Beruflich Dokumente
Kultur Dokumente
PROBABILIDAD
B2
B4
B1
B3
(A B1)
(A B2)
(A B3)
(A B4)
Tema 2: Probabilidad
1. 2. 3. 4. 5.
Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes
1. Introduccin
Probabilidad: medida de la incertidumbre sobre un suceso ocurrir o no?
SUCESO: resultado de un experimento Ejemplo A: sacar un dos al lanzar un dado B: sacar ms de 3 al lanzar un dado C: que el ordenador O tarde ms de 10 sg en hacer la tarea T D: que el material M1 resista el peso P
Conceptos importantes
Si obtenemos un nuevo dato manteniendo constantes las condiciones de experimentacin estamos REPITIENDO el experimento
Ejemplo: comprobar si una muestra del material M1 resiste el peso P Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M Ejemplo: calcular el resultado de sumar 10+4
Tipos de experimentos Experimento determinista: es aqul en el que cada vez que se repite se obtiene el
mismo resultado Por qu? porque las condiciones de experimentacin contiene a TODOS los factores que influyen Ejemplo: calcular el resultado de sumar 10+4
Experimento aleatorio:
es aqul en el que no siempre se obtiene el mismo resultado = INCERTIDUMBRE Por qu? porque las condiciones de experimentacin NO contiene a TODOS los factores que influyen.
Ejemplo: comprobar si una muestra del material M1 resiste el peso P Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T Ejemplo: medir la longitud de una pieza del tipo T producida por la mquina M Informtica. Universidad Carlos III de Madrid
5
Conceptos importantes
SUCESO ELEMENTAL:
Ejemplo: Al lanzar un dado, los sucesos elementales son 1,2,3,4,5,6 Al medir el tiempo de realizacin de una misma tarea, los sucesos elementales son infinitos
SUCESO COMPUESTO: unin de sucesos elementales Ejemplo: Al lanzar un dado, sacar un nmero par A:{2,4,6}
SUCESO CONTRARIO o COMPLEMENTARIO: El suceso complementario a A , , es el que se observa cuando no ocurre A Ejemplo: Al lanzar un dado, sacar un nmero par A:{2,4,6} y su contrario ser sacar impar, :{1,3,5}
Conceptos importantes
ESPACIO MUESTRAL:
conjunto de todos los sucesos posibles en un experimento. E. Se suele definir uniendo los elementales. Tambin se le llama el Suceso Seguro
Ejemplo Al lanzar un dado, E={1,2,3,4,5,6} Al medir el tiempo de realizacin de una tarea E={t0}
A B
E A =E
1 U 2 U 3 U 4 U 5 U 6= E
Unin de sucesos: es el suceso que ocurre cuando ocurre alguno de los que se unen
AB
AB
Ejemplo:
o bien
A+B
10
AB
o bien
A B=
(sucesos disjuntos o mutuamente excluyentes)
AB
Ejemplo:
11
Tema 2: Probabilidad
1. 2. 3. 4. 5.
Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes
12
P(A)
Medida de la incertidumbre de observar A. Probabilidad de observar el suceso A en la siguiente repeticin del experimento aleatorio
Probabilidad de un suceso A: es la frecuencia relativa de aparicin del suceso si repitisemos el experimento indefinidamente
0 P(A) 1 P(E)=1 P()=0 P()=1-P(A)
13
P(A+B)=P(A)+P(B)
14
Usando las reglas anteriores Si tenemos N sucesos elementales equiprobables (ejemplo: dado, o moneda) P(suceso elemental)=1/N Si A: unin de k sucesos elementales equiprobables P(A)=k/N Usando las reglas que veremos en las secciones siguientes Empricamente: repitiendo el experimento muchas veces (prximos temas)
15
Ejemplo
Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribucin bivariante es la siguiente:
P(Defectuoso)=20/250=0.08
Si seleccionamos un artculo al azar Cul es la probabilidad de que sea del Tipo II?
P(Tipo II)=200/250=0.80
16
Ejemplo
Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribucin bivariante es la siguiente:
Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250 Cul es la probabilidad de sacar una pieza NO VLIDA)
Solucin 1:
Ejemplo
Una mquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribucin bivariante es la siguiente:
Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250 Cul es la probabilidad de sacar una pieza NO VLIDA)
Solucin 2:
=1-
Ejemplo
Se quiere saber la probabilidad de que un aislante del tipo A, soporte una atmsfera corrosiva durante al menos 100 horas Se toman n unidades de dicho aislante y transcurridas 100 horas se encuentra que d unidades han resistido.
Cul es la probabilidad de que el aislante del tipo A resista? Cunto debe ser n para que d/n sea dicha probabilidad? Cunto debe ser n para que d/n sea una aproximacin suficiente de dicha probabilidad?
Prximos temas
19
Tema 2: Probabilidad
1. 2. 3. 4. 5.
Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes
20
Probabilidad condicionada Notacin: Definimos el suceso que no se ha observado an y el que s se ha observado Suceso que no sabemos si se observar: A . Por ejemplo A: sacar un 2 Suceso conocido: B. Por ejemplo B: es un nmero par
P(A|B)
Informtica. Universidad Carlos III de Madrid
21
Ejemplo
En una sala hay 300 personas, que se pueden clasificar de la siguiente forma:
P(Fuma)=30/300=0.10
Si seleccionamos a una persona al azar y vemos que es chico, Cul es la probabilidad de que sea fumador?
Ejemplo
En una sala hay 300 personas, que se pueden clasificar de la siguiente forma:
P(Fuma | Chico) =
=
P (Fuma | Chico) =
P( A B) P( A | B) = P (B )
P ( A B ) = P ( A | B )P (B )
Anlogamente:
P( A B) P (B | A ) = P ( A)
P ( A B ) = P (B | A)P ( A)
24
B4
B
i =1
Ejemplo:
=E
Sea A otro suceso que se observa al mismo tiempo que los sucesos Bi B1 B3 B1: ser varn B2: ser mujer A: ser fumador
B1 + B2 = E
Problema Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varn) y P(A|mujer) Cmo podemos reconstruir la probabilidad total? Informtica. Universidad Carlos III de Madrid
25
B2
B4
P ( A) = P ( A E )
como
B
i =1
=E
B1
B3
n P ( A) = P A B i i =1
(A B4)
(A B1)
(A B2)
(A B3)
P ( A) = P (( A B1) ( A B2 )
( A Bn ))
mutuamente excluyentes
P ( A) = P ( A B1) + P ( A B2 ) +
Informtica. Universidad Carlos III de Madrid
+ P ( A Bn )
26
B2
B4
P ( A) = P ( A B1) + P ( A B2 ) + + P ( A Bn )
B1
B3 usando que
(A B1)
(A B2)
(A B3)
(A B4)
P ( A Bi ) = P ( A | Bi )P (Bi )
+ P ( A | Bn ) P (Bn )
P ( A) = P ( A | Bi )P (Bi )
i =1
Informtica. Universidad Carlos III de Madrid
27
B2
B4
P ( A) = P ( A | Bi )P (Bi )
i =1
B3
B1
(A B1)
(A B2)
(A B3)
(A B4)
Ejemplo:
Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varn) y P(A|mujer)
P(Fumador)=P(Fumador|Mujer)P(Mujer)+P(Fumador|Varn)P(Varn)
28
Ejemplo
En una sala hay 300 personas, que se pueden clasificar de la siguiente forma:
P(Fuma|chica)=15/120=0.125 P(Chica)=120/300=0.40
P(Fuma|chico)=15/180=0.0833 P(Chico)=180/300=0.60
P(Fuma)=P(Fuma|Chica)P(Chica)+P(Fuma|Chico)P(Chico)
29
Tema 2: Probabilidad
1. 2. 3. 4. 5.
Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes
30
4. Independencia de sucesos
La informacin que tengamos de uno de ellos no nos sirve para conocer mejor el otro
La probabilidad de uno de ellos no cambia por observar o no el otro P(A|B)=P(A) ; P(B|A)=P(B) Ejemplos:
31
4. Independencia de sucesos
Dos sucesos A y B son independientes si la probabilidad de uno de ellos no cambia por observar o no el otro P(A|B)=P(A) ; P(B|A)=P(B)
P( A | B) =
P( A B) = P ( A) P (B )
P (B | A ) =
P( A B) = P (B ) P ( A)
Independencia:
P ( A B ) = P ( A)P (B )
P ( A B ) = P (B | A)P ( A)
Dependencia:
P ( A B ) = P ( A | B )P (B )
32
Ejemplo
Unas piezas cilndricas pueden ser defectuosas por tener una longitud inadecuada o por tener un dimetro inadecuado, siendo ambos tipos de defectos independientes. Si la proporcin de cilindros con longitud inadecuada es de 5% y la de cilindros con dimetro inadecuado es del 3%. Qu porcentaje de cilindros son defectuosos?
sucesos independientes
P(defecto)=P(long)+P(diam)-P(long diam)=0.05+0.03-0.0015=0.0785
33
Tema 2: Probabilidad
1. 2. 3. 4. 5.
Introduccin Definicin de probabilidad y propiedades Probabilidad condicionada y total Independencia de sucesos Teorema de Bayes
34
5. Teorema de Bayes
Problema:
P(A|B)?
Por la regla de la probabilidad condicionada
P( A B) P( A | B) = P (B ) P( A B) P (B | A ) = P ( A)
P ( A B ) = P (B | A)P ( A)
Teorema de Bayes
P (B | A)P ( A) P( A | B) = P (B )
35
Ejemplo
Una empresa que gestiona la red de una gran empresa adquiere un antivirus con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad 0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa alarma de virus.
Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la probabilidad de que cuando d la alarma de virus, haya de verdad un ataque
P(V | A) =
P( A | V ) P (V ) P( A)
P(V | A) =
0.95 0.001 P( A)
P(A) =
P ( A | B )P ( B )
i i i =1
36
Ejemplo
Una empresa que gestiona la red de una gran empresa adquiere un antivirus con las siguientes caractersticas. Si hay virus, da la alarma con probabilidad 0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que d una falsa alarma de virus.
Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la probabilidad de que cuando d la alarma de virus, haya de verdad un ataque
P(V | A) =
P( A | V ) P (V ) P( A)
P(V | A) =
0.95 0.001 P( A)
P( A) = P( A | V ) P(V ) + P( A | V ) P(V )
= 0.95 0.001 + 0.08 0.999 = 0.08087
P(V | A) =
Teorema de Bayes
P( A | B) =
P (B | A)P ( A) P (B )
P (B | A ) P( A | B) = P ( A) P (B )
38
Ejemplo
Una empresa petrolfera ha de decidir si un emplazamiento es adecuado para hacer una prospeccin petrolfera. La empresa iniciar la prospeccin si despus de analizar el terreno, la probabilidad de encontrar petrleo es mayor que 0.5.
Dadas las condiciones geolgicas de la zona, P(Hay petrleo)=0.40 Es posible contratar una prueba ssmica para detectar la presencia de petrleo. P(positivo|Hay petrleo)=0.40 P(positivo|No hay petrleo)=0.10 Debe la empresa petrolfera realizar esa prueba ssmica? Le interesa si P(Hay petrleo|positivo)>0.5
P( A | B) =
P (B | A ) P ( A) P (B )
P(positivo)= P(positivo|Hay) P(Hay)+P(positivo|No hay) P(No hay) =(0.40)(0.40)+(0.10)(0.60)=0.22 Informtica. Universidad Carlos III de Madrid
39
Ejemplo
Una empresa petrolfera ha de decidir si un emplazamiento es adecuado para hacer una prospeccin petrolfera. La empresa iniciar la prospeccin si despus de analizar el terreno, la probabilidad de encontrar petrleo es mayor que 0.5.
Dadas las condiciones geolgicas de la zona, P(Hay petrleo)=0.40 Es posible contratar una prueba ssmica para detectar la presencia de petrleo. P(positivo|Hay petrleo)=0.40 P(positivo|No hay petrleo)=0.10 Debe la empresa petrolfera realizar esa prueba ssmica? Le interesa si P(Hay petrleo|positivo)>0.5
P( A | B) =
P (B | A ) P ( A) P (B )
0.40=0.73 !!!