Está en la página 1de 48

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

FACULTAD DE INGENIERÍA QUÍMICA

ASIGNATURA:

Estadística y diseño de experimentos

TEMA: semana VII


DOCENTE: MS.C . HENRRY R. OCHOA LEÓN
PROBABILIDAD
El concepto de probabilidad es manejado por mucha gente.
Frecuentemente se escuchan preguntas como las que se
mencionan a continuación:

• ¿ Cuál es la probabilidad de que me saque la lotería?


• ¿ Qué posibilidad hay de que me pase un accidente automovilístico ?
• ¿ Qué posibilidad hay de que hoy llueva ? para llevar mi paraguas o no.
• ¿ Existe alguna probabilidad de que repruebe el primer parcial ?
PROBABILIDAD
• El conocimiento de la probabilidad es de suma importancia en
todo estudio estadístico.
• Elcálculo de probabilidades proporciona las reglas para el
estudio de los experimentos aleatorios o de azar, que
constituyen la base para la estadística inferencial.
CONCEPTOS BÁSICOS
• El estudio de fenómenos de diversa naturaleza permite
clasificar éstos en dos grandes grupos:

a) Fenómenos determinísticos:
• Aquellos en los cuales una misma acción produce siempre el mismo
efecto.
• Es el fenómeno en el cual de antemano se sabe cual será el resultado.
b) Fenómenos probabilísticos o aleatorios:
• aquellos en los cuales no siempre puede predecirse con certeza el
resultado de una misma acción.
• Es un fenómeno del que no se sabe que es lo que va a ocurrir, están
relacionados con el azar o probabilidad.
¿QUÉ ES INCERTIDUMBRE?

• La falta de conocimiento cierto de las cosas es la mayor fuente


de ansiedad para el hombre y es natural su deseo de
remediarla. La carencia de certeza o de conocimiento cierto de
la ocurrencia de determinados eventos, lleva a correr ciertos
riesgos en las decisiones esto es incertidumbre y es ahí donde
el uso de las probabilidades es de gran ayuda para
minimizarlos.

• “Es una verdad cierta que, cuando no está en nuestra mano


distinguir las opiniones verdaderas, debemos seguir las más
probables”. (Descartes)
Experimento Aleatorio (E)
• Es un fenómeno empírico que repetido bajo las mismas
condiciones, no siempre arroja el mismo resultado.
Características
• Es repetible: se puede realizar u observar en forma indefinida
(n veces) en las mismas condiciones.
• Se conocen a priori los resultados posibles: se puede conocer o
delimitar el conjunto de todos los resultados posibles, aun cuando
no se puede predecir el resultado particular en una realización
del experimento.
• Presenta regularidad estadística: si el experimento se repite
pocas veces los resultados parecen mostrar un comportamiento
caótico, mientras que al repetirlo un gran número de veces se
puede detectar cierta regularidad en el comportamiento de los
resultados.
Experimento Aleatorio (E)
• Una acción que se realiza con el propósito de analizarla.
Tiene como fin último determinar la probabilidad de uno o
de varios resultados.
• Se considera como aleatorio y estocástico, si sus
resultados no son constantes.
• Puede ser efectuado cualquier número de veces
esencialmente en las mismas condiciones.

Ejemplos
Hacer un pedido para reponer inventario y registrar el
tiempo (en días) que tardamos en recibirlo.
Analizar solicitudes de crédito hasta que por primera vez se
obtenga una solicitud aprobada.
Experimento Aleatorio (E)

Un experimento es aleatorio si se verifican las


siguientes condiciones:
1. Se puede repetir indefinidamente, siempre en las
mismas condiciones;
2. Antes de realizarlo, no se puede predecir el
resultado que se va a obtener;
3. El resultado que se obtenga, s, pertenece a un
conjunto conocido previamente de resultados
posibles.
Experimento Aleatorio (E)

Probabilidad e Inferencia.
• Se presentan dos candidatos al cargo de la presidencia
del CEDULA, y se desea determinar si el candidato X
puede ganar.
Población de interés:
• Conjunto de respuestas de los estudiantes que votarán el
día de las elecciones.
Criterio de gane:
• Si obtiene el más del 50% de los votos.
Experimento Aleatorio (E)
Se puede agregar que ninguno de los experimentos anteriores son
determinísticos sino probabilísticos o aleatorios, por lo tanto, es
necesario el uso de otros métodos para su estudio, de ahí la
importancia de la denominada Regularidad Estadística:

a) Si se recogen los datos relativos al nacimiento de los niños en


una maternidad a lo largo del tiempo y se registra el género de
cada uno, se obtendrá una serie estadística como la observada
en el gráfico estabilizada en 0,52 para el caso de las hembras.
b) Si se lanza un gran número de veces una moneda, se observará
que se obtendrá aproximadamente, el mismo número de caras (C)
y de sellos (S) es decir, que se podrá predecir la proporción de C
y de S en una gran serie de repeticiones, estabilizada en 0,50.
Experimento Aleatorio (E)
Si se quiere hacer visible la estabilidad de las
frecuencias en los experimentos anteriormente
considerados, se puede construir la
representación gráfica siguiente:

Nacimiento de hembras

Resultado: sellos (S)


Frecuencia del suceso hi (%)

Número de observaciones (n) del suceso


Experimento Aleatorio

I II
1 3
1 2 2 3

 Se toma al azar una esfera de la urna I


 Se transfiere a la urna II, se mezclan bien.
 Se elige, aleatoriamente, una esfera de la urna II.
 ¿cuál es la probabilidad – a priori – que sea verde?
Espacio Muestral (S)
Es el conjunto no vacío formado por todos los resultados posibles y
razonables de un experimento aleatorio.
Es el conjunto de todos los posibles resultados de interés de un
experimento dado, y se le denota normalmente mediante la letra S.
Clasificación
a) Finito: cuando el espacio muestral es un conjunto de eventos
numerable.
b) Infinito: cuando el espacio muestral es un conjunto eventos no
numerable.
Ejemplos
EXPERIMENTO ALEATORIO ESPACIO MUESTRAL

Analizar 5 solicitudes de crédito y registrar


S= {0,1,2,3,4,5}
el número de las que resultaron aprobadas.

Hacer un pedido para reponer inventario y


registrar el tiempo (en días) que tardamos S={t: t N}
en recibirlo.
Espacio Muestral (S)
Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como puede caer la
moneda, o sea dos formas de interés, que caiga sol o que
caiga águila. (Si cae de canto no es de interés y se
repite el lanzamiento).
S = { s, a }
2.- Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede caer el dado,
o sea seis formas de interés:
S = { 1, 2, 3, 4, 5, 6 }
Espacio Muestral
1 1
Distintas
2 2
1
formas como
3 3 puede
Traspasar Roja # 1 II
4 resultar el
3
experimento.
5 Ya que las
2
6 esferas has
1 3 sido sacadas
7
I Traspasar Verde # 1 II 1
al azar, cada
8 uno de ellos
2 tiene la
9 misma
2
10 posibilidad de
2 3
11 ocurrir
II
Traspasar Verde # 2 3
12
2
Suceso o Evento

Es cualquier subconjunto de resultados posibles y razonables


de un experimento aleatorio.

Si en una realización del experimento aleatorio se satisfacen


las condiciones que definen un suceso, se dice que ha ocurrido
dicho suceso.
Tipos

a) Simples: son sucesos indivisibles; es decir, aquellos que


están compuestos por un solo punto muestral. Ejemplo: en
el experimento aleatorio lanzar un dado, cualquiera de los
lados del dado es un suceso simple.
Suceso o Evento

b) Compuestos: son sucesos formados por dos o más


sucesos simples. Es cualquier subconjunto no unitario del
espacio muesral. Ejemplo: en el experimento aleatorio
lanzar un dado, el suceso “que salga un número par” es
compuesto.

c) Mutuamente excluyentes: son sucesos disjuntos; esto es su


intersección es el conjunto vacío. Ejemplo: en el
experimento aleatorio aplicar un examen a un estudiante,
los sucesos “obtener una nota sobresaliente” y “aplazar la
prueba” son mutuamente excluyentes (mex). No se presenta
la simultaneidad.
Suceso o Evento
d) Colectivamente Exhaustivos: dos sucesos A y B son
colectivamente exhaustivos si la unión de ellos es el espacio
muestral.
e) Seguros: Son aquellos que coinciden con el espacio muestral
asociado a un experimento aleatorio.
f) Imposible (∅ ): es aquel que no ocurre nunca; esto es, el
conjunto vacío. Por ejemplo, si al lanzar un dado común se
puede obtener un 7.
g) ҧ es aquel que ocurre cuando no ocurre el suceso A.
Contrario (𝐴):
Por ejemplo,
Si P (lluvia)= 0,40, entonces P (no lluvia)= 1-P (lluvia)= 0,60
Conjuntos y Eventos
W (S): Espacio Muestral: Todos los posibles
resultados elementales
W (S)
s  S, resultado elemental
 :Familia de todos los eventos posibles de S
B    , luego  es un Evento
A s  , luego  evento imposible
E

S   , luego S es el Evento Seguro


A y B  , luego son eventos

sW AB  ; AB  ; Ac  , son eventos


Conjuntos vs. Eventos
Teoría Conjuntos Teoría Probabilidades
SW Universo Espacio Muestral
 Conjunto Potencia Familia Clases de Eventos

A A subconjunto de S A es un Evento


s A s es elemento de A Ocurre el evento A
 Conjunto vacío Evento Imposible
S Universo Evento Seguro
AB A unión B Evento A o Evento B
AB A intersección B Evento A y Evento B
Ac Complemento de A Evento no-A
AB A es subconjunto de B A implica B
AB=  A y B son disjuntos A y B mutuamente excluyentes
Operaciones Básicas con Eventos Aleatorios
• Ya que los eventos aleatorios son subconjuntos del
conjunto Ω, espacio muestral, se pueden aplicar las
conocidas operaciones con conjuntos, a los eventos, como
son la unión, la intersección y la diferencia de eventos.
OPERACIÓN EXPRESION DESCRIPCION

UNION AB Unión de eventos originales: es el


evento que sucede si y solo si A
sucede o B sucede o ambos
suceden

INTERSECCION AB Intersección de los eventos


originales, es el evento que sucede
si y sólo si A y B suceden
simultáneamente.
DIFERENCIA A-B La diferencia de los eventos
originales A y B, es el evento que
sucede solo en A pero no en B.
Nociones de Probabilidad
• Probabilidad es una medida de la incertidumbre
(Estimación de la probabilidad)
• Teórica - “A Priori”
• Pr (Ai) = n / N
• n = número de posible formas en que“Ai” puede ser
observado
• N = número total de resultados posibles

• Histórica (empírica-frecuencia) - “A Posteriori”


• Pr (Ai) = n/N
• n = número de veces que ocurrio “Ai”
• N = número total de observaciones

• Subjetiva
• La “Opinión de un Experto”
Modelo Probabilístico

Sea una Distribución de Probabilidad P,


función que asigna a cada sub-conjunto
razonable de W un valor entre 0 y 1.

Sea   2W colección de eventos


razonables de W (-álgebra)
P:  [0;1]
Modelo de Probabilidad= (W,  , P)
Cálculo de Probabilidades
(Eventos Equiprobables)
Noción intuitiva:

P(A) = Resultados favorables al evento A


Resultados posibles

Noción frecuentista:

Sea N: N° total de veces que se realiza un


experimento
NA: N° total de veces que ocurre A

P(A) =
NA
lim N 
N
Cálculo de Probabilidades
Observación
En muchas ocasiones nos preocupamos de elegir de
manera aleatoria uno o más objetos desde una colección
de objetos
Sea N el número de objetos.

1. Elegir 1 objeto al azar, significa que cada objeto tiene la


misma probabilidad de ser elegido. P(elegir ai ) = 1/ N
2. Elegir 2 objetos al azar significa que cada par de objetos tiene
la misma probabilidad de ser selecionado. Supongamos que
existen K de tales pares, entonces la probabilidad de elegir un
par cualesquieres es 1/ K.
3. Elegir r objetos aleatoriamente, r < N, signifiva que cada
r-tupla de objetos tiene la misma probabilidad de ser
seleccionada que cualquier otra r-tupla.
Probabilidad Axiomática

Axioma 1: P(A)  0
Axioma 2: P(W) = 1

Suponiendo que A1, A2,..... son eventos


mutuamente excluyentes

Axioma 3: P(Ai) = P(Ai)


Propiedades

1. P() = 0
2. P(A)  1
3. P(AC) = 1 - P(A)
4. Si A  B  P(A)  P(B)
5. P(AB) = P(A) + P(B) - P(AB)
6. P(Ai)   P(Ai)
7. Si A  B  P(B-A) = P(B) - P(AB)
Espacio Muestral Finito

Sea S = {s1, s2, s3, ...., sN } Espacio Muestral Finito


Ei = {si} i =1,..N Evento Elemental
 Ni Ei = S Mutuamente excluyentes de a pares

Aplicando los axiomas se tiene

1. P(Ei) = fi > 0 i =1, 2, 3, .. , N;

2. P( i Ei) = 1
N
  fi = 1
3. Como Ei  Ej = 0  i  j  P(Ei  Ej)=P(Ei) + P(Ej)
Probabilidad Condicional

Sean A, B dos sucesos tal que P(B) > 0.


La probabilidad de A condicionada a la
ocurrencia de B, denotada como P(A/B) :
P(A/B) = P(AB)
P(B)
Propiedades:
1. P(A/B)  0
2. P(W /B) = 1
3. P(Ai/B) =  P(Ai/B) con Ai Aj =  ,  i, j : i j
Probabilidad Condicional

Centra el foco de atención en el


hecho que se sabe que han ocurrido
W
el evento B

A Estamos indicando que el espacio


muestral de interés se ha “reducido”
sólo a aquellos resultados que
definen la ocurrencia del evento B
B
Entonces, P(A | B) “mide” la
probabilidad relativa de A con
respecto al espacio reducido B
Probabilidad Condicional
También se ha encontrado que el Se ha encontrado que el 25%
5% de la piezas que no tienen de las piezas con fallas
fallas superficiales son superficiales son
funcionalmente defectuosas funcionalmente defectuosas

Por lo tanto el 90% Se sabe que el 10% de las


no tienen fallas 100% piezas piezas manufacturadas
visibles en la Manufacturadas tienen fallas visibles en la
superficie. superficie.

Evento A = { pieza funcionalmente defectuosa}


B = { pieza tiene una falla visible en la superficie}

P( A dado B) = P(A | B) ?
Casos Probabilidad Condicional

P(A  B ) P()
A Si A  B =   P(A | B) = = =0
B P(B) P(B)

P(A  B ) P(A)
A Si A  B = A  P(A | B) = =  P(A)
B P(B) P(B)

A P(A  B ) P(B)
B Si A  B = B  P(A | B) = = =1
P(B) P(B)

P(A  B )
A Si A  B    P(A | B) = =
B P(B)
Probabilidad Total

Sean B1, B2,....,Bn eventos mutuamente


n
excluyentes : P(  B) = 1
i
i 1
Entonces
n
P(A) =  P( A / B )  P( B )
i 1
i i

Consecuencia (Regla de Bayes):


P(Bi/A) = P(A/Bi) P(Bi)
P(A)
Probabilidad Total

B1 B2 B5
A AB1
Equipo
Fallado AB2
AB4
AB3 Equipo
B4 Manufacturado
B3 en Planta B2

 Sean B1, B2,....,Bn eventos mutuamente excluyentes


n
P(  i =1
Bi ) = 1
n
 Entonces P(A) = 
i =1
P(A | B ) P(B )
i i
Regla de Bayes

Supongamos de que se elige aleatoriamente un Equipo y se


encuentra que está fallado. ¿cuál es la probabilidad que sea
manufacturado en Planta B3 ?

• Se pide P(B3 | A); pero sólo se conoce P(A  Bi), i = 1, 2, 3, .. , k

• Sabemos que P(A  Bi) = P( A | Bi ) P(Bi) = P(Bi | A) P(A)

P (Bi) P (A | Bi )
P (Bi | A ) = BiBj = ; i  j
 P (Bi) P (A | Bi )
 j   j Bi = S
Probabilidad Multiplicativa

Ley Multiplicativa:
n n 1
P ( Ai )  P ( Ai ) P ( A2 / A1 ).......P ( An /  Ai )
i 1 i 1

siempre que: n
P ( Ai )  0
i 1
Regla de la Multiplicación

El Número de maneras diferentes


de elegir o sacar un elemento de n2
n1
del conjunto 1 que tiene n1
elementos, luego un elemento de
un conjunto 2 que tiene n2
n2
elementos, ... , y finalmete un
elemto del k-ésimo conjunto que
tiene nk elemetos, en DONDE EL
n2
ORDEN COMO SE
SELECCIONA ES IMPORTANTE

n1* n2* ......* nk


Ejemplo

1) Sean A,B sucesos de un mismo modelo de


probabilidad (W, , P) tales que:
P(B)=0,4 P(AB)=0,7 P(A/B)=0,75

Determinar:

P(AC) ; P(A-B) ; P(ACBC) ; P(A/BC)


Solución
P(AC) = 1 - P(A)
P(AB) = P(A) + P(B) - P(AB)
P(AB) = P(A/B) P(B) = 0,75 * 0,4 = 0,3
P(A) = 0,7 - 0,4 + 0,3 = 0,6
P(AC) = 0,4
P(A-B) = P(ABC) = P(A) - P(AB) = 0,6 - 0,3 = 0,3
P(ACBC) = P(AC) + P(BC) - P(ACBC)
P(ACBC) = P(BC) - P(ABC) = 0,6 - 0,3 = 0,3
Luego P(ACBC) = 0,4 + 0,6 - 0,3 = 0,7
P(A/BC) = P(ABC) = 0,3 = 0,5
P(BC) 0,4
Ejemplo
Un procesador para computadores puede provenir de cualquiera
de tres fabricantes con probabilidades: p1 = 0,25 ; p2 = 0,50
; p3 = 0,25.
Las probabilidades de que un procesador funcione
correctamente durante 10.000 horas es 0,1; 0,2 y 0,4
respectivamente para los 3 fabricantes:

i) Calcular la probabilidad de que un procesador elegido al azar


funcione durante 10.000 horas.

ii) Si el procesador funcionó correctamente durante el período


de 10.000 horas ¿cuál es la probabilidad de que haya provenido
del 3er fabricante?
Solución
3
i) P(C) =  P(C / F ) P( F )
i 1
i i

= 0,1*0,25 + 0,2*0,5 + 0,4*0,25


= 0,225.

ii) P(F3/C) = P(C/F3) P(F3)


P(C)
= 0,4 * 0,25 = 0,444.
0,225
Independencia Probabilística
1. Sean A, B dos eventos del modelo probabilístico (W, , P).
A, B se dicen probabilísticamente independientes ssi:

P(AB) = P(A) P(B)  P(A | B) = P(A)


P(B | A) = P(B)

2. Sean Ai: i  I = 1,2,3,......,k una colección de eventos


de (W, , P). Se dice que los elementos son conjuntamente
independientes ssi:

P(  Ai ) =  P(Ai)
jJ
jJ   J  I = 1,2,3,......,k
Observaciones
1. Independencia probabilística Conjunta  Independencia
de a pares
2. Independencia probabilística de a pares  Independencia
probabilística Conjunta
3. Si A, B son eventos independientes probabilísticamente.
Entonces se tiene
- A, BC son independientes.
- AC, BC son independientes
- AC, B son independientes
4. Sea (W, 2W, P) modelo de probabilidad.
Estudiar independencia conjunta y de a pares.
Independencia Probabilística
Ejemplo
Sea (W, 2W, P) modelo de probabilidad.
W =  (1,0,0) (0,1,0) (0,0,1) (1,1,1) 
P(wi ) = 1/4  i = 1, 4
Sean A1, A2, A3 eventos de (W, 2W, P) :
A1: 1era coord. es 1
A2: 2da coord. es 1
A3: 3era coord. es 1
Estudiar independencia conjunta y de a pares.
Variaciones

• Def: Sea A un conjunto : Card ( A)  n , se llama variación simple o sin


repetición a todo subconjunto de n elementos distinguiéndose estos
entre si, en los elementos que lo componen y en el orden en que estos
elementos van colocados

• A={x1,x2,.......xn } V(n,2)= n(n-1) ; V(n,3)= n(n-1)(n-2)...


• V(n,k)= n(n-1)(n-2)......(n-k+1)

• Obs: Si las variaciones son con repetición V1(n,k) = nk


Permutaciones

Número de maneras distintas de n


sacar r elementos de lote de n  =
n!
CUANDO EL ORDEN IMPORTA :
Pr ( n - r) !
Nota: Estudiar permutaciones con
repetición
n objetos

-----
1 2 3 4 r
Combinaciones
n!
Combinaciones( sin repetición): C(n,r) =
Número de maneras distintas de sacar r r!( n - r )!
elementos de lote de n  CUANDO EL
ORDEN NO IMPORTA

Nota : Estudiar combinaciones con


repetición C1(n,r)= (n+r-1)!/ r!(n-1)!
Construcción Modelos de Probabilidad
• Sea  una medida en el Espacio Muestral
tal que  (W) <  : Longitud ; Superficie
Volumen. etc.

• Entonces existe un función definida en IR


(A )
P : IR IR : P(A ) 
(W )
es una medida de Probabilidad