Probabilidad en R

PROBABILIDAD
PROBABILIDAD
 PROBABILIDAD

• Experimento aleatorio: experimento en el cual

antes de su realización no se conoce con
certeza su resultado.
• Espacio muestral: conjunto de todos los
posibles resultados de un experimento
aleatorio.
• Evento o suceso: subconjunto del espacio
muestral
 PROBABILIDAD

• Describir el espacio muestral asociado a cada uno

de los siguientes experimentos aleatorios:

– Lanzar tres monedas.

– Lanzar tres dados y anotar la suma de los puntos
obtenidos.
– Extracción de dos bolas de una urna que contiene cuatro
bolas blancas y tres negras.
– El tiempo, con relación a la lluvia, que hará durante tres
días consecutivos.
 PROBABILIDAD

• Llamando C a obtener cara y X a la obtención de cruz,

obtenemos el siguiente espacio muestral:
S={(CCC),(CCX),(CXC),(XCC),(CXX),(XCX),(XXC),(XXX)}
• S={3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}

• Llamando B a sacar bola blanca y N a sacar bola negra,

tenemos:
S={BB,BN,NB, NN}
• Si llamamos L al día lluvioso y N al día sin lluvia, para tres
días consecutivos se obtiene el siguiente espacio muestral:
S={(LLL),(LLN),(LNL),(NLL),(LNN),(NLN),(NNL),(NNN)}
PROBABILIDAD
 PROBABILIDAD

Probabilidad de un suceso es el número al que

tiende la frecuencia relativa asociada al suceso a
medida que el número de veces que se realiza el
experimento crece.
PROBABILIDAD
 Conteo Puntos Muestrales

• Principio fundamental del conteo: Si una

operación se puede llevar a cabo en n1
formas, y si para cada una de estas se
puede llevar a cabo una segunda operación
en n2 formas y para cada una de las
primeras dos se puede realizar una tercera
operación en n3 formas y así
sucesivamente, entonces la serie de k
operaciones se puede realizar de
n1 n2 n3… nk formas.
Ejemplo Principio fundamental del conteo

• Sam va a armar un computador

y tiene opciones de chips de 2
marcas, un disco duro de 4
marcas, memorias de tres
marcas y accesorios de cinco
tiendas locales, ¿de cuántas
formas diferentes puede Sam
comprar las partes?
• 2 x 4 x 3 x 5 = 120
 Permutaciones

• Una permutación es un arreglo de

todo o parte de un conjunto de
objetos.
• El número de permutaciones de n
objetos distintos es n!
• El número de permutaciones de n
objetos distintos tomados de r a la
vez es nPr = (n!)/(n-r)!
 Permutaciones

• Permutaciones de: a – b- c abc, acb,

bac, bca, cab, cba

• Permutaciones de a, b y c tomando de 2
en 2:
ab,ac,ba,bc,ca,cb
Combinaciones
 Combinaciones

• Un niño le pide a su mamá que le

lleve cinco cartuchos de Game Boy
de su colección de 10 de arcada y
5 de deportes. De cuantas
maneras su mamá le llevará 3
juegos de arcada y 2 de
deportes?
• 10C3 = 120
• 5C2 = 10
• Total = 120 x 10 = 1200
Fórmulas básicas probabilidad
Probabilidad Condicional
Eventos Independientes
 Teorema de Bayes

Probabilidad total
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Medida de Probabilidad
 Medida de Probabilidad

Las σ-algebras mas utilizadas en la practica son

las siguientes:
(a) Cuando el espacio muestral, Ω, es finito o
numerable, la σ-algebra habitualmente
utilizada es partes de Ω. Es decir,
consideramos que cualquier subconjunto de Ω
puede ser un suceso de interes. Esta eleccion
es la mas sencilla y no ofrece ning´un
problema.
(b) Cuando el espacio muestral es Ω = R, partes
de Ω no es la adecuada.
 Medida de Probabilidad

• Porque esta σ-algebra no es adecuada para

construir una función de probabilidad.
• En este caso, la σ-algebra habitualmente
utilizada es la σ-algebra de Borel que es la
intersección de todas las σ-´algebras que
contienen a todos los intervalos de la forma
(−∞, x] o, dicho de otra manera, la mínima
σ-´algebra que contiene a todos los
intervalos de la forma (−∞, x].
 Medida de Probabilidad

• Cuando el espacio muestral es Ω = Rn ,

tampoco utilizamos partes de Ω, porque
esta σ-algebra tampoco es adecuada para
construir una función de probabilidad.
• En este caso, la σ-algebra habitualmente
utilizada es la σ-´algebra de Borel en Rn
que es la σ-algebra generada por la clase C
= {(−∞, x1] × ... × (−∞, xn]}.
Medida de Probabilidad
 Medida de Probabilidad

La manera mas sencilla de entender el motivo de esta

definición es pensar que el concepto de probabilidad
trata de formalizar lo que ocurre con las frecuencias
relativas de los distintos sucesos que podemos
encontrarnos, por ejemplo al lanzar un dado con 6 caras
numeradas del 1 al 6:
• La frecuencia relativa de cualquier suceso siempre es
un numero entre 0 y 1.
• La frecuencia relativa de que salga algún número de
los posibles (es decir, entre 1 y 6) es, evidentemente, 1.
• La frecuencia relativa de la unión de sucesos
disjuntos es la suma de sus frecuencias relativas.
 Medida de Probabilidad

La terna (Ω,С, P) suele recibir el nombre

de espacio de probabilidad, y será un caso
particular de los espacios de medida que se
consideran en la Teoría de la Medida.
 Medida de Probabilidad

Consideramos que el espacio muestral, Ω, es

discreto, es decir, es finito o numerable.
Si es finito, bastara con quitar los puntos
suspensivos:

Ω = {a1, ..., an, ...}

En estos casos, la σ-algebra habitualmente

utilizada es partes de Ω.
Es decir, cualquier subconjunto de Ω puede ser
un suceso de interes.
 Medida de Probabilidad

Definición.- La función de masa asociada a

un modelo de probabilidad P sobre un
espacio muestral (finito o numerable)
Ω = {a1, ..., an, ...}
es la funcion P : Ω → [0, 1], que verifica:
(a) P(an) ∈ [0, 1], para todo an ∈ Ω.
(b) Suma (P(an)) = 1.
 Medida de Probabilidad

Definición.- La función de distribución de

probabilidad asociada a un modelo de
probabilidad P sobre R, es la función

F : R < → [0, 1],

definida como: F(x) = P(−∞, x]

Es decir, la función de distribución nos

proporciona las probabilidades de todos los
intervalos de la forma (−∞, x].
 Funciones Conteo en R

require(graphics)
choose(5, 2)
lchoose(5, 2)
for (n in 0:10)
{print(choose(n, k = 0:n))}
factorial(100)
lfactorial(10000)
 Funciones Conteo en R

MuestraS <- c(2,3,8,10,7)

library(combinat)
resPer <- permn(MuestraS)
resComb <- combn(MuestraS,2)
 Funciones Conteo en R

> library(gtools)
> x <- c('rojo', 'azul', 'verde')
> # Combinaciones sin repeticion
> combinations(n=3, r=2, v=x, repeats=FALSE)
> [,1] [,2]
> [1,] "azul" "rojo"
> [2,] "azul" "verde"
> [3,] "rojo" "verde"
 Funciones Conteo en R

> # Combinaciones con repeticion

> combinations(n=3, r=2, v=x, repeats=TRUE)
> [,1] [,2]
> [1,] "azul" "azul"
> [2,] "azul" "rojo"
> [3,] "azul" "verde"
> [4,] "rojo" "rojo"
> [5,] "rojo" "verde"
> [6,] "verde" "verde"
 Funciones Conteo en R

• x <- c('red', 'blue', 'black')

• permutations(n=3,r=2,v=x,repeats.allo
wed=T)
• nrow(permutations(n=3,r=2,v=x,repea
ts.allowed=T))
• permutations(n=3,r=2,v=x)
• nrow(permutations(n=3,r=2,v=x))
 Variables aleatorias

Variable aleatoria: función que va del

espacio muestral a los números Reales.

Tipos de variables:
Discretas
Continuas

Se representan con las letras : X,Y,Z,W,

…
CCC
CCS
CSC O
CSS 1
SCC 2
SCS 3
SSC
SSS
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
x 0 1 2 3
f(x)=P(X=x) 1/8 3/8 3/8 1/8
F(x) 1/8 4/8 7/8 8/8

X= numero de caras obtenidas

P(X=0)=1/8
P(X=1)=3/8
P(X>1)= 3/8 + 1/8
P(X≥1)=3/8+3/8+1/8
Variables aleatorias
Variables aleatorias
 Variables aleatorias

• Experimento: Lanzar tres monedas

• S={(CCC),(CCX),(CXC),(XCC),(CXX),(X
CX),(XXC),(XXX)}
• X = numero de caras obtenidas

x 0 1 2 3
f(x) = P(X=x) 1/8 3/8 3/8 1/8
F(x) 1/8 4/8 7/8 8/8
Momentos en Variables aleatorias
Momentos en Variables aleatorias

• Momentos de orden k
E(Xk)
• Momentos centrales de orden k
E((X-μ)k)
• Momentos interpretables
E(X)
E((X-μ)2)
E((X-μ)3)
E((X-μ)4)
Variables aleatorias
Variables aleatorias
 Distribuciones de Probabilidad

• Distribuciones Discretas
– Uniforme
– Binomial
– Binomial Negativa
– Geométrica
– Hipergeometrica
– Poisson
 Distribuciones de Probabilidad

• Distribuciones Continuas
– Uniforme
– Normal
– Gamma
– Exponencial
– Chi cuadrado
– T de Student
– F de Fisher
– Beta
– Rayleigh
– Weibull