Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplos
Experimento
Resultados posibles
Cara, Cruz
Venta , no venta
Tirar un dado
1, 2, 3, 4, 5, 6
Jugar un partido
a) Mtodo Clsico
1
n
100/400 = 0.25
300/400 = 0.75
c) Mtodo Subjetivo
Cuando los resultados experimentales no tienen igual probabilidad y no hay
datos disponibles sobre frecuencia relativas. Por ejemplo:
Cual es la probabilidad de que Per gane un campeonato?
Cual es la probabilidad de que Mis Per gane el certamen mundial?
El mtodo Subjetivo usa nuestra experiencia e intuicin, expresa el grado de
3
creencia de que ocurra un resultado experimental
1
3
5
2
4
6
Entonces A = {2, 4, 6}
Prob. Del evento A: P(A)= P(2) + P(4) + P(6) = 1/6 + 1/6 + 1/6 =
4
1. Complemento de un evento (A )
Ac = todos lo elementos que no estn en A
Espacio muestral S
P(S)=1
c
A
Evento A
P(A) + P(A ) = 1
c
P(A ) = 1 - P(A)
A B
Si A y B son mutuamente
excluyentes, entonces P(A B)=0
P(A B) = P(A)*P(B)
7
P( A B)
P( A | B)
P( B)
P( A B)
P ( B | A)
P ( A)
8
P( A B)
P( A | B)
P( B)
A
B
P( A B)
P( A | B)
P( B)
P( A B) P( B) P( A | B)
P( A B)
P ( B | A)
P ( A)
P ( A B ) P ( A) P ( B | A)
10
Desempleados
D
Mujeres
M
Hombres
H
Total
Empleados
E
Total
800
3200
4000
200
3800
4000
1000
7000
8000 12
Total
800/8000 = 0.10
3200/8000= 0.40
4000/8000= 0.5
200/8000= .025
3800/8000= .475
4000/8000= 0.5
1000/8000= 0.125
7000/8000= .875
8000/8000= 1
Total
a) P(M) = .50
P(E) = .875
c) P(M/E)
d) P(D/H)
e) P(E/M)
f) P(M/D)
g) P(H/D)
b) P(H) = .50
P(D) = .125
= P(ME)/P(E) = .40/.875
= P(DH)/P(H) = .025/.5
= P(ME)/P(M) = .40/.5
= P(MD)/P(D) = .10/.125
= P(HD)/P(D) = .025/.125
=
=
=
=
=
.4571
.05
.8
.8
.2
PROBABILIDAD
MARGINAL
13
TEOREMA DE BAYES
14
Supongamos que:
Una empresa renta automviles en tres agencias:
El 60% de los autos son rentados en la agencia 1
El 30% de los autos son rentados en la agencia 2
El 10% de los autos son rentados en la agencia 3.
Si el 9% de los vehculos rentados en la agencia 1 necesitan
afinacin, el 20% de las unidades en la agencia 2 necesitan
afinacin y el 6% de los autos de la agencia 3 necesitan
afinacin,
a) Cul es la probabilidad de que un automvil sea rentado por la
agencia 1 y necesite afinacin
b) Cul es la probabilidad de que un automvil rentado necesita
afinacin?
15
Solucin
Sea A el evento de que el automvil necesita afinacin.
Y sea Bi evento de que el automvil pertenece a la agencia i=1,2,3
entonces tenemos P(B1)=0.60, P(B2)=0.30 y P(B3)=0.10;
P(A/B1)=0.09; P(A/B2)=0.20 y P(A/B3)=0.06
P(
)=
1
B
0
6
.
0
P(B2)=0.30
P(B
3)=
0.1
0
B1
B2
B3
P(A/B1)=0.09
P(A/B2)=0.20
P(A/B3)=0.06
Solucin
0
0.6
)=
B1
(
P
P(B2)=0.30
P(B
3)=
0.1
B1
P(A/B1)=0.09
P(A/B2)=0.20
B2
P(A/B3)=0.06
B3
(0.30)(0.20)
0.060
P ( B2 / A)
0.5
(0.60)(0.09) (0.30)(0.20) (0.10)(0.06) 0.12
Observe que a pesar de que solo el 30% de los automviles rentados
a la empresa proviene de la agencia 2, el 50% (o la mitad de ellos)
17
requieren afinacin
Informacin
nueva
Aplicacin del
Teorema Bayes
Probabilidades
Posteriori
18
Ejemplo 1
Una Empresa manufacturera recibe piezas de dos proveedores.
Entonces hagamos A1 el evento de que una pieza es del proveedor
1, y A2 es el evento de que una pieza es del proveedor 2.
Actualmente el 65% de las piezas adquiridas por la empresa
proviene de la empresa 1 y el 35% restantes proviene de la
empresa 2.
Con base a los datos histricos de la empresa, las probabilidades
de recibir piezas buenas y malas de ambos proveedores son:
P(B/Prov1) = 0.98
P(B/Prov2) = 0.95
P(M/Prov1) = 0.02
P(M/Prov2) = 0.05
19
Paso 2
Condicin
Paso 1
Proveedor
(a priori)
65
.
0
.1)=
v
o
r
P(P
P(P
ro
v.2
)=0
.3
Prov.1
Prov.2
Resultado
Experimental
0.98
=
)
1
.
rov
P(B/P
Pr ov.1 B
P(Prov.1B)=0.637
+
0.02
Pr ov.1 M
P(Prov.1M)=0.013
/Pro
B
(
P
0.95
=
)
2
v.
0.05
Pr ov.2 B
Pr ov.2 M
+
P(Prov.2B)=0.3325
+
P(Prov.2M)=0.0175
Suma = 1
Ahora suponga que las piezas de los 2 proveedores se usan en la
produccin de la empresa, y que una pieza mala paraliza la
maquina. Cul es la probabilidad de que dicha pieza mala
provenga del proveedor 1 y del proveedor 2
20
P(Prov.1/M )
P(Prov.1 M)
0.013
0.013
0.4262 42.62%
P(M)
0.013 0.0175 0.0305
P(Prov.2 M)
0.0175
0.0175
P(Prov.2/M )
0.5738 57.38%
P(M)
0.013 0.0175 0.0305
DISCUSIN
Observe que empezamos con un probabilidad de 0.65 de que una
pieza seleccionada provenga 1. Sin embargo dada la informacin
de que la pieza es mala, determinamos la probabilidad de que
dicha pieza provenga del proveedor 1 se reduce de 0.65 a 0.4262
21
TEOREMA DE BAYES
Este teorema es de gran utilidad para evaluar una probabilidad a
posteriori partiendo de probabilidades simples, y as poder revisar la
estimacin de la probabilidad a priori de un evento que se encuentra
de un estado o en otro.
Definicin
El Teorema de Bayes, proporciona la distribucin de
probabilidad condicional de un evento "A" dado otro
evento "B" P(A/B) (probabilidad posteriori), en funcin de
la distribucin de probabilidad condicional del evento "B"
dado "A" P(B/A) y de la distribucin de probabilidad
marginal del evento "A" (probabilidad simple o apriori).
22
TEOREMA DE BAYES
Partiendo de las frmulas de probabilidad condicional
y probabilidad conjunta
para eventos estadsticamente dependientes se
proceder a definir el Teorema de Bayes.
La caracterstica necesaria es que los eventos
A1,A2, ... An sean eventos mutuamente excluyentes o
independientes. Entonces la probabilidad de que ocurra
cualquier evento dado que ha ocurrido el evento B se
calcular por la siguiente frmula:
23
TEOREMA DE BAYES
P( A B) P( A) * P( B / A)
Recordando Probabilidad
Conjunta
P ( A) P( Bi ).P ( A / Bi )
i 1
Teorema de Bayes
Reemplazando
tenemos:
P( A Bi )
P ( Bi / A)
P( A)
P( A Bi )
P ( Bi ).P ( A / Bi )
P( Bi / A)
P ( A)
P( Bi).P( A / Bi)
24
NOTAS
El Teorema de Bayes se usa mucho en anlisis de
decisiones. Con frecuencia, las probabilidades a priori son las
estimaciones subjetivas de un administrador. Se obtiene
informacin de una muestra y se calculan las probabilidades
posteriores para emplearlas en la toma de la mejor decisin
Un evento y su complemento son mutuamente excluyentes,
y su unin es todo el espacio muestral, por lo que el teorema
de Bayes es aplicable siempre es para el calculo de
probabilidades posteriores de un evento y su complemento
25
Ejemplos aplicados
26
Ejemplo 1
El gerente de una empresa de Supermercados estima que la proporcin
de sus tiendas que alcanzarn su meta de una venta anual, basndose en
experiencias anteriores estima que hay una probabilidad de 0.20 que el
60% de las tiendas alcanzaran su meta de ventas; una probabilidad de
0.50 que alcancen el 70% y finalmente una probabilidad de 0.30 de que
el 80% alcancen la meta. Se selecciona al azar una tienda.
a) Cual es la probabilidad que este haya alcanzado la meta considerada?
b) Dado que este negocio alcanzo la meta. Cul es la probabilidad que
el 80% de las tiendas hayan alcanzado sus metas
SOLUCION
Sea el evento A : Obtener una tienda que alcanza la meta fijada
Las diferentes formas de obtener un negocio que alcanza las metas
fijadas, se observa mejor en un diagrama del rbol.
27
x
0.20
P(A/y) = 0.70
0.50
0.30
y
P(A/z) = 0.80
Ac
A
Ac
A
Ac
0.338
P( A)
0.71
28
Ejemplo 2
Tres mquinas denominadas A, B y C, producen un
43%, 26% y 31% de la produccin total de una
empresa respectivamente, se ha detectado que un
8%, 2% y 1.6% del producto manufacturado por
estas mquinas es defectuoso
a. Se selecciona un producto al azar y se encuentra
que es defectuoso, cul es la probabilidad de que
el producto haya sido fabricado en la mquina B?
b. Si el producto seleccionado resulta que no es
defectuoso, cul es la probabilidad de que haya
sido fabricado en la mquina C?
29
Solucin:
Para resolver este problema nos ayudaremos con un
diagrama de rbol;
8%
A
ND
43%
26%
31%
2%
1.6%
ND
D
ND
C = evento de que el producto sea
fabricado por la mquina C 30
P( B D)
P ( B ).P ( D / B )
P( D)
P ( A).P ( D / A) P ( B ).P ( D / B ) P (C ).P ( D / C )
(0.26 * 0.02)
P( B / D)
(0.43 * 0.08) (0.26 * 0.02) (0.26 * 0.016)
0.0052
P( B / D)
0.116697 11.67%
0.04456
P( B / D)
b.
ND = evento de que el producto seleccionado no sea defectuoso
(evento que condiciona)
A = evento de que el producto sea fabricado en la mquina A
B = evento de que el producto sea fabricado por la mquina B
C = evento de que el producto sea fabricado por la mquina C
P (C ND )
P (C ).P ( ND / C )
P ( ND )
P ( A).P ( ND / A) P ( B ).P ( ND / B ) P (C ).P ( ND / C )
(0.31* 0.984)
P(C / ND )
(0.43 * 0.92) (0.26 * 0.98) (0.31* 0.984)
0.30504
P(C / ND )
0.31927 31.93%
0.95544
31
P(C / ND )
Ejemplo 3
Considera una fbrica de botellas que cuenta con dos mquinas para
producir sus botellas. En esa fbrica se producen 10,000 botellas al
da. La mquina A produce 6,500 botellas diarias de las cuales el 2%
son defectuosas. La mquina B produce 3,500 botellas cada da de
las cuales el 1% son defectuosas.
Pregunta
Se selecciona una botella al azar y encuentra que est defectuosa.
Cul es la probabilidad de que la botella haya sido producida por la
mquina A?
Sea A el evento de que la botella seleccionada haya sido producida por la
mquina A y Sea B el evento de que haya sido producida por la mquina B. El
evento de que la botella seleccionada sea defectuosa se denota por D, su
complemento Dc representa una botella que no es defectuosa.
32
Para encontrar P(D) debemos darnos cuenta que una botella defectuosa
puede ser producida de la mquina A o de la B. Si examinamos las hojas del
rbol, vemos que hay dos lugares donde obtenemos una botella defectuosa,
AnD o BnD. Esto equivale a hacer una travesa por uno de caminos en el
rbol. Estos caminos son mutuamente excluyentes, pues si caminamos por
uno no podemos estar caminando por el otro. Segn se muestra en la figura
de al lado, el evento D = (AnD) (BnD) y su probabilidad es entonces
calculada P(D) = P(AnD) + P(BnD).
35
36
DISTRIBUCION DE
PROBABILIDADES
DISTRIBUCION
BINOMIAL
DISTRIBUCION POISSON
DISTRIBUCION NORMAL
37
VARIABLES ALEATORIAS
La clase pasada, definimos un experimento como cualquier proceso
que genere resultados bien definidos. Ahora deseamos asignar valores
numricos a esos resultados.
Para cualquier experimento en particular, se puede definir una
variable aleatoria de manera que cada resultado experimental posible,
genere exactamente un valor numrico para dicha variable.
Una variable aleatoria es una descripcin numrica del resultado de un
experimento.
Una variable aleatoria puede clasificarse como:
a) Variable Aleatoria Discreta: Solo toma una secuencia valores
b) Variable Aleatoria Continua: Pueden tomar cualquier valor
dentro de un intervalo o varios intervalos
38
VARIABLES ALEATORIAS
Dado un experimento aleatorio y su correspondiente espacio
muestral se denomina variable aleatoria a la funcin que asigna a
cada elemento del espacio muestral un nmero real. X: S RX
Ejemplo: Si se define la variable aleatoria X = nmero de caras
obtenidas al arrojar dos monedas
Que valores puede tomar x?
X(SS) = 0
X(CS) = X(SC) = 1
X(CC) = 2
39
VARIABLES ALEATORIAS
VARIABLE ALEATORIA DISCRETA
Cuando toma un nmero contable de valores y entre dos valores consecutivos de
una v.a. discreta no hay ningn nmero que pertenezca al recorrido de la variable
Rx = {X1;X2;...,Xn,...} donde cada Xi es un valor de la v.a.
Para caracterizar una variable aleatoria discreta es necesario conocer el conjunto
de valores que puede tomar la variable y la probabilidad de cada elemento
Sigamos con el ejemplo X = Cantidad de caras al tirar dos monedas
P(X = 0) = P(SS) =
P(X = 1) = P(SC;CS) =
P(X = 2) = P(CC) =
Propiedades
1) P(Xi) 0 para todo Xi
2) P(xi) = 1
40
VARIABLES ALEATORIAS
VARIABLE ALEATORIA CONTINUA
Una variable es continua en un intervalo cuando puede tomar cualquier
valor perteneciente al intervalo.
En general definiremos variables aleatorias continuas cuando las
experiencias consistan en medir peso, altura, longitud, tiempo,
temperatura, etc.
En este caso se define (en lugar de la funcin de distribucin) una funcin
de densidad de probabilidad que tiene las siguientes propiedades
1) f(x) 0 x R
2) f(x).dx 1
a
3) a b P(a x b) f(x).dx
b
41
VARIABLES ALEATORIAS
Experimento
Variab. Aleatoria
Valores
posibles
Tipo
0,1,2,..,100
Discreta
Inspeccionar un lote de
70 radios
0,1,2,...,70
Discreta
Construir nueva
biblioteca
Continua
Operar un restaurante
Discreta
0,1,2, ..
Discreta
Valor esperado o Esperanza Matemtica
E(x) = = x f(x)
Varianza
Var(x) = 2 = (x-)2f(x)
42
DISTRIBUCION BINOMIAL
Se aplica en casos donde se quiere: el
numero de xitos o aciertos observados
en los n intentos repetitivos.
DISTRIBUCION BINOMIAL
La formula matemtica para calcular la probabilidad de
cualquier valor de una distribucin binomial esta dado por:
n!
x
n x
f ( x)
p (1 p )
x!(n x)!
Donde:
n = numero de intentos
p = probabilidad de xito en cualquier intento
x = numero de aciertos en n intentos
f(x) = probabilidad de x acierto en n intentos
Distribucin de
Probabilidad
Binomial
E ( x) np
Var ( x) 2 np (1 p )
44
Condiciones
a) El experimento es una sucesin de tres intentos idnticos, uno para
cada uno de los tres clientes que entran a la tienda
b) En cada experimento es posible 2 resultados:
xito : si el cliente hace una compra
Fracaso : Si el cliente no hace una compra
c) La probabilidad de que el cliente haga una compra es 0.30 o que no lo
haga es 0.70, se supone igual para todos los clientes.
d) La decisin de compra para cada cliente es independiente de la
decisin de los dems clientes.
45
3 Cliente
2 Cliente
0.30
C
0.30
0.70
NC
NC
C
2
2
NC
1
2
C
0.30
0.70
NC
NC
C
0.70
Valor
de x
1
1
NC
NC 0
P(x)
0.063
0.063
0.063
0.189
f ( x)
3!
(0.30) x (0.70) 3 x
x!(3 x )!
f(x)
x
0
f (0)
3!
(0.30) 0 (0.70) 3 0.343
0!(3)!
f (1)
3!
(0.30)1 (0.70) 2 0.441
1!(2)!
f (2)
3!
(0.30) 2 (0.70)1 0.189
2!(1)!
f (3)
3!
(0.30) 3 (0.70) 0 0.027
3!(0)!
46
= np = 3(0.30) = 0.9
Suponga que durante el mes siguiente la tienda de ropa espera que entren a la
tienda 1000 clientes. Cul es el numero esperado de clientes que efecten una
compra?
= np = 1000(0.30) = 300
47
Funcin de probabilidad
f(x) : probabilidad de x ocurrencias en un intervalo
: valor esperado o promedio de ocurrencias
e = 2.71828
x = 1,2,3, ...
e
f ( x)
x!
48
50
1
f ( x)
e
2
1 x
Observaciones:
1. Las distribuciones de prob. Normales se diferencia por su media y su
desviacin estndar
2. La media, mediana y moda de la distribucin son iguales y se localizan en el
pico
3. La Distribucin de probabilidad normal es simtrica respecto a su media, las
colas se prolongan al infinito y nunca tocan el eje horizontal.
51
4. Las probabilidades para la V.A. normal estn dada por el rea bajo la curva.
1
f ( x)
e
2
z2
52