Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Máster Universitario
en Inteligencia Artificial
02MIAR | Matemáticas:
Matemáticas para la Inteligencia Artificial
Profesor:
David Zorı́o Ventura
Introducción a la probabilidad
Definición
El conjunto formado por todos los resultados posibles, Ω, recibe el nombre de espacio
muestral. Cada subconjunto formado por esas posibles ocurrencias, A ⊆ Ω, reciben el
nombre de sucesos o eventos.
Ejemplos
1. El espacio muestral asociado al lanzamiento de una moneda es Ω = {cara, cruz}.
2. Extracción en una urna con bolas blancas y negras: Ω = {blanca, negra}.
3. Lanzamiento de un dado: Ω = {1, 2, 3, 4, 5, 6}.
4. Lanzamiento de dos monedas:
Ω = {(cara, cara), (cara, cruz), (cruz, cara), (cruz, cruz)}.
Introducción a la probabilidad
Ejemplos
1. Lanzamiento de una moneda equilibrada: Ω = {cara, cruz}. Posibles sucesos:
▶ No ocurre nada: A = ∅. P(A) = 0.
▶ Sale cara: A = {cara}. P(A) = 0.5.
▶ Sale cruz: A = {cruz}. P(A) = 0.5.
▶ Sale alguna de las dos caras: A = {cara, cruz}. P(A) = 1.
2. Lanzamiento de un dado: Ω = {1, 2, 3, 4, 5, 6}. Ejemplos de sucesos:
▶ Sale un número par: A = {2, 4, 6}. P(A) = 0.5.
▶ Sale un número impar: A = {1, 3, 5}. P(A) = 0.5.
▶ Sale un número menor que 5: A = {1, 2, 3, 4}. P(A) = 23 .
▶ Sale un número que empieza por “c”: A = {4, 5}. P(A) = 13 .
Introducción a la probabilidad
Ejemplos
3. Lanzamiento de dos monedas:
Ω = {(cara, cara), (cara, cruz), (cruz, cara), (cruz, cruz)}. Ejemplos de sucesos:
▶ Obtener el mismo resultado: A = {(cara, cara), (cruz, cruz)}. P(A) = 0.5.
▶ No obtener dos caras: A = {(cara, cruz), (cruz, cara), (cruz, cruz)}. P(A) = 0.75.
4. Lanzamiento de dos dados: Ω = {(i, j) | 1 ≤ i, j ≤ 6}. Ejemplos de sucesos:
▶ La suma de los resultados es 10: A = {(4, 6), (5, 5), (6, 4)}. P(A) = 12 1
.
▶ Ambos resultados son pares:
A = {(2, 2), (2, 4), (2, 6), (4, 2), (4, 4), (4, 6), (6, 2), (6, 4), (6, 6)}. P(A) = 41 .
Introducción a la probabilidad
Los sucesos pueden combinarse entre sı́ mediante las operaciones básicas entre conjuntos
(unión, intersección, complementario, etc.).
Ejemplos
1. Lanzamos un dado y consideramos el siguiente suceso: “sacar un número par o que
sea mayor que 3”. Llamamos A al suceso “sacar un número par” (por lo que
A = {2, 4, 6}) y B al suceso “sacar un número mayor que 3” (luego B = {4, 5, 6}).
Por tanto, el suceso que buscamos es
A ∪ B = {2, 4, 6} ∪ {4, 5, 6} = {2, 4, 5, 6}.
2. Bajo las condiciones anteriores, consideramos el suceso “sacar un número par mayor
que 3”. En este caso la operación que debemos realizar es
A ∩ B = {2, 4, 6} ∩ {4, 5, 6} = {4, 6}.
Introducción a la probabilidad
Definición
Dos sucesos A, B ⊆ Ω son mutuamente excluyentes si A ∩ B = ∅.
Ejemplo
Al lanzar un dado, A = {1, 3}, B = {2, 4, 6}. Se cumple A ∩ B = ∅.
Definición
Una probabilidad P definida sobre el conjunto de sucesos asociado a un espacio muestral
Ω es una función real cumpliendo:
1. 0 ≤ P(A) ≤ 1 para cualquier suceso A ⊆ Ω.
2. P(Ω) = 1.
3. Para cada par de sucesos A, B ⊆ Ω mutuamente excluyentes (es decir,
A ∩ B = ∅), se tiene P(A ∪ B) = P(A) + P(B).
Introducción a la probabilidad
De los axiomas asociados a una probabilidad se pueden deducir las siguientes
propiedades:
Propiedades
Sea Ω un espacio muestral, P una probabilidad y A, B ⊆ Ω sucesos. Entonces se cumple:
1. P(Ac ) = 1 − P(A).
2. P(∅) = 0.
3. Si A ⊆ B , entonces P(A) ≤ P(B).
4. Si P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
5. En particular, P(A ∪ B) ≤ P(A) + P(B).
Ejercicio
Demuéstrense las propiedades anteriores utilizando los tres axiomas de la probabilidad.
Introducción a la probabilidad
Ejemplo
En un grupo de amigos, un 40 % de ellos estudia Ingenierı́a Informática, un 30 %
Matemáticas y un 10 % ambas cosas a la vez. ¿Cuál es la probabilidad de que una
persona elegida al azar estudie alguna de las dos carreras? Si
A = {estudiar Ingenierı́a Informática} y B = {estudiar Matemáticas}, se nos pide
Ejemplo
Consideramos el lanzamiento de un dado y los sucesos A = {1, 2, 4, 5} y B = {2, 4, 6}.
1
Entonces P(A ∩ B) 2
P(A|B) = = 31 = .
P(B) 2
3
Por otra parte, utilizando el teorema de Bayes:
2 1
P(A|B)P(B) 3
· 2 1
P(B|A) = = 2 = .
P(A) 3
2
Introducción a la probabilidad
Definición
Diremos que dos sucesos A, B ⊆ Ω son independientes si P(A|B) = P(A).
P(A ∩ B) = P(A|B)P(B).
Por tanto:
Teorema
Dos sucesos A, B ⊆ Ω son independientes si y sólo si se cumple P(A ∩ B) = P(A)P(B).
Introducción a la probabilidad
Ejemplo
Lanzamos una moneda y un dado, ambos equilibrados. ¿Cuál es la probabilidad de
obtener una cara en la moneda y, simultáneamente, un 3 en el dado?
Ejemplos
1. Sea Ω el conjunto formado por la población mundial X : Ω → R la variable
aleatoria que a una persona ω ∈ Ω le asigna su año de nacimiento, X (ω) ∈ R.
Entonces si A = {1984, 1985, 1986}:
X −1 (A) = {personas nacidas entre 1984 y 1986}
PX (A) = proporción de personas nacidas entre 1984 y 1986.
Variables aleatorias
Ejemplos
2. Sea Ω el espacio muestral asociado al lanzamiento de tres monedas:
1
fX (4) = P(X = 4) = P({cuatro}) = .
6
Por otra parte,
2
FX (4) = P(X ≤ 4) = P({uno, dos, tres, cuatro}) = .
3
Variables aleatorias discretas
Ejemplos
2. Consideramos el experimento aleatorio consistente en lanzar una moneda hasta
obtener como resultado cara. El espacio muestral es por tanto
Ω = {cara, (cruz, cara), (cruz, cruz, cara), (cruz, cruz, cruz, cara), ...}.
▶ Sea X la V.A. aleatoria consistente en contar el número de lanzamientos hasta
obtener cara. Entonces:
▶ X (cara) = 1. ▶ fX (1) = 12 .
▶ X (cruz, cara) = 2. ▶ fX (2) = 14 .
fX (3) = 18 .
▶ X (cruz, cruz, cara) = 3. ▶
▶
▶ 1
X (cruz, cruz, cruz, cara) = 4. fX (4) = 16 .
.. ..
. .
▶ fX (n) = 1
2n , ∀n ∈ N.
▶ Por tanto, X (Ω) = {1, 2, 3, 4, . . .} = N.
∞
X X X X 1
▶ fX (X (t)) = fX (n) = P(X = n) = = 1.
2n
t∈Ω n∈N n∈N n=1
Variables aleatorias continuas
Definición
Sea X una V.A. asociada a un espacio muestral Ω. Diremos que X es una V.A.
continua si X (Ω) es continuo (por ejemplo, un intervalo o todos los reales).
Propiedades
Sean X , Y variables aleatorias, a ∈ R. Entonces:
1. E [X + Y ] = E [X ] + E [Y ].
2. E [aX ] = aE [X ].
3. Si X , Y son independientes, entonces E [XY ] = E [X ]E [Y ].
Esperanza
Ejemplos
1. El precio del número de una rifa es de 1 euro. Si ésta tiene un total de 1000 números
y el premio tiene un valor de 500 euros, ¿cuál es el promedio de beneficio esperado?
Por tanto:
999 499
E [X ] = (−1) · P(X = −1) + 499 · P(X = 499) = − + = −0.5.
1000 1000
Esperanza
Ejemplos
2. Consideramos el intervalo [0, 1] y seleccionamos un punto al azar y nos planteamos
cuál es el valor sobre el que oscilará el promedio. Vimos que
0 si x < 0,
fX (x) = 1 si 0 ≤ x ≤ 1,
0 si x > 1.
Por tanto: 1
+∞ 1
x2
Z Z
1
E [X ] = xfX (x)dx = xdx = = .
−∞ 0 2 0 2
Varianza
Definición
Sea X una V.A. y g : R → R. Definimos
(P
g (x)fX (x) si X es una V.A. discreta,
E [g (X )] = R x∈X (Ω)
R
g (x)fX (x)dx si X es una V.A. continua.
Definición
Sea X una V.A. aleatoria. Definimos la varianza de X como:
Var(X ) = E (X − E [X ])2 = E X 2 − E [X ]2 .
Propiedades
1. Var(aX ) = a2 Var(X ), ∀a ∈ R.
2. Var(X + a) = Var(X ), ∀a ∈ R.
3. Var(X + Y ) = Var(X ) + Var(Y ) si X , Y son independientes.
Varianza
Ejemplos
1. En el ejemplo de la rifa, se tiene
X
E X2 = x 2 fX (x) = (−1)2 · P(X = −1) + 4992 · P(X = 499)
x∈{−1,499}
999 249001
= + = 250.
1000 1000
Por tanto, Var(X ) = E [X 2 ] − E [X ]2 = 250 − 0.52 = 249.75.
2. Selección al azar de un número en el intervalo [0, 1]:
Z +∞ Z 1 3 1
2 2 2 x 1
E X = x fx (x)dx = x dx = = .
−∞ 0 3 0 3
2
1 1 1
Luego Var(X ) = E [X 2 ] − E [X ]2 = − = .
3 2 12
Distribución de Bernoulli
Una V.A. X sigue la distribución de Bernoulli de parámetro p ∈ [0, 1], y lo
denotaremos por X ∼ Be(p), si X ∈ {0, 1}, verificando
P(X = 1) = p, P(X = 0) = 1 − p.
Ejemplo
Consideramos el experimento consistente en devolver éxito (X = 1) si al lanzar un dado
obtenemos un 5 y fracaso (X = 0) en otro caso. Entonces X ∼ Be( 16 ).
Distribución binomial
Ejemplo
Lanzamos un dado 10 veces y queremos calcular cuál es la probabilidad de obtener tres
veces un cinco. Si X es la V.A. que cuenta el número de veces que se obtiene un cinco
tras lanzar el dado 10 veces, entonces X ∼ B(10, 61 ), por lo que n = 10, p = 16 y k = 3,
con lo cual se tiene:
3 7
n k n−k 10! 1 5 390625
P(X = k) = p (1 − p) = = .
k 3! · 7! 6 6 2519424
Distribución de Poisson
Supongamos que realizamos un número de pruebas Bernoulli muy alto n, con una
probabilidad pn cada vez más pequeña, de forma que
lı́m npn = λ.
n→∞
e −λ λk
lı́m P(Xn = k) = .
n→∞ k!
Si X es una variable de este tipo, diremos que X sigue una distribución de Poisson de
parámetro λ, que denotaremos por X ∼ Po(λ). Se cumple
E [X ] = λ, Var(X ) = λ.
Distribución de Poisson
Ejemplo
La probabilidad media de tener un accidente de tráfico al coger el coche en una
determinada región es de un 0.01 %. Si una persona coge el coche una media total de
20000 veces a lo largo de su vida, ¿cuál es la probabilidad de que sufra algún accidente
de tráfico en algún momento de su vida?
e −λ λ0
P(X > 0) = 1 − P(X = 0) = 1 − = 1 − e −2 ≈ 0.8647.
0!
Distribuciones continuas
▶ Distribución uniforme:
Si X es una V.A. continua que toma valores uniformemente en el intervalo [a, b],
entonces diremos
que X sigue una distribución uniforme, y lo denotaremos por
X ∼ Unif [a, b] .
Ejercicio
Si X ∼ Unif [a, b] , obtener razonadamente FX , fx , E [X ] y Var(X ).
▶ Distribución normal:
Se cumple E [X ] = µ y Var(X ) = σ 2 .
Teorema
X −µ
Si X ∼ N(µ, σ), entonces ∼ N(0, 1). Usualmente esta última distribución recibe
σ
el nombre de normal tipificada.
Distribución normal
Ejemplo
La altura (en centı́metros) de una determinada población sigue una distribución normal
de media 175 y desviación tı́pica 10. ¿Cuál es la probabilidad de que una persona elegida
al azar mida más de 185 cm?
Comandos utilizados:
from scipy.stats import norm
1-norm.cdf(1)
Teorema del lı́mite central
Teorema (Teorema del lı́mite central)
Sea {Xi }∞ i=1 una sucesión de variables aleatorias idénticamente distribuidas (en adelante,
i.i.d.), con E [Xi ] = µ y Var(Xi ) = σ 2 ∀i ∈ N. Denotamos para cada n ∈ N
n
X Sn − nµ
Sn = Xi y definimos Zn = √ .
i=1
σ n
Entonces se cumple
lı́m P(Zn ≤ t) = P(Z ≤ t),
n→∞
entonces
lı́m P(|X n − µ| < ε) = 1, ∀ε > 0.
n→∞
¡Muchas gracias!
Contacto:
david.zorio@campusviu.es