Documentos de Académico
Documentos de Profesional
Documentos de Cultura
⚫Probabilidad:
• Definición Clásica (a priori)
• Definición por frecuencia relativa
• Probabilidad subjetiva
⚫Axiomas de la probabilidad:
⚫Probabilidad Conjunta:
• Probabilidad de la Intersección de eventos
• Probabilidad de la Unión de eventos
• Probabilidad condicional
• Regla de Multiplicación.
• Variables Aleatorias:
• Discretas: Binomial, Poisson y Hipergeométrica
Probabilidad
numérica de la ocurrencia de
un evento.
•SuValor esta entre 0 y 1.
.5
•La Suma de las
probabilidades de todos los
eventos mutuamente
excluyentes es 1.
0 Imposible
Probabilidad
• Definición Clásica: (a priori)
• La Probabilidad de un Evento, E:
Numero de resultados del evento 𝒏(𝑨)
P( E ) = =
𝒏(𝜴)
Total resultados en EspacioMuestral
e.g. P( ) = 2/36
(Hay 2 formas para obtener un 6 y el otro 4)
• Cada Uno de los resultados del espacio
muestral tienen igual posibilidad de ocurrir.
Probabilidad
• Ejemplo:
• Si se lanza una moneda tres veces, cuál es la
Probabilidad que ocurran: (a) dos caras : (b)
al menos dos caras.
• Ω : CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS
n(Ω) = 8
• (a) Sea el evento A: «ocurre dos caras»
P(A ∩ B) =
Total Resultados en Espacio Muestral
2 Ases Rojos 1
P(Carta Roja ∩ As) = 52 Total Numero de Cartas =
26
Probabilidad Conjunta usando Tablas
de Contingencia
Evento
Event B1 B2 Total
A1 P(A1 y B1) P(A1 y B2) P(A1)
Color
Tipo Rojo Negro Total
As 2 2 4
No-As 24 24 48
Total 26 26 52
𝑷(𝑨𝒔∩𝑹𝒐𝒋𝒐) 𝟐/𝟓𝟐 𝟐
𝑷(𝑨𝒔/𝑹𝒐𝒋𝒐) = = =
𝑷(𝑹𝒐𝒋𝒐) 𝟐𝟔/𝟓𝟐 𝟐𝟔
Probabilidad Condicional usando
Tablas de Contingencia (Ejemplo)
Usted recolectó datos sobre 500 economistas en la academia, la
industria privada y el gobierno respecto a sus opiniones sobre si la
economía podría ser estable, podría expandirse o podría entrar en un
período de contracción en el futuro próximo. Sin embargo parte de la
información se perdió resultando la siguiente tabla de contingencia
parcial con base a los datos de la tabla encuentre:
Economia
Economistas Total
Estable (S) Expansion (E) Contraccion (C)
Academicos (A) 125 100 100 325
I. Privada (I) 50 35 25 110
Gobierno (G) 25 40 0 65
Total 200 175 125 500
Probabilidad Condicional usando
Tablas de Contingencia (Ejemplo)
B
Probabilidad Total
Partición de un Evento:
o Mutuamente excluyentes: 𝑩𝟏 ∩ 𝑩𝟐. .∩ 𝑩𝒌 = 𝟎
o Colectivamente exhaustivos: 𝑩𝟏 𝖴 𝑩𝟐. .𝖴 𝑩𝒌 = 𝛀
B1 B2 B3 ∙ ∙ Bk
A
𝐀 ∩ B1 𝐀 ∩ B2 𝐀 ∩ B3 . . 𝐀 ∩ Bk
B Probabilidad Total:
𝑷 𝑨 = ∑𝒌𝒊=𝟏 𝑷 𝑨 ∩ 𝑩𝒌 = ∑𝒌𝒊=𝟏 𝑷(𝑩𝒌)(𝑷𝑨/𝑩𝒌)
Regla de Multiplicación
Teorema de Bayes
𝑷 𝑩𝒌 𝑷(𝑨/𝑩𝒌)
P(Bk A) =
𝑷 𝑩𝟏 𝑷 𝑨/ 𝑩𝟏 +∙ ∙∙ +𝑷 𝑩𝒌 𝑷(𝑨/ 𝑩𝒌)
𝑷(𝑨∩𝑩𝒌) 𝑹.𝑴
= = Sumando las
𝑷(𝑨) 𝑷.𝑻 partes de A
en todos los
B’s
Mismo
Evento
Teorema de Bayes
Ejemplo:
Los ingenieros de ventas 1, 2 y 3 estiman los costos de 30%, 20% y
50%, respectivamente, de todos los trabajos licitados por una
Compañía. Las probabilidades de cometer error grave, al estimar el
costo, de los ingenieros son de 0.01, 0.03 y 0.02 respectivamente.
a. Halle la probabilidad de que se cometa error grave al
estimar el costo en una licitación.
Ai = El ingeniero i estima los costos de una licitación i=1,2,3
E = Se comete error grave al estimar el costo
PROBABILIDAD TOTAL
Teorema de Bayes
Ejemplo:
b. Si en una licitación en particular se incurre en
un grave error al estimar los costos. ¿Cuál es la
probabilidad de que el Ingeniero 2 haya
cometido el error?
TEOREMA DE BAYES
Teorema Bayes : Tabla Contingencia
Un meteorólogo acierta en un 80% los días de lluvia y en
un 90% los días soleados. Llueve el 10% de los días.
Habiendo Previsto que llueve. ¿ Cuál es la probabilidad
que acierte
Clima
Diagnostico Llueva Soleado Prob.
10%*80% = 0,08 Acierte .08 ? ?
No Acierte .18 ? ?
90%*20% = 0,18
.26 ?
Prob. 1
Distribución
Probabilidades Discreta
Deviación Estandar
= n = 5 p = 0.5
np ( − p )
P(X)
.6
.4
e.g. = 5(.5)(1 - .5) = 1.118 .2
0 X
0 1 2 3 4 5
Distribución Binomial (Ejemplo)
15 15 0
b. P ( X = 15) = 𝐶15 𝑝 𝑞 = 1 ( 5,098 x 10 -9 ) 1 = 0,00
0,1152
Distribución de Poisson
Poisson Procesó:
• Eventos Discretos en un ‘Intervalo’ P(X = x|
– La Probabilidad de Un Suceso en
Intervalo es estable e- x
– La Probabilidad de más que un x!
Suceso en este Intervalo es 0
• Probabilidad de Suceso es
Independiente de Intervalo a
Intervalo
e.g. # aviones que arrivan en 15 min.
# Defectos Por cajas de focos de
luz
Función de Distribución de
Probabilidades Poisson
− X
P(X) = e
X!
P(X ) = probabilidad de X sucesos dado
= (media) esperada num. de ‘sucesos’
e = 2.71828 (base log. natural)
X = número de „sucesos‟ por unidad.
e.g. Encuentre la probabilidad de 4 -3.6 4
aviones arrivando en 3 minutos cuando e 3.6 = .1912
P(X) =
la media es 3.6. 4!
Características de la
Distribución Poisson
Media P(X) = 0.5
= E(X) = .6
.4
N .2
= X i P( X i ) 0 X
0 1 2 3 4 5
i =1
P(X) =6
.6
Deviación Estandar .4
= 𝝀
.2
0 X
0 2 4 6 8 10
Distibucion de Poisson (Ejemplo)
Sí 2% de los libros encuadernados en cierto taller tienen
encuadernación defectuosa, Cuál es la probabilidad de que 5
de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas?
P(X ) = ( X )( n-X )
( N
n )
P(X) = probabilidad de X sucesos dado 3 Focos de luz fueron
n, N, y A seleccionados de 10. De los 10
n = tamaño de muestra hubo 4 defectuosos. Cual es la
N = tamaño población probabilidad que 2 de los 3
seleccionados sean
A = número de “sucesos”
defectuosos?
en la población
X = número de “sucesos” ( 4 )( 6 )
P(2) = 2 1 = .30
en la muestra (X = 0, 1, 2, n) ( 10)
3
Características de la Distribución
Hipergeométrica
Media
= E(X ) = n A
N
Corrección
Población
Desviación Estándar Finita
= nA(N − A) N − n
N −1
2
N
Distribución Hipergeométrica (Ejemplo)
𝐶28 𝑥𝐶02 28
P(X = 2) = 𝐶210
= 55
= 0,51 51%