificación ha recomendado en
contra de la solicitud. Sea B sea el evento de una
recomendación negativa de la junta de
planificación.
Dado que B ha ocurrido, debería L. S. Clothiers
revisar las probabilidades que la consejería
aprobará o no aprobará la solicitud.?
Slide 47
Probabilidades Condicionales
n Ejemplo: L. S. Clothiers
Historia pasada con la junta de planificación y la
consejería de la ciudad indican:
P(B|A1) = .2 P(B|A2) = .9
Slide 48
Diagrama de Árbol
n Ejemplo: L. S. Clothiers
P(B|A2) = .9
P(A2 Ç B) = .27
P(A2) = .3
P(A2 Ç Bc) = .03
P(Bc|A2) = .1
Slide 49
Teorema de Bayes
P( Ai )P( B| Ai )
P( Ai |B) =
P( A1 )P( B| A1 ) + P( A2 )P( B| A2 ) + ... + P( An )P( B| An )
Slide 50
Probabilidades Posteriores
n Ejemplo: L. S. Clothiers
Dada la recomendación de la junta de no aprobar
la solicitud, se revisa las probabilidades posteriores
de la siguiente manera:
P( A1 )P( B| A1 )
P( A1 |B) =
P( A1 )P( B| A1 ) + P( A2 )P( B| A2 )
(. 7 )(. 2 )
=
(. 7 )(. 2 ) + (. 3)(. 9)
= .34
Slide 51
Probabildiades Posteriores
n Ejemplo: L. S. Clothiers
La recomendación de la junta es una buena noticia
para L. S. Clothiers. La probabilidad posterior de
la consejería aprobando la solicitud es .34
comparada con la probabilidad posterior de .70.
Slide 52
Teorema de Bayes: Aproximación tabular
n Ejemplo: L. S. Clothiers
• Paso 1
Preparar las siguientes tres columnas:
Columna 1 - Los eventos mutuamente excluyentes
de los cuales se desea la probabilidad posterior.
Columna 2 - Las probabilidades previas de los eventos
Columna 3 - Las probabilidades condicionales de los
eventos dado cada evento.
Slide 53
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 1
(1) (2) (3) (4) (5)
Probabilidades Probabilidades
Eventos previas condicionales
Ai P(Ai) P(B|Ai)
A1 .7 .2
A2 .3 .9
1.0
Slide 54
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 2
Preparar una cuarta columna:
Columna 4
Calcular las probabilidades conjuntas de los eventos
y la nueva información B usando la ley de
multiplicación.
Multiplicar las probabilidades previas de la
columna 2 con las probabilidades condicionales
correspondientes de la columna l. Es decir, P(Ai !B) =
P(Ai) P(B|Ai).
Slide 55
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 2
(1) (2) (3) (4) (5)
Probabilidades Probabilidades Probabilidades
Eventos previas condicionales conjuntas
Ai P(Ai) P(B|Ai) P(Ai ! B)
A1 .7 .2 .14
A2 .3 .9 .27
.7 x .2
1.0
Slide 56
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 2 (continuación)
Observamos una probabilidad de .14 de que la con-
sejería apruebe la solicitud y una recomendación nega-
tiva de la junta de planificación.
Hay una probabilidad de .27 de que la consejería no
apruebe la solicitud y una recomendación nega-
tiva de la junta de planificación.
Slide 57
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 3
Sumar las probabilidades conjuntas de la columna 4.
La suma es la probabilidad de la nueva información,
P(B). La suma .14 + .27 muestra una probabilidad ge-
neral de .41 de una recomendación negativa de la junta.
Slide 58
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 3
(1) (2) (3) (4) (5)
Probabilidades Probabilidades Probabilidades
Eventos previas condicionales conjuntas
Ai P(Ai) P(B|Ai) P(Ai ! B)
A1 .7 .2 .14
A2 .3 .9 .27
1.0 P(B) = .41
Slide 59
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 4
Preparar la quinta columna:
Columna 5
Calcular las probabilidades posteriores usando
la relación básica de la probabilidad condicional.
P( Ai Ç B)
P( Ai | B) =
P( B)
Las probabilidades conjuntas P(Ai ! B) estan en
la columna 4 y la probabilidad P(B) es la suma
de la columna 4.
Slide 60
Teorema de Bayes: Aproximación Tabular
n Ejemplo: L. S. Clothiers
• Paso 4
(1) (2) (3) (4) (5)
Probabilidades Probabilidades Probabilidades Probabilidades
Eventos Previas Condicionales Conjuntas Posteriores
Ai P(Ai) P(B|Ai) P(Ai ! B) P(Ai |B)
A1 .7 .2 .14 .3415
A2 .3 .9 .27 .6585
1.0 P(B) = .41 1.0000
.14/.41
Slide 61