Unidad 2: Fundamentos de probabilidad

Integrantes:
Salazar Salazar Valeria Alejandra Alfaro Vera Isay Jaramillo Hernndez Juan Manuel Garca Mancillas Karely Lizbeth Prez Rosales Karla Magaly Mendo Dimas Alejandro Isidoro Martagn Eduardo

ndice
2.1. Conjuntos y tcnicas de conteo. 2.2. Concepto clsico y como frecuencia relativa. 2.3. Espacio muestral y eventos. 2.4. Axiomas y teoremas. 2.5. Espacio finito equiprobable. 2.6. Probabilidad condicional e independencia. 2.7. Teorema de Bayes 2.8 Distribucin marginal de frecuencias

2.1 Conjunto y tcnicas de conteo Un conjunto es una coleccin bien definida de objetos a los cuales tambin llamamos los elementos de un conjunto. A los conjuntos los identificamos con letras maysculas y a los elementos con letras minsculas, encerrados en {}. Los conjuntos se pueden describir de 2 formas: 1.- Mtodo de la lista. Consiste en enumerar a todos los elementos que pertenecen a dicho conjunto. Ejemplo: A={1,2,3,4,5,6} B={a,e,i,o,u} 2.- Mtodo de la regla consiste en definir la caracterstica comn para ser considerado un elemento. Ejemplo. A= x b= {x|x sea una letra vocal Definicin y notacin de un conjunto A los conjuntos se les representa con letras maysculas A, B, C, ... y a los elementos de los conjuntos se denotan con letra minsculas a, b, c, ...En base a la cantidad de elementos que tenga un conjunto, estos se pueden clasificar en conjuntos Ejemplo : Supongamos que Mxico es un conjunto, los elemento de ella son todos los estados. Finitos e Infinitos. En el caso del ejemplo anterior Mxico es un conjunto finito ya que se pueden contar sus elementos. Podemos definir de manera intuitiva a un conjunto, como una coleccin o listado de objetos con caractersticas bien definidas que lo hace pertenecer a un grupo determinado. Para que exista un conjunto debe basarse en lo siguiente: La coleccin de elementos debe estar bien definida. Ningn elemento del conjunto se debe contar ms de una vez, generalmente, estos elementos deben ser diferentes, si uno de ellos se repite se contar slo una vez. El orden en que se enumeran los elementos que carecen de importancia.

Una interpretacin grfica de la unin de A y B es la siguiente:

En la grfica la regin rayada corresponde a la unin de A y B. Se presentan los conjuntos dentro de un rectngulo que representa el conjunto referencial del cual se seleccionan los conjuntos A y B. TIPOS DE CONJUNTOS Conjunto finito: en este conjunto los elementos o miembros que los conforman pueden ser enumerados o contados. Por ejemplo, el agrupamiento de todas las letras del abecedario confirmara un conjunto de esta clase. Conjunto infinito: en estos conjuntos, los miembros que lo conforman no pueden ser enumerados ni contados. Un ejemplo de conjunto infinito sera todos los granos de arena del planeta. Conjunto unitario: estos conjuntos estn conformados por un solo miembro o elemento, por ejemplo, la letra A. Conjunto vaco: estos conjuntos carecen de elementos o bien, estos son inexistentes, por ejemplo un unicornio, en el caso del elemento inexistente. Conjunto referencial: a este conjunto tambin se la conoce como universal y se caracterizan por estar conformados por los miembros de todos los elementos que forman parte de la caracterizacin. Por ejemplo: el conjunto A esta compuesto de 1,3, 5, 7 y el B por 2, 4, 6. Mientras que el conjunto universal es 1, 2, 3, 4, 5, 6, 7. Conjuntos disyuntivos: estos conjuntos no poseen ningn elemento o miembro que coincida. Esto tambin se lo puede expresar diciendo que la interseccin entre los conjuntos disyuntivos es el conjunto vaco. Por ejemplo el grupo A contiene los elementos a, b, c, d mientras que el B e, f, g, h. Los conjuntos A y B entonces no tienen ningn elemento en comn. Conjuntos equivalentes: son aquellos conjuntos que poseen el mismo nmero cardinal, lo que significa que contienen la misma cantidad de elementos. Por ejemplo el conjunto A es 1, 2, 3, 4 y el B a, b, c, d, por tanto A y B son equivalentes.

Conjuntos iguales: esto se da cuando dos o ms conjuntos contienen iguales elementos. Por ejemplo el conjunto A es 2, 4, 6, 8 y el B es 8, 6, 4, 2. Ambos conjuntos son iguales por que poseen los mismos elementos, sin importar su orden. Congruentes: aqu pertenecen aquellos conjuntos numricos cuyos respectivos miembros se corresponden uno a uno de modo que la distancia entre ellos se conserve, por ejemplo: el conjunto A es: 2, 4, 6, 8, 10 mientras que B es 7, 9, 11, 13, 15. De esta manera, 10 y 15, 8 y 13, 6 y 11, 4 y 9, 2 y 7 mantienen entre s una distancia de 5. Conjuntos no congruentes: en estos conjuntos, en cambio, no se establece correspondencia alguna entre sus miembros, por lo que la distancia entre los elementos es inconstante. Por ejemplo, el conjunto A es 2, 4, 6, 8, 10 mientras que B es 4, 5, 6, 7, 8. Conjuntos homogneos: en estos conjuntos los elementos o miembros que los componen responden al mismo gnero o tipo. Por ejemplo el conjunto A que contiene los elementos 1, 5, 3, 7, 6, 8. Aqu todos sus elementos son nmeros por lo que conforman un conjunto homogneo. Conjuntos heterogneos: estos conjuntos estn compuestos por elementos que corresponden a distintos tipos, gneros o clases, por ejemplo, el conjunto A es 2, j, perro, azul.

2.2 Concepto clsico y como frecuencia relativa Definicin Clsico. La probabilidad clsica: el enfoque clsico o a priori de la probabilidad se basa en la consideracin de que los resultados de un experimento son igualmente posibles. Empleando el punto de vista clsico, la probabilidad de que suceda un evento se calcula dividiendo el nmero de resultados favorables, entre el nmero de resultados posibles. La probabilidad clsica de un evento E, que denotaremos por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral: Como frecuencia relativa Probabilstica: se basa en las frecuencias relativas. La probabilidad de que un evento ocurra a largo plazo se determina observando en que fraccin de tiempo sucedieron eventos semejantes en el pasado. La probabilidad de que un evento suceda se calcula por medio de: P (E)= nmero de veces que el evento ocurri en el pasado Numero total de observaciones

Definicin Frecuencial: La definicin frecuentista consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso. Sea un experimento aleatorio cuyo espacio muestral es E Sea A cualquier suceso perteneciente a E Si repetimos n veces el experimento en las mismas Condiciones, la frecuencia relativa del suceso A ser: Cuando el nmero n de repeticiones se hace muy grande la frecuencia relativa converge hacia un valor que llamaremos probabilidad del suceso A. Es imposible llegar a este lmite, ya que no podemos repetir el experimento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar un gran nmero de veces el experimento aleatorio correspondiente. Algunos autores las llaman probabilidades tericas.

2.3. Espacio muestral y eventos.

Cuando se realiza un experimento, que es cualquier proceso que produce un resultado o una observacin, se van a obtener un conjunto de valores. A este conjunto de valores que puede tomar una variable se le denomina espacio muestral. Por ejemplo: Si se tiene un dado cualquiera, el espacio muestral (EM) es EM={1,2,3,4,5,6}. El espacio muestral es el conjunto de todos los posibles resultados de un experimento o situacin aleatoria. Si en una caja hay 10 manzanas y 2 estn echadas a perder (al menos en este momento!), al extraer tres manzanas y ver cuantas son buenas podemos obtener 1, 2 o 3 buenas (0 buenas es imposible!). De modo que en este ejemplo el espacio muestral es: { 1, 2, 3 }. Si un juego consiste en tirar todas las aves que hagan falta hasta obtener tres perdoces seguidas o hasta que sean 15 aves, si nos fijamos en el nmero de aves requeridas, el espacio muestral es: { 3, 4, 5, . . . , 15 }. Pero si nos fijramos en el nmero de disparos que resultan, entonces el espacio muestral es: { 0, 1, 2, . . . , 15 }. Es claro que para determinar el espacio muestral en un experimento aleatorio es necesario entender perfectamente: Qu se va a hacer. Qu se va a observar o contar.

EVENTOS o SUCESOS. 1. La probabilidad clsica de un evento E, que denotaremos por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral:

Cuando se tiene un espacio muestral llamamos, formalmente evento o suceso a cualquier subconjunto del espacio muestral. Decimos que un suceso se realiza, cuando el resultado del experimento aleatorio es uno de los sucesos posibles. Las dos definiciones anteriores son muy abstractas. Veamos un par de ejemplos. En el caso de contar cuantas aves hacen falta para conseguir tres perdices seguidas o tirar 15 aves; el espacio muestral son los nmeros: 3, 4, 5, . . . , 15. Un evento podra ser {3, 5, 7,. . ., 15}. Este evento corresponde a que el nmero de tiros necesario sea non. Si al hacer los disparos los resultados fueran: PPSPPSSSPPP (aqu nos detenemos porque han cado ya, tres perdices seguidas), el evento si se realiz porque el nmero necesario fue 11 y es non. SSSPPP (aqu paramos porque ya hay tres perdices), el evento no se realiz. Podemos pensar que cada experimento al azar es un juego y que un evento es una lista de los resultados que hacen que YO gane. Otro ejemplo ms. Al comprar llantas para mi coche, puede ser que manifiesten un defecto de fabricacin dentro del perodo de garanta total y que el fabricante deba reponerlas. Tambin puede pasar que el defecto se manifieste en el perodo de garanta parcial y que el fabricante bonifique slo un porcentaje o que el defecto se manifieste despus de vencido el perodo de garanta en cuyo caso el fabricante no paga nada. Tambin puede pasar que las llantas no tengan defecto de fabricacin aparente y que no haya garanta que reclamar. Como se puede considerar que las llantas que me vendieron se escogieron al azar de entre toda la produccin, tenemos un experimento aleatorio.

2.4 Axiomas y Teoremas

Un axioma es una premisa que, por considerarse evidente, se acepta sin demostracin, como punto de partida para demostrar otras frmulas. Tradicionalmente los axiomas se eligen de las consideradas afirmaciones evidentes, porque permiten deducir las dems frmulas. Dado un experimento con espacio muestral S y un espacio de eventos a, la probabilidad del evento A, representada por P(A), ser el valor numrico que debe cumplir con los 3 axiomas deKolmogorov:

Axioma 1. Para cualquier evento A se cumple que P(A 1)

Axioma 2. Para el espacio muestral S, se cumple que P(S)=1

Axioma 3. Si A y B son dos eventos mutuamente excluyentes de S, entonces

Este

axioma

se

puede

generalizaren son

la

forma

siguiente: mutuamente

Sea donde excluyentes. Entonces:

eventos

Un teoremaes una frmula bien formada que puede ser demostrada dentro de un sistema formal. Basndose en los axiomas anteriores, se pueden establecer los teoremas necesarios para desarrollar una teora axiomtica de probabilidades. Teorema 1. Sea f el conjunto vaco, entonces Teorema 2. Si A es cualquier evento en el espacio de eventos S, entonces Teorema 3. Si A y B son dos eventos cualesquiera del mismo espacio muestral S, tales que AB, entonces P(A) P(B) Teorema 4. Para cualquier evento A S se cumple que 0 P(A) 1 Teorema 5. Si A y B son dos eventos cualesquiera del mismo espacio muestral S, entonces Teorema 6. Si A y B son dos eventos cualesquiera del mismo espacio muestral S, entonces P(A-B) = P(A) - P(AB)

Teorema de la probabilidad total El teorema de la probabilidad total afirma lo siguiente: Sea una particin sobre el espacio muestral y sea ,

un suceso cualquiera del que se conocen las probabilidades condicionales entonces la probabilidad del suceso viene dada por la expresin:

2.5. Probabilidad clsica: Espacio finito equiparable Probabilidad clsica Sea E un espacio muestral cualquiera y A un evento de ese espacio. Se define la probabilidad P del evento A, como:

P( A)
donde

#A #E

(1)

#A - nmero de casos favorables #E - nmero de casos totales Se supone que todos los elementos del espacio tienen la misma posibilidad de ocurrir Ejemplo: Experimento.- Se lanza una moneda Evento A.- que al lanzar una moneda caiga guila. Calcular la probabilidad de A: E = { A, S} A={A}

P( A)

#A 1 #E 2
A={6}

Ejemplo. Sea el experimento lanzar un dado Sea A: Obtener el nmero 6.

El espacio muestral (espacio equiprobable) E = { 1,2,3,4,5,6 } la probabilidad de obtener el nmero 6 es dada por

P( A)

#A 1 #E 6

ESPACIOS FINITOS EQUIPROBABLES. Sea un espacio muestral que contiene n elementos, = a1, a2, a3,....,an, si a cada uno de los elementos de le asignamos una probabilidad igual de ocurrencia, pi = 1/n por tener n elementos , entonces estamos transformando este espacio muestral en un espacio finito equiprobable, el que debe cumplir con las siguientes condiciones: 1. Las probabilidades asociadas a cada uno de los elementos del espacio muestral deben ser mayores o iguales a cero, pi 0. 2. La sumatoria de las probabilidades asociadas a cada elemento del espacio muestral debe de ser igual a 1. pi = 1

En caso de que no se cumpla con las condiciones anteriores, entonces no se trata de un espacio finito equiprobable. Solo en el caso de espacios finitos equiprobables, si deseamos determinar la probabilidad de que ocurra un evento A cualquiera, entonces;

p(A) = r*1/n = r/n

p(A) = maneras de ocurrir el evento A/ Nmero de elementos del espacio muestral

r = maneras de que ocurra el evento A 1/n = probabilidad asociada a cada uno de los elementos del espacio muestral n = nmero de elementos del espacio muestral

Ejemplos: 1. Se lanza al aire una moneda normal (una moneda perfectamente equilibrada) tres veces, determine la probabilidad de que: a. Aparezcan puros sellos, b. Aparezcan dos guilas, c. Aparezcan por lo menos dos guilas. Solucin: Para calcular las probabilidades de este problema, hay que definir el espacio muestral en cuestin; si representamos los tres lanzamientos de la moneda mediante un diagrama de rbol, encontraremos que el espacio muestral o el conjunto de todos los resultados posibles es: = AAA, ASS, SAS, SSA, AAS, SAA, ASA, SSS a. A = evento de que aparezcan puros sellos = SSS p(A) = p(aparezcan puros sellos) = p(SSS) = 1/8 = 0.125 Porqu un octavo?, s el espacio muestral consta de 8 elementos como se ha observado, entonces la probabilidad asociada a cada uno de los elementos del espacio muestral es de 1/8, por ser un espacio finito equiprobable ya que cada uno de los elementos mostrados tiene la misma probabilidad de ocurrencia. b. B = evento de que aparezcan dos guilas = AAS, SAA, ASA p(B) = p(aparezcan dos guilas) = p(AAS, SAA, ASA) = 1/8 + 1/8 + 1/8 = 3/8 = 0.375 c. C = evento de que aparezcan por lo menos dos guilas = AAS, SAA, ASA, AAA p(C) = p(AAS, SAA, ASA, AAA)=p(aparezcan dos guilas) + p(aparezcan tres guilas) p(C) = 4/8 = 1/2 = 0.5

2.6 Probabilidad condicional e independiente

Probabilidad condicionada es la probabilidad de que ocurra un evento A, sabiendo que tambin sucede otro eventoB. La probabilidad condicional se escribe P(A|B), y se lee la probabilidad de A dado B. No tiene por qu haber una relacin causal o temporal entre A y B. A puede preceder en el tiempo a B, sucederlo o pueden ocurrir simultneamente. A puede causar B, viceversa o pueden no tener relacin causal. Las relaciones causales o temporales son nociones que no pertenecen al mbito de la probabilidad. Pueden desempear un papel o no dependiendo de la interpretacin que se le d a los eventos.

El condicionamiento de probabilidades puede lograrse aplicando el teorema de Bayes. La probabilidad condicional es cuando se desea determinar la probabilidad de algn evento, dado que antes otro evento haya ocurrido. Se denota como P(A|B) y se lee la probabilidad de A dado B. Esta se utiliza para revisar la probabilidad de algn evento dado sobre el cual se ha recolectado informacin. En la vida real existen millones de ejemplos en los cuales se aplica esta probabilidad esta es utilizada en ventas, mercadotecnia, las aseguradoras para determinar las probabilidades de riesgo de sus usuarios, en las escuelas, oficinas, etc. Este mtodo se determina con la siguiente ecuacin: PROBABILIDAD CONDICIONAL DE A DADO BP(A|B)= P(A B) = P(A)P(B\A)P(B)P(B) LAS DOS REGLAS DE LA PROBABILIDAD Existen dos reglas bsicas que deben de tomarse en cuenta para calcular la probabilidad de eventos complejos: la regla de la multiplicacin y la regla de la adicin. Cada una de ellas se utiliza para propsitos especficos. REGLA DE LA MULTIPLICACIN Esta determina la probabilidad del evento conjunto P(A B ). Es decir, que para encontrar la probabilidad de A y B, simplemente se multiplican sus respectivas probabilidades. El procedimiento exacto es si A y B son dependientes o independientes. Los eventos A y B son independientes si P(A) = P(A|B). Es decir, la probabilidad de A es la misma bien se considere o no B. son tambin independientes si P(B)=P(B|A). Para eventos independientes se utiliza la siguiente ecuacin: P(A B)= P(A) X P(B) Y para eventos dependientes se utiliza: P(A B) = P(A) X P(B|A)

REGLA DE ADICIN La regla de adicin se utiliza para determinar la probabilidad de A o B, P(A U B). La probabilidad del evento A o B (cuando los eventos no son mutuamente excluyentes) P(A U B)= P(A) + P(B) P(A B) Se dice que no son excluyentes si ambos pueden ocurrir al mismo tiempo. En ese caso, la frmula requiere que se reste la probabilidad del evento conjunto A y B. La razn por la cual se debe restar la probabilidad conjunta es para evitar el doble conteo. La probabilidad del evento A o del evento B (cuando los eventos son mutuamente excluyentes) P(A U B)= P(A) + P(B) Si A y B son mutuamente excluyentes, P( A B) = 0. por definicin no pueden ocurrir simultneamente. Debido a que no tiene sentido restar cero. Se puede concluir que la probabilidad condicional nos ayuda a determinar las posibilidades que tenemos a que un evento ocurra, haciendo un anlisis del comportamiento de las muestras en estudio, dando con esto una idea al empresario o bien a todo aquel que tenga la curiosidad de saber que es lo que pudiera o no suceder, ya que las probabilidades existen y si se estudian con detenimiento pueden ayudar a dar respuestas certeras.

2.7 Teorema de Bayes La probabilidad de cada evento La probabilidad de ocurrencia de un evento cualquiera la particin . Esto es, dado un evento de

Teorema Sea un espacio muestral y , mutuamente excluyentes tal que , una coleccin de eventos

para

. Entonces para cualquier evento

de

Ejemplos En cierta planta de montaje, tres mquinas B B B , montan 30%, 45% y 25% de los productos, respectivamente. Se sabe de la experiencia pasada que 2%, 3%, y 2% de los productos ensamblados por cada mquina, respectivamente, tiene defectos. Ahora, suponga que se selecciona de forma aleatoria un producto terminado y se encuentra que es defectuoso, cul es la probabilidad de que est ensamblado por la mquina B ? Solucin: Considere los eventos siguientes: A: el producto est defectuoso, B : el producto est ensamblado por la mquina B . B : el producto est ensamblado por la mquina B .

B : el producto est ensamblado por la mquina B . Al aplicar el teorema, podemos escribir:

De los datos del problema sabemos que:

Entonces:

As, al seleccionar de forma aleatoria un producto terminado y encontrar que es defectuoso, la probabilidad de que est haya sido ensamblado por la mquina B es del 20%.

2.8 Distribucin marginal de frecuencias Las distribuciones marginales son las distribuciones unidimensionales que nos informan del nmero de observaciones para cada valor de una de las variables,(prescindiendo de la informacin sobre los valores de las dems variables). En el caso bidimensional hay dos (una para la x y otra para la y), en el caso multidimensional hay tantas como variables. A partir de la tabla de correlacin pueden construirse las distribuciones marginales, asignando a cada valor de la variable considerada su frecuencia marginal. En el caso de dimensin mayor de dos, y supuestos los datos en forma de base datos matricial, habr que considerar nicamente una de las variables (una columna) y a partir del listado de observaciones, se podr construir la tabla de frecuencias de la distribucin marginal. Las distribuciones marginales son distribuciones de frecuencias unidimensionales como las ya estudiadas y pueden analizarse de la manera habitual (media, varianza, asimetra, curtosis, etc.).

Al analizar una distribucin bidimensional, uno puede centrar su estudio en el comportamiento de una de las variables, con independencia de cmo se comporta la otra. Estaramos as en el anlisis de una distribucin marginal. De cada distribucin bidimensional se pueden deducir dos distribuciones marginales: una correspondiente a la variable x, y otra correspondiente a la variable y. Distribucin marginal de X X x x1 x2 ..... xn-1 xn x n1. n2. ... nn-1. nn. ni.

Distribucin marginal de Y Y x y1 y2 ..... ym-1 ym x n.1 n.2 ... n.m-1 n.m n.j

Ejemplo: a partir del ejemplo que vimos en la leccin anterior (serie con los pesos y medidas de los alumnos de una clase) vamos a estudiar sus distribuciones marginales.

Estatura / Peso 1,21 cm 1,22 cm 1,23 cm 1,24 cm 1,25 cm 1,26 cm 1,27 cm 1,28 cm 1,29 cm 1,30 cm

31 kg 0 0 0 0 1 0 2 0 3 0

32 kg 0 1 0 2 1 0 1 1 0 0

33 kg 34 kg 35 kg 1 2 0 1 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 2 1 1 0 1 1 1 1 0 2 1

Las variables marginales se comportan como variables unidimensionales, por lo que pueden ser representadas en tablas de frecuencias.

a) Distribucin marginal de la variable X (estatura) Obtenemos la siguiente tabla de frecuencia:

Variable Frecuencias absolutas Frecuencias relativas (Estatura) Simple Acumulada Simple Acumulada Xx xx xx xx xx 1,21 3 3 10,0% 10,0% 1,22 3 6 10,0% 20,0% 1,23 0 6 0,0% 20,0% 1,24 3 9 10,0% 30,0% 1,25 3 12 10,0% 40,0% 1,26 0 12 0,0% 40,0% 1,27 6 18 20,0% 60,0% 1,28 3 21 10,0% 70,0% 1,29 6 27 20,0% 90,0% 1,30 3 30 10,0% 100,0%

b) Distribucin marginal de la variable Y (peso) Obtenemos la siguiente tabla de frecuencia:

Variable (Peso) Xx 31 32 33 34 35

Frecuencias absolutas Frecuencias relativas Simple Acumulada Simple Acumulada xx xx xx xx 6 6 20,0% 20,0% 6 12 20,0% 40,0% 6 18 20,0% 60,0% 7 25 23,3% 83,3% 5 30 16,6% 100,0%

Bibliografa: www.probabilidad.com