Está en la página 1de 35

Prof. J.M. Montero & G.

Fernndez-Avils
1
TEMA 1:
PROBABILIDAD
TEMA 1:
TEMA 1:
PROBABILIDAD
PROBABILIDAD
Prof. J.M. Montero & G. Fernndez-Avils
2
I. Cadena de razonamientos
Hay ciertas situaciones
en las que nos cuesta
decidir que hacer porque
existe incertidumbre
Medida de esa
incertidumbre:
PROBABILIDAD.
Deseo: medir
esa incertidumbre
Fenmenos:
DETERMINISTAS
ALEATORIOS
Probabilizables
o Estocsticos
No Probabilizables
II. Cadena de razonamientos
INTRODUCCIN
INTRODUCCIN
Prof. J.M. Montero & G. Fernndez-Avils
3
FENMENOS: Ente de categora potencial que tiene lugar a
lo largo del tiempo.
FENMENOS DETERMINISTAS: Son aquellos que al
manifestarse en unas condiciones dadas dan un nico
resultado que puede saberse de antemano.
FENMENOS ALEATORIOS: Son aquellos que al
manifestarse en unas condiciones dadas pueden dar uno de
varios resultados conocidos de antemano, sin que a priori
sepamos cual de ellos va a ser.
ESTOCSTICO: es aquel susceptible de ser probabilizable.
NO ESTOCSTICO: es aquel que no se le puede asignar una
probabilidad (no los estudiamos)
FENMENOS ALEATORIOS. DEFINICIONES
FENMENOS ALEATORIOS. DEFINICIONES
Prof. J.M. Montero & G. Fernndez-Avils
4
Laplace (1812):Theorie analytique des Probabilits:
Si un suceso puede ocurrir de n maneras mutuamente
excluyentes e igualmente verosmiles y si n
A
de stos
representan un atributo A, entonces:
CONCEPCIONES DEL CONCEPTO DE PROBABILIDAD
CONCEPCIONES DEL CONCEPTO DE PROBABILIDAD
1. CONCEPCIN CLSICA/ DE LAPLACE/ A PRIORI (1812)
( )
A
n
P A
n
=
La PROBABILIDAD es la razn entre el nmero de
resultados favorables del evento respecto del nmero
total de resultados posibles, si suponemos que cada
uno de ellos es igualmente probable.
Las probabilidades determinadas mediante la concepcin clsica
se denominan probabilidades a priori.
Prof. J.M. Montero & G. Fernndez-Avils
5
Ejemplos:
Se tira un dado con 6 caras.
La probabilidad de obtener impar es:
2
1
6
3
) (
6
) 5 , 3 , 1 ( 3
= =
)
`

impar P
n
impares n
A
Se tira una moneda
1
1
( )
2 2
A
n cara
P cara
n


=
`

)
No hara falta tirar el dado ni la moneda para saber la probabilidad a
priori de obtener impares, cara, etc.
Prof. J.M. Montero & G. Fernndez-Avils
6
Crticas:
La definicin exige que los posibles resultados san
totalmente equiparables. Si no se da este supuesto o si el
nmero de casos posibles es infinito, necesitaremos un
tratamiento diferente para la determinacin de la
probabilidad.
Es necesario conocer de antemano todos los resultados
posibles. Si no se da este supuesto o si el nmero de casos
posibles es infinito, necesitaremos un tratamiento diferente
para la determinacin de la probabilidad.
La concepcin de Laplace tampoco responde a preguntas
tales como cul es la probabilidad de que un nio nacido
en Chicago sea varn? Cul es la probabilidad de que una
lmpara luzca al menos durante 1.000 horas?
Prof. J.M. Montero & G. Fernndez-Avils
7
La teora frecuencial se basa en la emprica estabilidad de las
frecuencias relativas.
Experimento aleatorio: lanzar un dado N veces.
El nmero de veces que sale cada una de las seis caras del
dado se llaman frecuencias absolutas.
Queremos: puntuacin menor que 3.
2. TEORA FECUENTSTA DE LA PROBABILIDAD/A
POSTERIORI/ DE VON MISES
2
1
= P
1
N
2
N
3
N
4
N
5
N
i
N
i
n
N
K
N
Prof. J.M. Montero & G. Fernndez-Avils
8
La PROBABILIDAD es el valor hacia el cual tiende a
estabilizarse la frecuencia relativa cuando el nmero
de observaciones es suficientemente grande.
lim
i
i
N
i
n
P
N

=
Crticas:
Este concepto de probabilidad no es vlido cuando topamos
con fenmenos aleatorios que no son susceptibles de
experimentacin repetidas en idnticas condiciones.
Prof. J.M. Montero & G. Fernndez-Avils
9
La concatenacin de causas o de hecho que dan lugar a la
obtencin de una PROBABILIDAD. Est basada en cadenas
de razonamientos lgicos.
3. PROBABILIDAD LGICA
La PROBABILIDAD se basa en la experiencia personal de cada
uno.
4. PROBABILIDAD SUBJETIVA
Nota: Las concepciones lgica y subjetiva de la probabilidad son muy poco
utilizadas en la prctica.
Prof. J.M. Montero & G. Fernndez-Avils
10
Fenmeno: tirar un dado.
MODELO MATEMTICO DE UNA FAMILIA DE SUCESOS
ALEATORIOS
MODELO MATEMTICO DE UNA FAMILIA DE SUCESOS
ALEATORIOS
[ ]
Espacio
muestral
Conjunto de
comportamientos
elementales o
resultados
{ } { } { } { } { } { } 6 5 4 3 2 1
E=
Y si nos preguntarnos por la probabilidad de obtener
un nmero par, o impar, o mayor que 2?
Comportamiento
elemental o resultado
Respuesta: Sucesos.
Prof. J.M. Montero & G. Fernndez-Avils
11
SUCESO: Conjunto de comportamientos elementales y, por
tanto, . Se incluyen los subconjuntos impropios (suceso
imposible y suceso seguro ).
S E

E
{ }
2, 4, 6 =
{ }
1, 3, 5 =
{ }
3, 4, 5, 6 =
Ser par
Ser impar
Ser mayor que dos
Sucesos:
Cunto sucesos componen una realidad estocstica?
Conjunto de sucesos:

6
6 6 6 6 6 6 6
2 128
0 1 2 3 4 5 6
suceso suceso
imposible seguro
| | | | | | | | | | | | | |
+ + + + + + = =
| | | | | | |
\ \ \ \ \ \ \
Prof. J.M. Montero & G. Fernndez-Avils
12
Un CONJUNTO DE SUCESOS es el conjunto de todos los
sucesos posibles.
{ }
1 2
( ) , , ,..., P E S S E =
Respuesta: El nmero de sucesos que agrupa una realidad
estocstica es 2
n
, siendo n, el nmero de comportamientos
elementales del fenmeno o resultados.
Os imaginis tener en mente 128 sucesos?
Respuesta: Ser mejor tener en mente unos pocos y sacar
los dems mediante operaciones con sucesos: , ,*.
.
Prof. J.M. Montero & G. Fernndez-Avils
13
UNIN:
La unin de dos sucesos S
1
y S
2
es un suceso compuesto por los
comportamientos elementales pertenecientes a S
1
o a S
2
.
Se representa por:
OPERACIONES CON SUCESOS
OPERACIONES CON SUCESOS
1 2
. S S
INTERSECCIN:
La interseccin de dos sucesos S
1
y S
2
es un suceso compuesto
por los comportamientos comunes a S
1
y a S
2
.
Se representa por:
1 2
. S S
Son SUCESOS DISJUNTOS aquellos cuya interseccin es el
conjunto vaco.
Prof. J.M. Montero & G. Fernndez-Avils
14
Sean:
{ }
1 2 3 6
, , S e e e =
{ }
2 1 3 4
, , S e e e =
{ }
{ }
1 2 1 2 3 4 6
1 2 1 2
, , , ,
/
i i i
S S e e e e e
S S e e S o e S
=

=
Ejemplo:
1
e
2
e
6
e
3
e
4
e
2
S
1
S
E
1 2
S S
.
1 2
S S
.
1
e
2
e
6
e
3
e
4
e
2
S
1
S
E
1 2
S S
1
e
2
e
6
e
3
e
4
e
2
S
1
S
E
1 2
S S
{ }
{ }
1 2 3
1 2 1 2
/
i i i
S S e
S S e e S y e S
=
=
Prof. J.M. Montero & G. Fernndez-Avils
15
COMPLEMENTARIO:
Un suceso complementario de S, que designaremos por
S*, es el formado por los comportamientos elementales
de S no incluidos en S*.
Lgicamente, se cumple que:
{ }
*
/
i i
S e e S =
*
*
S S
S S E
=
=
*
S
S
E
*
S
S
E
Prof. J.M. Montero & G. Fernndez-Avils
16
Dados n sucesos se tiene que cumplir:
RELACIN DE LAS OPERACIONES UNIN,
INTERSECCIN Y COMPLEMENTARIEDAD DE SUCESOS:
LEYES DE MORGAN.
RELACIN DE LAS OPERACIONES UNIN,
INTERSECCIN Y COMPLEMENTARIEDAD DE SUCESOS:
LEYES DE MORGAN.
1 1
1 1
c
n n
c
i i
i i
c
n n
c
i i
i i
S S
S S
= =
= =
| |
=
|
\
| |
=
|
\
Cules deben se esos pocos sucesos que generan a
todos? Qu deben cumplir?
Respuesta: Tener estructura de lgebra de Boole.
Prof. J.M. Montero & G. Fernndez-Avils
17
VI. ALGEBRA DE BOOLE
VI. ALGEBRA DE BOOLE
ALGEBRA DE BOOLE:
Una coleccin a de conjuntos se dice que es un lgebra de
conjuntos o un lgebra de Boole si cumple que:
(i). A B a, A a y B a.
(ii).
c
A a, A a
Un lgebra de conjuntos se llama lgebra- o Campo de
Borel si toda la unin de una coleccin numerable de
conjuntos de a pertenece tambin a . Es decir, si (i) se
transforma en:
ALGEBRA- :
1
i
i
A

=
a.
Nota: De las Leyes de Morgan se deduce que la interseccin de una
coleccin numerable de conjuntos A tambin deber pertenecer a a .
Prof. J.M. Montero & G. Fernndez-Avils
18
Sea
Ejemplo:
{ }
1, 2, 3, 4, 5, 6 E =
{ } { } { } { } { } { } { } { }
, 1 , 2 , 1,2 , 2,3,4,5,6 , 1,3,4,5,6 , 3,4,5,6 , E =
a
Es un lgebra de Boole.
Sea { }
1,2,3,4 E=
{ } { } { }
, 1,2 ,E =
a
{ } { }
1,2 3,4
c
= NO es lgebra de Boole
{ } { } { } { }
, 1, 2 , 3, 4 , E =
a
Es un algebra Boole.
Prof. J.M. Montero & G. Fernndez-Avils
19
La PROBABILIDAD es una medida completamente
aditiva definida sobre un lgebra-. Esta funcin de
medida, que, a partir de ahora representaremos por P,
determina la estructura estocstica o espacio probabilstica
(E,A,P) donde E determina de que fenmeno se trata y A
indica cuales son los fenmenos que se consideran.
{E}= Espacio muestral.
{E,A}= Estructura o espacio estocstico.
{E,A,P}= Estructura o espacio probabilstico.
AXIOMTICA DEL CLCULO DE PROBABILIDADES
AXIOMTICA DEL CLCULO DE PROBABILIDADES
ORIGEN
Prof. J.M. Montero & G. Fernndez-Avils
20
Kolmogorov define la PROBABILIDAD como una funcin
(medida) que se define sobre un lgebra-, A, y que cumple
los siguientes axiomas:
( )
1
1
.
i i
i
i
P S P S
=
=
| |
=
|
\

( ) 0, . P S s A 1.-
( ) 1. P E =
2.-
i
S A 3.- Dada una sucesin numerable de conjuntos disjuntos
A que nos conduce la construccin este modelo formal?
Respuesta: Teoremas del Clculo de Probabilidades.
AXIOMTICA DE KOLMOGOROV
Prof. J.M. Montero & G. Fernndez-Avils
21
Teorema 1:
A partir de los axiomas anteriores se deducen los siguientes
teoremas:
TEOREMAS DEL CLCULO DE PROBABILIDADES
TEOREMAS DEL CLCULO DE PROBABILIDADES
( ) 1 ( ).
c
P S P S =
( ) 0. P = Teorema 2:
1 2 1 2 1 2
( ) ( ) ( ) ( ). P S S P S P S P S S = +
Teorema 3:
( ) ( )
i j i j
S S P S P S
0 ( ) 1 P S
Teorema 4:
Teorema 5:
Son suficientes estos teoremas? Sirven para calcular
la probabilidad de una interseccin de sucesos?
Respuesta: Probabilidades condicionadas.
Prof. J.M. Montero & G. Fernndez-Avils
22
La P(S
1
) es un nmero que mide la incertidumbre sobre el
acontecimiento del suceso S
1
cuando se carece de
informacin alguna.
PROBABILIDAD CONDICIONAL O RELATIVA.
DEFINICIN Y PROPIEDADES.
PROBABILIDAD CONDICIONAL O RELATIVA.
DEFINICIN Y PROPIEDADES.
Si recibimos una informacin puede ocurrir que la incertidumbre
disminuya. Pues bien, la medida de la nueva incertidumbre se
conoce como PROBABILIDAD RELATIVA O
CONDICONADA:
P(S
1
/informacin)
Informacin= S
2
, suceso compatible con el primero.
1 2
1 2
2
( )
( )
( )
P S S
P S S
P S

=
Prof. J.M. Montero & G. Fernndez-Avils
23
Tiramos un dado: probabilidad de obtener un 6 (S
1
) sabiendo
que salio un nmero par (S
2
).
Ejemplo:

1 2 3

4 5 6
1
( ) 1/ 6 P S =

2 4 6
2
( ) 1/ 2 P S =
1
6 1 2
1 2
1
2 2
( ) 2 1
( / )
( ) 6 3
P S S
P S S
P S

= = = =
Prof. J.M. Montero & G. Fernndez-Avils
24
Ejemplo:
Hombres Mujeres
Ocupados
11
n
12
n
1
n


Parados
21
n
22
n
2
n



1
n


2
n

N
22
22
2
2
( )
( / )
( )
n
n P mujer parada
N
P Parada mujer
n
n P mujer
N

= = =
A partir de la siguiente tabla, determine:
( )
( / )
( )
P mujer paro
P Mujer paro
P paro

=
La probabilidad de entre las mujeres ser parada.
La probabilidad de entre los parados ser mujer.
Prof. J.M. Montero & G. Fernndez-Avils
25
1 2 1 2
1 2 2 1
2 1
( ) ( )
( / ) ; ( / )
( ) ( )
P S S P S S
P S S P S S
P S P S

= =
1 2 1 2 1 2 1 2
( ) ( ) ( / ) ( ) ( / ) P S S P S P S S P S P S S = =
En el caso de dos sucesos:
En el caso de tres sucesos:
[ ]
1 2 3 1 2 3 1 2 3 1 2
1 2 1 3 2 1
( ) ( ) ( ) [ /( )]
( ) ( / ) ( /( )
P S S S P S S S P S S P S S S
P S P S S P S S S
= =
=
En el caso de n sucesos:
La probabilidad de una interseccin de sucesos es el producto de las
probabilidades de cada suceso condicionado a la interseccin de los
anteriores.
TEOREMA DEL PRODUCTO
TEOREMA DEL PRODUCTO
TEOREMA DEL PRODUCTO
1 2 1 3 1 2 1 2 1
1
( ) ( / ) ( / ) ( / )
n
i n n
i
P S P S P S S P S S S P S S S S

=
| |
=
|
\

Prof. J.M. Montero & G. Fernndez-Avils
26
Hay situaciones en las que el observador se enfrenta a varias
alternativas excluyentes y exhaustivas.
Si el observador recibe una informacin S puede que cambie su
incertidumbre y otorgue nuevas probabilidades a posteriori.
TEOREMA DE LA PROBABILIDAD TOTAL.
TEOREMA DE BAYES
TEOREMA DE LA PROBABILIDAD TOTAL.
TEOREMA DE BAYES
1 2
, , ,
n
H H H
Al ser inciertas estas alternativas el observador las otorga unas
probabilidades a priori.
1 2
( ), ( ), , ( )
n
P H P H P H
Si la informacin consiste en la ocurrencia de un suceso S compatible
con las alternativas H
1
,H
2
,H
n
surge la informacin en la forma
1 2
( / ), ( / ), , ( / )
n
P S H P S H P S H
A esta informacin se les llama verosimilitudes.
1 2
( / ), ( / ), , ( / )
n
P H S P H S P H S
Prof. J.M. Montero & G. Fernndez-Avils
27
Suceso:
S=Llegar tarde a clase.
Alternativas:
H
1
= Ir en coche.
H
2
= Ir en autobs.
H
3
= Ir andando.
Probabilidades a priori:
P(H
1
)=probabilidad ir coche.
Probabilidades a posteriori:
P(H1
1
/S)=probabilidad de habiendo venido en coche llegar
tarde a clase.
Verosimilitudes:
P(S/H
1
)=probabilidad de llegar tarde a clase viniendo en coche.
Ejemplo:
Prof. J.M. Montero & G. Fernndez-Avils
28
TEOREMA DE LA PROBABILIDAD TOTAL
Relaciona la probabilidad del suceso, P(S), con las
probabilidades a priori de las alternativas y verosimilitudes
1 2
1 1 2 2
( ) ( ) ( ) ( )
( ) ( / ) ( ) ( / ) ( ) ( / )
n
n n
P S P S H P S H P S H
P H P S H P H P S H P H P S H
= + + +
= + + +

Cal es la probabilidad de llegar tarde a clase?


P(S)?
1 2 3
Prob. llegar Prob. coche y Prob. bus y Prob. andando y
tarde a clase tarde a clase tarde a clase tarde a clase
( ) ( ) ( ) ( ) P S P H S P H S P H S = + +

Prof. J.M. Montero & G. Fernndez-Avils
29
TEOREMA DE BAYES
1 1 1 1 1
1
1 1 2 2 3 3
( ) ( ) ( / ) ( ) ( / )
( / )
( ) ( ) ( ) ( / ) ( ) ( / ) ( ) ( / )
P H S P H P S H P H P S H
P H S
P S P S P H P S H P H P S H P H P S H

= = =
+ +
Cal es la probabilidad de habiendo venido en coche
llegar tarde a clase?
P(H
1
/S)?
Obtiene la probabilidad a posteriori. Sabemos el suceso y nos
preguntamos por las alternativas
1 1 1 1
( ) ( ) ( / ) ( ) ( / ) P H S P H P S H P S P H S = =
1 1
1
( ) ( / )
( / )
( )
P H P S H
P H S
P S
=
Prof. J.M. Montero & G. Fernndez-Avils
30
Dos tercios de los alumnos de una escuela son varones y el tercio
restante mujeres. La mitad de los varones y tres cuartas partes de
las mujeres tienen el pelo largo. Se elige un alumno al azar y se
observa que tiene pelo largo. Cul es la probabilidad de que el
alumno elegido sea varn?
EJERCICIO
H
1
: El alumno elegido es varn.
H
2
: El alumno elegido es mujer.
R: El alumno tiene pelo largo.
1 2
1 2
2 1
( ) ; ( ) ;
3 3
1 3
( ) ; ( ) ;
2 4
P H P H
P R H P R H
= =
= =
Por el T
ma
. de la Probabilidad Total:
1 1 2 2
( ) ( ) ( / ) ( ) ( / ) P R P H P R H P H P R H
2 1 1 3 7
= + =
3 2 3 4 12
= +
con lo que, por el T
ma
. de Bayes:
1
( ) ( )
( )
( )
1 1
2 1

P P R/ 24 4
H H
3 2
P H R = = = =
7
P R 42 7
12
Si los alumnos fuesen elegidos al azar, de aquellos que tienen el pelo largo,
4/7 seran varones.
Prof. J.M. Montero & G. Fernndez-Avils
31
Un diagrama de Venn hace esto bastante obvio:
PELO
LARGO: 3/4
PELO
CORTO:1/4
PELO
CORTO: 1/2
PELO
LARGO: 1/2
CHICOS: 2/3
CHICAS: 1/3
PELO
LARGO: 3/4
PELO
CORTO:1/4
PELO
CORTO: 1/2
PELO
LARGO: 1/2
CHICOS: 2/3
CHICAS: 1/3
Dos tercios de los alumnos son varones y la mitad de los varones tienen el pelo
largo. Por consiguiente un tercio de los alumnos de la clase son chicos con el
pelo largo.
Un tercio son mujeres y de ellas tres cuartas partes tienen el pelo largo. Por tanto,
una cuarta parte de los alumnos de la clase son mujeres con el pelo largo.
Un tercio ms un cuarto que son siete doceavos son los alumnos de la clase
con el pelo largo.
Por tanto, la proporcin de chicos con el pelo largo respecto del total de
alumnos con el pelo largo es (1/3)/(7/12)= 12/21= 4/7= casos favorables/casos
posibles.
Prof. J.M. Montero & G. Fernndez-Avils
32
Otra forma de hacerlo:
PELO
LARGO: 3/4
PELO
CORTO:1/4
PELO
CORTO: 1/2
PELO
LARGO: 1/2
CHICOS: 2/3
CHICAS: 1/3
PELO
LARGO: 3/4
PELO
CORTO:1/4
PELO
CORTO: 1/2
PELO
LARGO: 1/2
CHICOS: 2/3
CHICAS: 1/3
Los casos posibles son la parte rayada verticalmente, que son:
1/3*3/4 + 2/3*1/2 = 7/12 de los alumnos.
Los casos favorables son la parte a rayada azul (chicos y pelo largo):
2/3*1/2 = 1/3 de los alumnos.
Casos favorables dividido por casos posibles nos dan los 12/21=4/7 de los
alumnos, que no es sino el resultado del teorema de Bayes.
Prof. J.M. Montero & G. Fernndez-Avils
33
Dos sucesos compatibles son estocsticamente independientes si la
probabilidad de que ocurra uno de ellos no cambia al saber que ha
ocurrido el otro.
INDEPENDENCIA
INDEPENDENCIA
Por tanto, la independencia estocstica equivale a:
1 2 1 2
( ) ( ) ( ) P S S P S P S =
Entonces:
1 2
1
2
1 2
2
1
( )
( )
( )
( )
( )
( )
P S S
P S
P S
P S S
P S
P S

)
1 2 1
2 1 2
( / ) ( )
( / ) ( )
P S S P S
P S S P S
=
=
INDEPENDENCIA ESTOCSTICA
Prof. J.M. Montero & G. Fernndez-Avils
34
Sean S
1
, S
2
,, S
n
sucesos. Se dice que son globalmente independientes
si son independientes dos a dos, tres a tres, y n a n.
1 2 1 2
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
i j i j
i j k i j k
n n
P S S P S P S i j
P S S S P S P S P S i j k
P S S S P S P S P S
=
=
=


INDEPENDENCIA GLOBAL
Si los sucesos son independientes n a n: Son independientes 2 a2
3 a 3

Nota:
Prof. J.M. Montero & G. Fernndez-Avils
35
Consideremos un tetraedro que tiene una cara pintada de rojo, otra de
amarillo, otra de verde y la ltima de tres colores. Los sucesos {R},
{A} y {V} son independientes?:
Ejemplo:
1 1 1
2 2 2
( ) ; ( ) ; ( ) ; P R P V P A = = =
1 1 1 1
4 2 2 4
1 1 1 1
4 2 2 4
1 1 1 1
4 2 2 4
( ) ( ) ( ) R y A son independientes.
( ) ( ) ( ) R y A son independientes.
( ) ( ) ( ) V y A son independientes.
P R A P R P A
P R V P R P A
P V A P V P A
= = = =
= = = =
= = = =
1 1 1 1 1
4 2 2 2 8
( ) ( ) ( ) ( ) P R V A P R P V P A = = =
Los sucesos R, V y A no son globalmente independientes. Por
tanto, que sean independientes dos a dos es condicin necesaria
para que sean independientes pero no es condicin suficiente.