Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sesión 1 Probabilidad y Sus Axiomas: Mg. Jose A. Corbera Cubas
Sesión 1 Probabilidad y Sus Axiomas: Mg. Jose A. Corbera Cubas
Sesión 1
Probabilidad y sus Axiomas
1. Introducción.
1. Experimento aleatorio
2. Espacio muestral
3. Sucesos
2. Probabilidad.
1. Regla de Laplace.
2. Probabilidad frecuentista.
3. Probabilidad Condicionada.
116
.
1. Introducción.
Muchos fenómenos que habitualmente observamos en la
ciencia, y particularmente en el campo de la biología, la
oceanografía, la psicología, la sociología, etc., tienen una
fuerte componente aleatoria (aleatorio significa incierto, que
depende de la suerte o el azar).
Ejemplos:
Cuando alimentamos a un pez de un cultivo con una
dieta determinada, en general no podemos predecir
con
seguridad el peso final que va a alcanzar el pez.
117
.
Un poco de Filosofía:
En el primero de los ejemplos anteriores es cierto que el
peso final del pez no es una cantidad completamente
aleatoria y quizás se puede predecir aproximadamente
en función de la especie, las condiciones iniciales del
pez, el tiempo de cultivo, etc. Una forma habitual de
realizar esta predicción es observar que, por ejemplo,
todos los peces de esa especie criados en esas
condiciones tienen un peso medio de 3 kg. En tal caso
sabemos a priori que un pez escogido arbitrariamente
entre todos éstos pesará aproximadamente 3 kg. Ahora
bien su peso exacto será realmente 3 + kg. donde es
una cantidad (positiva o negativa) en la que se incluye
el efecto combinado de muchísimas variables de las
que se desconoce la forma exacta en que afectan al
peso del animal (incluido el mero azar que ha dado
lugar a que el pez unos días haya comido más, otros
menos, que haya enfermado, que haya sido dominante
o haya sido dominado, etc). Esta combinación de
pequeños efectos impredecibles es la que da lugar en
última instancia al valor que, a efectos prácticos, es
completamente aleatorio.
En el segundo ejemplo se pretende evaluar el
comportamiento de una variable en una población a
través de la información recogida en una muestra
elegida al azar. La razón principal para elegir muestras
al azar es evitar en la medida de lo posible la
introducción de sesgos (aún involuntarios) por parte del
investigador. Al hacer una evaluación global de una
variable, usualmente es preciso sintetizar la información
utilizando su valor medio, varianza, distribución de
frecuencias, etc. Dado que de lo que disponemos es de
una muestra, estos valores se calcularán sobre ésta, y no
sobre la población. Si y son, respectivamente, la
media y la varianza (desconocidas pero fijas) de la
x 1
s2 2
2
122
.
Experimento aleatorio.
Es aquel cuyo resultado es incierto o depende del azar. Su
opuesto sería un experimento determinista, cuyo resultado es
predecible con anterioridad a la realización del experimento.
Espacio muestral.
Se llama espacio muestral asociado a un experimento
aleatorio al conjunto de posibles resultados elementales del
experimento. Representaremos habitualmente el espacio
muestral por E.
Suceso elemental.
Cualquier elemento del espacio muestral.
Sucesos
Un suceso es cualquier colección de sucesos elementales
(esto es, cualquier subconjunto de E.)
126
.
AP(A)
y que verifica las siguientes condiciones:
127
.
4) P( A ) = 1- P(A)
128
.
E
B
A
C
González J.J., Guerra N., Quintana M.P. y Santana A. 129
.
k nº de casos favorables
P(A)
n nº de casos posibles
E
A
P( A)
( A) Area( A)
(E)
Area(E)
131
.
20
15
15
y
y
10
10
5
5
0
0
0 5 10 15 0 5 10 15
x x
132
.
n
P(A) = n
lim nA
nA N A
P(A)= n
lim
n N
133
.
134
.
3. PROBABILIDAD CONDICIONADA.
PbB Ag
casos favorables a B sabiendo que ha ocurrido A
2
0.66
casos posibles sabiendo que ha ocurrido A
135
.
A
N N bB
gN
A P bB A g
N cl2,4,6q
h N bAg N P b
Abg
ApoyándonosN en esta idea, definimos el concepto de probabilidad
A g
condicionada del siguiente modo:
136
.
4. DEPENDENCIA E INDEPENDENCIA
DE SUCESOS
P(B) = P(B|A)
137
.
Ejemplo:
a)P(SiA)al 40
observar
10 la primera carta no se repone al mazo de
;
bB AgP 39
Como PbB
cartas, ambos sucesos sonPb g
dependientes y:A) PbB10 9
PbA A B P(
9
40 39
Ag Ag
Bg
b) Si tras observar la primera
carta ésta se repone al mazo, y
P( A)
a continuación se extrae la segunda carta, ambos sucesos
son independientes y:
10
P( A) 40 ; P bB Ag40 10
P( B)
P bA Bg P( A) P bB Ag P( A) 40
P( 40
B)
10 10
138
.
P( B) i P
1
bB A i
gPbA g i
139
.
Ejemplo 1:
P B P B ∩ E P B ∩ A1 ∪ A2 ∪ A3
P B ∩ A 1 ∪ B ∩ A2 ∪ B ∩ A 3
P B ∩ A 1 P B ∩ A2 P B ∩ A3
P B | A1 P( A1 ) P B | A2 P( A2 ) P B | A3
P( A3 )
4 5 1
0.07· 0.04· 0.09· 0.057
10 10 10
140
.
Teorema de Bayes.
En muchas ocasiones se dispone de una descomposición del
espacio muestral en un sistema completo de sucesos A1, A2, ...,
An, cuyas probabilidades P(Ai) se conocen, en principio, para
todos los Ai (Probabilidades a priori). Supongamos que los Ai
no son directamente observables y que nos interesa calcular la
probabilidad de que haya ocurrido concretamente el suceso Aj.
P d i
Aj B
n
iPdA i j
i
1
A gPbA g
i i
P bB
141
.
P( A j B ) P( B A j ) P( B | A j )·P( A j )
P(A |B) =
j
P( B )
n n
P( B A i ) P( B | A i )·P( A i )
i 1 i 1
Ejemplo 1:
P(Anc ∩ G)
P(Anc|G) = P(G)
P(G|Anc) • P(Anc)
P(G| N) • P(N) + P(G| Ad) • P(Ad) + P(G| Anc) • P(Anc)
0,6 * 0,2
0,12
0,2909
Ejemplo 2:
Consideremos una prueba diagnóstica para la detección de
determinado tipo de cáncer. Para que ésta sea aceptable ha de
tener alta sensibilidad y alta especificidad. Estos conceptos se
definen del siguiente modo (se entiende que dar positivo en la
prueba significa que ésta detecta la presencia del cáncer):
Si llamamos:
C = “padecer cáncer”
PodemosT expresar:
= “dar positivo en la prueba
diagnóstica”
Sensibilidad = P(T |
C)
Coeficiente falso-positivo = P(T | C )
Especificidad = P(T | C )
143
.
P(T | C) P(C)
P(C ∩ T )
P(C | T ) P(T P(T | C) P(C) P(T | C)
) P(C)
Si la prueba hubiese resultado negativa, interesaría
preguntarse:
¿cuál es la probabilidad de que el paciente esté realmente
sano sabiendo que ha dado negativo en la prueba?.
Esta probabilidad se calcula también mediante el teorema
de Bayes:
P(T | C) P(C)
P(C ∩ T )
P(C | T ) P(T P(T | C) P(C) P(T | C)
) P(C)
144
.
Ejemplo: (Falso-positivo)
P(T | E) P(E)
P(E | T )
P( E ∩ T )
P(T P(T | E) P(E) P(T | S ) P(S
) ) 1 0.999
0.999
· 1000 1000
1 999 0.999 9.99
0.999· 0.01·
1000 1000
1000
0.01089
0.000999
0.091
145
.
146
.
Combinatoria
Estudia y recuenta las diferentes formas en que se
puede realizar la ordenación o agrupamiento de un
determinado número de objetos siguiendo ciertas
condiciones. Estos recuentos están íntimamente
relacionados con el cálculo de probabilidades, pues
son los que permiten determinar en muchos casos el
número de casos favorables y de casos posibles.
Factorial:
Sea n un número natural. Se define el factorial de n
como:
Nota: 0! = 1
V64 6! 6! 6·5·4·3·2·1
180
(6 4)! 2! 2·1
147
.
VRnr nr
Ejemplo: ¿Cuántas claves de 12 letras pueden formarse con
las letras de la palabra COMPUTER?
Pn
Es obvio que: n!
Pn
V n
n
148
.
n!
Pnn1 ,n2 ,...,nk
n1 !n2 !...nk !
6 n! 6! 6·5·4·3·2·1
P2,3,1 n1 !n 2 !n3 ! 2!3!1! 2·1·3·2·1·1
60
n n!
r
C n r!(n
r
Ejemplo: ¿De
r)!
cuántas formas se pueden elegir 3
representantes para el claustro de un grupo formado por 40
alumnos?
40!
C 340 40! 40·39·38
3!(40 3)! 3!37! 40·13·19
9980
3·2·1
149
.
CRnr C r n r 1
nr 1 r
12 12
31 31!
CR
20
31!
12!3112 ! 12!
C 141.120.525
31 12
19!
150
.
Cuadro Resumen
Número de objetos Número de Importa el Se pueden Número de agrupaciones
objetos por orden repetir posibles
Agrupación
n!
n 1rn Sí No Vr
n
(n r)!
n r1 Sí Sí VR n r r
n
n n Sí No Pn n!
n n n!
n Sí n1 , n2 ,..., n p P
n1,n2 ,...,nk
n1 n2 ...np n !n !...n !
1
n 1rn No No
n!
n
C rn r
r!(n r)!
n r 1
n r1 No Sí CR r
n r
151