Tema 5 Nociones Básicas de Probabilidad PDF

UNED
UNED
Introduccin al anlisis de datos
Introducci
Introduccin al an
anlisis de datos
CONCEPTOS PREVIOS
TEMA 5
TEMA 5
1. Experimento aleatorio: el lanzamiento de un dado, constituye un experimento

aleatorio.
Todo experimento aleatorio presenta tres caractersticas:
NOCIONES BSICAS DE
PROBABILIDAD
Todos los resultados posibles son conocidos con anterioridad a su realizacin

No se puede predecir con certeza el resultado que vamos a obtener
El experimento puede repetirse, todas las veces que se desee, en idnticas
condiciones
En los temas estudiados, el anlisis estadstico se ha limitado a la descripcin

de un conjunto pequeo de datos denominado muestra. Sin embargo, en
cualquier investigacin es importante poder generalizar o inferir nuestros
resultados a un colectivo mucho ms amplio, al que hemos denominado
poblacin y al que no podemos acceder por diferentes motivos (tiempo,
economa, ...). En este caso, la extensin de nuestras conclusiones requiere
llevar a cabo una inferencia que siempre ser probabilstica o formular una
hiptesis que aceptaremos o rechazaremos con una determinada
probabilidad.
2010
Centro Asociado A Coru

Corua
Carmen Voces
UNED
Introducci
Introduccin al an
anlisis de datos
CONCEPTOS PREVIOS
TEMA 5
Un experimento aleatorio es un proceso, que se puede repetir indefinidamente en

las mismas condiciones, cuyo resultado no se puede predecir con certeza
2. Espacio muestral: conjunto de todos los resultados posibles de un experimento

aleatorio. Se representa, habitualmente, por la letra mayscula E.
E=
E=
2010
UNED
Introducci
Introduccin al an
anlisis de datos
CONCEPTOS PREVIOS
TEMA 5
OPERACIONES CON SUCESOS.

3. Sucesos: a los resultados de un experimento aleatorio, se les denomina sucesos y se
representan por letras maysculas: A, B, ...
Tipos de sucesos:
Suceso simple o elemental: consta de un solo resultado del espacio muestral, E
A=
B=
C=
1. UNIN: Llamaremos unin de dos sucesos A y B, y lo representaremos por A B, al

subconjunto de E formado por los sucesos elementales que pertenecen a A, a B o a
ambos a la vez:
AB=
Ejemplo: Suceso A = obtener un cuatro A =

Suceso compuesto: consta de dos o ms resultados del espacio muestral, E.
Ejemplo: Suceso B = obtener un n par B =
2. INTERSECCIN: Llamaremos interseccin de dos sucesos A y B, y lo

representaremos por A B, al subconjunto de E formado por los sucesos
elementales que pertenecen a A y a B.
AB=
Ejemplo: Suceso C = obtener un mltiplo de 3 C =

Suceso seguro: a todo el espacio muestral de un experimento se le denomina
suceso seguro porque siempre ocurre
Cuando la interseccin de dos sucesos no contiene ningn elemento se dice que son
sucesos incompatibles o excluyentes y, por tanto, no pueden verificarse
simultneamente, los sucesos A y C lo son.
AC=
Ejemplo: Suceso D =
Suceso imposible: suceso que no puede ocurrir nunca, se representa por
conjunto vaco. =
=
3. COMPLEMENTARIO: Llamaremos complementario de un suceso A, y lo

representaremos por A, al subconjunto de E formado por los sucesos elementales que
no pertenecen a A:
A=
2010
2010
UNED
Introducci
Introduccin al an
anlisis de datos
CONCEPTOS PREVIOS
TEMA 5
OPERACIONES CON SUCESOS / DIAGRAMAS DE VENN
AB=
UNED
Introducci
Introduccin al an
anlisis de datos
DEFINICI
DEFINICIN DE PROBABILIDAD
TEMA 5
Expondremos tres definiciones diferentes de probabilidad (la definicin clsica, la

estadstica y la axiomtica) encaminadas a un mismo fin: calcular la posibilidad
de ocurrencia de un suceso.
AB=
E
1. DEFINICION CL
CLSICA
A
2. DEFINICI
DEFINICIN ESTAD
ESTADSTICA
3. DEFINICI
DEFINICIN AXIOM
AXIOMTICA
Veremos que con cualquiera de estas tres definiciones, la probabilidad se
cuantifica con un nmero comprendido entre 0 y 1. Cero para el suceso
imposible y uno para el suceso seguro. Cualquier otro suceso tendr asignado
un nmero entre 0 y 1 en funcin de la cuanta de su probabilidad de
ocurrencia.
A=
A=
E
A
B=
C=
2010
UNED
Introducci
Introduccin al an
anlisis de datos
DEFINICI
2010
TEMA 5
UNED
Introducci
Introduccin al an
anlisis de datos
DEFINICI
TEMA 5
1. DEFINICION CL
CLSICA (Laplace)
2. DEFINICION ESTAD
ESTADSTICA
La probabilidad de un suceso es igual al cociente entre el nmero de casos favorables de

que ocurra ese suceso y el nmero de casos posibles en el supuesto de que todos los casos
tengan la misma oportunidad de ocurrir (es decir, sean igualmente probables).
La definicin estadstica de probabilidad es el lmite al que tiende la frecuencia relativa de

aparicin de un suceso A cuando el nmero de ensayos, N, tiende a infinito.
nA
N N
P ( A) = lim
A esta probabilidad la representamos por P(A) y de acuerdo a esta definicin es:

Probabilid ad de un suceso =
Nmero de casos favorables

Nmero de casos posibles
P ( A) =
nA
N
Ejemplo: Lanzamos un dado una vez. Cul es la probabilidad de obtener un 4?. Cul es la
probabilidad de obtener un nmero par?
A=
Tenemos que calcular la probabilidad de obtener los sucesos:
B=
Ejemplo: imaginemos que el Instituto Nacional de Estadstica nos informa de que por cada
100.000 nacimientos que se producen en nuestro pas, 51.264 son varones. De acuerdo con
estos datos podemos decir que la probabilidad de nacer varn sera: 0,51264. Con la
definicin clsica habamos visto que esta probabilidad es 0,5 como resultado del conciente
entre casos favorables, 1: varn, y los casos posibles, 2: varn + mujer
El espacio muestral, conjunto de todos los resultados posibles, es:
E=
P ( A) =
2010
1
= 0,17
6
Si repetimos un experimento aleatorio muchas veces, y anotamos las frecuencias relativas de

un suceso, podemos observar que tienden a estabilizarse en un valor comprende entre 0 y 1.
Este valor se denomina probabilidad del suceso. Adoptando esta definicin, la probabilidad
se estima a partir de la experiencia y, aunque es correcta presenta un grave problema:
muchas veces no es posible repetir un experimento aleatorio un gran nmero de veces y, si
lo es, no es prctico.
P(B) =
3
= 0 ,5
6
7
2010
UNED
Introducci
Introduccin al an
anlisis de datos
DEFINICI
TEMA 5
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
3. DEFINICION AXIOM
AXIOMTICA
2010 FEBRERO (MODELO A)
La probabilidad es un nmero entre 0 y 1 asociado a un suceso y que posee varias propiedades

que se denominan axiomas, es decir, verdaderas o afirmaciones que se aceptan sin demostracin.
(Kolmogorov, 1933)
14. Con los datos de la tabla 3, podemos decir que la probabilidad de NO tener alergia
es:
Dado un espacio muestral E, llamamos probabilidad de un suceso A definido en el espacio

muestral E y que designaremos por P(A) a un nmero real que asignamos al suceso A, tal
que cumple los siguientes axiomas:
0 P(A) 1
P(E) = 1
P(A) = 1 - P(A)
a) La misma para ni
nios con y sin hermanos
b) Mayor para los ni
nios con hermanos
c) Mayor para los ni
nios sin hermanos
Nmero de hermanos
Alergias
Las dos primeras propiedades indican que la probabilidad es cuantificable numricamente con
un nmero positivo comprendido entre 0 y 1. Asignamos un cero a un suceso que no puede
ocurrir nunca y un uno al suceso que se produce con seguridad.
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
2010
TEMA 4
UNED
14. Con los datos de la tabla 3, podemos decir que la probabilidad de NO tener alergia
es:
a) La misma para ni
nios con y sin hermanos
b) Mayor para los ni
nios con hermanos
c) Mayor para los ni
nios sin hermanos
P ( A)Sin hermanos =
nA
25
=
= 0,25
N 100
40
35
150
No
25
150
175
350
100
190
210
500
Probabilidad de un suceso =
75
2 o m
ms
Tabla 3. Prevalencia de las alergias de un grupo de nios segn el nmero de hermanos
La tercera indica que la probabilidad de un suceso A puede obtenerse tambin restando de

uno la probabilidad de su complementario, A, puesto que ambos son exhaustivos y
mutuamente excluyentes (si no ocurre A necesariamente lo har su complementario).
2010
0
S
Nmero de casos posibles

Nmero de casos favorables
10
Introducci
Introduccin al an
anlisis de datos
DEFINICI
TEMA 5
TEOREMA DE LA SUMA:
SUMA El Teorema de la Suma permite estimar la
probabilidad de que se produzca el suceso A el suceso B, traducida como la
unin de sucesos P(AB).
La probabilidad de la unin de dos sucesos compatibles es igual a la suma
de sus probabilidades menos la probabilidad de su interseccin.
P(AB) = P(A) + P(B) P(AB)
Nmero de hermanos
0
Alergias
Ejemplo, en el lanzamiento de un dado, se define el suceso A = {3} y el suceso B = {nmero

impar}, ambos sucesos son compatibles, es decir, pueden aparecer a la vez o
simultneamente. Si los sucesos son compatibles o simultneos entonces la interseccin
(tres e impar) no es el conjunto vaci AB .
2 o m
ms
75
40
35
150
No
25
150
175
350
100
190
210
500
P ( A)Con hermanos =
2010
n A 150 + 175 325

=
=
= 0,8125
N 190 + 210 400
AB=
11
2010
A=
P ( A) =
AB=
B=
1
6
P(B) =
P( A B) =
3
6
P( A B) =
1 3 1 3
+ = = 0 ,5
6 6 6 6
12
1
6
UNED
Introducci
Introduccin al an
anlisis de datos
DEFINICI
TEMA 5
Cuando los dos sucesos son incompatibles, es decir, no pueden ocurrir

simultneamente o la ocurrencia de uno implica la no ocurrencia del otro la
regla de la suma se simplifica:
P(AB) = P(A) + P(B)
Puesto que su interseccin es vaca: (AB) =
Ejemplo, en el lanzamiento de un dado, se define el suceso A = {2} y el suceso B = {nmero
impar}, ambos sucesos son incompatibles, no pueden aparecer a la vez. Si los sucesos son
incompatibles entonces la interseccin (dos e impar) es el conjunto vaci AB = .
A=
P ( A) =
AB=
B=
1
6
P(B) =
P( A B) =
AB=
3
6
P( A B) = 0
TEMA 4
9. Sabiendo que la P(A) = 0,40, que P(B) = 0,30 y que P(AB) = 0,15 entonces
P(AB) es:
a) 0,55
b) 0,85
c) 0,05
El Teorema de la Suma permite estimar la probabilidad de que se produzca el

suceso A el suceso B, traducida como la unin de sucesos P(AB).
a) La probabilidad de la unin de dos sucesos compatibles es igual a la suma de
sus probabilidades menos la probabilidad de su interseccin.
b) Cuando los dos sucesos son incompatibles, es decir, no pueden ocurrir
simultneamente o la ocurrencia de uno implica la no ocurrencia del otro la
regla de la suma se simplifica, puesto que su interseccin es vaca: (AB) =
P(AB) = P(A) + P(B)
1 3 4
+ = = 0 ,67
6 6 6
2010
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
2002 SEPTIEMBRE (MODELO A)
TEOREMA DE LA SUMA
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
13
2010
TEMA 4
UNED
9. Sabiendo que la P(A) = 0,40, que P(B) = 0,30 y que P(AB) = 0,15 entonces
P(AB) es:
a) 0,55
b) 0,85
c) 0,05
14
Introducci
Introduccin al an
anlisis de datos
PROBABILIDAD CONDICIONADA
TEMA 5
Dos
Dossucesos
sucesosAAyyBBson
sondependientes
dependientessi
sisu
suprobabilidad
probabilidadde
deocurrencia
ocurrenciase
seve
ve
afectada,
afectada, esta
esta condicionada
condicionada por
por la
la ocurrencia
ocurrencia (o
(o no
no ocurrencia)
ocurrencia) del
del otro.
otro.
Son
Son independientes
independientes en
en caso
caso contrario,
contrario, oo lo
lo que
que es
es lo
lo mismo,
mismo, si
si la
la
verificacin
o
no
verificacin
de
uno
no
altera,
no
condiciona,
verificacin o no verificacin de uno no altera, no condiciona, la
la
probabilidad
probabilidaddel
delotro.
otro.
Sucesos independientes:
Si realizamos el experimento aleatorio lanzar una moneda al aire y observar su cara
superior
superior dos veces consecutivas,
consecutivas, la probabilidad de obtener una cara en el
segundo lanzamiento es igual a , no dependiendo en absoluto de que en el primer
lanzamiento hubiese sucedido cara
cara o cruz
cruz. En otras palabras, la ocurrencia de cada
uno de los sucesos definidos no dependen para nada de los sucesos
sucesos obtenidos en
ensayos anteriores.
anteriores.
Teorema de la Suma para dos sucesos compatibles:

P(AB) = P(A) + P(B) P(AB) = 0,40 + 0,30 0,15 = 0,55
Sucesos dependientes:
Sin embargo, existen experimentos que no disponen de esta propiedad
propiedad y la
probabilidad de ocurrencia de sus resultados se ve afectada o condicionada
condicionada por los
sucesos obtenidos en ensayos anteriores.
anteriores. A este tipo de sucesos se les denomina
dependientes.
2010
15
2010
16
UNED
Introducci
Introduccin al an
anlisis de datos
TEMA 5
UNED
TEMA 5
La probabilidad del suceso A condicionada al suceso B, o dependiente de la aparicin

de B, se escribe como P(A|B) donde B es la condicin requerida
Sucesos dependientes:
Por ejemplo, supongamos una urna con cinco bolas de las cuales tres son azules y dos son
rojas. Definimos los sucesos A = {bola azul} y R = {bola roja}.
Ejemplo: en una determinada universidad tenemos la siguiente distribucin de sus 5.000

alumnos
Medicina (Md) Enfermera (E) Psicologa (Ps)
En la primera extraccin, las probabilidades de cada

suceso son respectivamente: P(A) = 3/5 y P(R) = 2/5.
Si en la primera extraccin la bola es roja

(condicin), la urna contiene ahora tres bolas
azules y una roja (casos favorables) y en la
segunda extraccin las probabilidades valen:
Si en la primera extraccin la bola es azul

(condicin), la urna contiene ahora dos bolas
azules y dos rojas (casos favorables) y en la
segunda extraccin las probabilidades son:
P(A) = 3/4 y P(R) = 1/4

Ejemplo: en una determinada universidad tenemos la siguiente distribucin de sus

5.000 alumnos
Medicina (Md) Enfermera (E) Psicologa (Ps)
400
1200
2000
1100
1300
3000
1000
1500
2500
5000
3000
1000
1500
2500
5000
casos favorables 2000

=
= 0,40
5000
casos posibles
P ( Ps ) =
UNED
600
2000
1300
2. Cul es la probabilidad de que estudio

psicologa?
TEMA 5
400
1200
1100
P (V ) =
2010
Mujeres (M)
400
600
1. Cul es la probabilidad de que sea

varn?
17
Varones (V)
400
Mujeres (M)
3. Cul es la probabilidad de que estudio

psicologa y sea varn? Probabilidad de
la interseccin: P(AB)
P(A) = 2/4 y P(R) = 2/4
2010
Varones (V)
Si elegimos aleatoriamente a uno de ellos:
Repaso
Si no devolvemos la bola extrada a la urna y realizamos una segunda extraccin las

probabilidad P(A) y P(R) ahora cambian porque ya no tenemos cinco bolas sino 4 (casos
posibles), y cada una de las probabilidades P(A) y P(R) dependen de que la primera bola
fuera azul o roja.
UNED


=
= 0,50
5000
casos posibles
P ( Ps V ) =

=
= 0,24
5000
casos posibles
18
Introducci
Introduccin al an
anlisis de datos
TEMA 5
La
Laprobabilidad
probabilidadde
deun
unsuceso,
suceso,A,
A,dada
dadala
laverificacin
verificacinde
deotro
otrosuceso,
suceso,B,
B,se
se
llama
BB,yyes
llamaprobabilidad
probabilidadcondicional
condicionalde
deAAdado
dadoB,
esigual
igualaalalaprobabilidad
probabilidadde
de
su
n dividido
n. Es
intersecci
condici
suintersecci
interseccin
divididopor
porla
laprobabilidad
probabilidadde
delalacondici
condicin.
Esdecir:
decir:
P( A | B) =
P( A B)
P( B)
Clculo de la probabilidad condicional con sucesos dependientes e independientes:
Supongamos que hemos elegido al azar un alumno y ha resultado ser varn,

Cul es la probabilidad de que estudio psicologa?
Nos estamos preguntando por la probabilidad condicional: P(Ps|V), es decir,
supuesto varn (V) Cul es la probabilidad de que estudie psicologa?
P( Ps | V ) =
=
= 0,60
casos posibles 2000
1200
P(Ps V) 5000 1200
P ( Ps | V ) =
=
=
= 0,60
2000 2000
P(V)
5000
Probabilidad de A condicionada a B o probabilidad de A suponiendo que ha sucedido B es:

P(A|B) = P(AB)/P(B)
Probabilidad de B condicionada a A o probabilidad de B suponiendo que ha sucedido A es:
P(B|A) = P(AB)/P(A)
Sucesos independientes
Probabilidad de A condicionada a B o probabilidad de A suponiendo que ha sucedido B es:
P(A|B) = P(A)
Probabilidad de B condicionada a A o probabilidad de B suponiendo que ha sucedido A es:
P(B|A) = P(B)
A partir de los resultados anteriores, podemos comprobar que

2010
Sucesos dependientes
19
2010
20
UNED
Introducci
Introduccin al an
anlisis de datos
TEMA 5
Tenemos dos grupos ficticios de 10 psic

psiclogos clasificados seg
segn su sexo y su experiencia.
experiencia.
TABLA A
Experiencia
TABLA B
Experiencia
UNED
Introducci
Introduccin al an
anlisis de datos
TEOREMA DEL PRODUCTO
TEMA 5
El Teorema del Producto permite estimar la probabilidad de que se produzcan

simultneamente dos sucesos y se traduce como la interseccin de sucesos:
P(AB)
Mujer
Varn
Mujer
Varn
Hasta 10 aos
Hasta 10 aos
45
15
60
Sucesos dependientes
Ms de 10 aos
Ms de 10 aos
15
20
10
60
20
80
La probabilidad de ocurrencia de A y B es igual a la probabilidad de ocurrencia de A por la

probabilidad de ocurrencia de B, dado que A ocurrido previamente:
Probabilidad de tener ms de 10 aos de experiencia:

Tabla A: P(+10) = 3/10 = 0,30
P(AB) = P(A) P(B|A)
Tabla B: P(+10) = 20/80 = 0,25
Probabilidad condicional de tener ms de 10 aos de experiencia dado que se ha extrado una

mujer:
Tabla A: P(+10|M) = 4/6 = 0,67
Tabla B: P(+10|M) = 15/60 = 0,25
En la Tabla B la probabilidad de +10 es igual a la probabilidad de +10 dado M: P(+10) =

P(+10|M) = 0,25. Eso significa que la probabilidad del suceso A no se ve alterada por el hecho
de que se produzca B. Cuando se cumple esta igualdad entre la probabilidad simple de un
suceso y la probabilidad condicional con respecto a otro suceso, P(A) = P(A|B), se dice que
los sucesos son independientes. Por el contrario, cuando no se cumple esta condicin se
dice que los sucesos son dependientes
2010
UNED
21
Introducci
TEMA 5
Introduccin al an
anlisis de datos
TEOREMA DEL PRODUCTO:
PRODUCTO: Sucesos dependientes
Sucesos independientes
La probabilidad de ocurrencia de A y B es igual a la probabilidad de ocurrencia de A por la
probabilidad de ocurrencia de B:
P(AB) = P(A) P(B)
La probabilidad de ocurrencia simultnea de dos sucesos independientes es igual al
producto de sus probabilidades simples.
2010
UNED
22
Introducci
TEMA 5
Introduccin al an
anlisis de datos
Ejemplo: Supongamos una urna con cinco bolas de las cuales tres son verdes y dos son
rojas. Introducimos la mano en la urna y extraemos una bola (primera extraccin). Sin
devolver la bola que hemos extrado a la urna, volvemos a introducir la mano y extraemos otra
bola (segunda extraccin )
Ejemplo: Supongamos una urna con cinco bolas de las cuales tres son verdes y dos son
rojas. Introducimos la mano en la urna y extraemos una bola (primera extraccin). Sin
devolver la bola que hemos extrado a la urna, volvemos a introducir la mano y extraemos otra
bola (segunda extraccin )
Cul es la probabilidad de que las dos bolas

extradas sean rojas?

extradas sean verdes?
La probabilidad pedida ser igual a la probabilidad de que en la primera extraccin la bola sea
roja por la probabilidad de que en la segunda extraccin la bola sea roja supuesto que en la
primera tambin lo ha sido, es decir,
La probabilidad pedida ser igual a la probabilidad de que en la primera extraccin la bola sea
verde por la probabilidad de que en la segunda extraccin la bola sea verde supuesto que en
la primera tambin lo ha sido, es decir,
P(R1 R2) = P(R1) P(R2|R1) = 2/5 1/4 = 0,1
P(V1 V2) = P(V1) P(V2|V1) = 3/5 2/4 = 0,3
La probabilidad de que en la primera

extraccin la bola sea roja es:
P(R1) = 2/5
2010
Si en la primera extraccin la bola fue roja

(condicin), la urna contendr dos bolas
verdes y dos rojas :
La probabilidad de que en la primera

extraccin la bola sea verde es:
P(R2|R1) = 1/4
23
P(V1) = 3/5
2010
Si en la primera extraccin la bola fue verde

(condicin), la urna contendr dos bolas
verdes y dos rojas :
P(V2|V1) = 2/4
24
UNED
Introducci
TEMA 5
Introduccin al an
anlisis de datos
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4

extradas sean de distinto color?
16. Con los datos de la tabla 3, si elegimos al azar a un nio, cul es la probabilidad de
que tenga alergia y no tenga hermanos?
La probabilidad pedida ser igual a la probabilidad de que una sea verde y la otra roja (V y R)
pero esto puede ocurrir de dos maneras: que la primera sea verde y la segunda roja (V1R2) o
que la primera sea roja y la segunda verde (R1V2), es decir,
a) 0,15
b) 0,50
c) 0,75
Nmero de hermanos
P(V1R2) + P(R1V2) = [P(V1) P(R2|V1)] + [P(R1) P(V2|R1)] =
= (3/5 2/4) + (2/5 3/4) = 0,60

P(V1R2) = P(V1) P(R2|V1). La probabilidad de que
en la primera extraccin la bola sea verde por la
probabilidad de que en la segunda extraccin la
bola sea roja dado que se ha obtenido una bola
verde en la primera
P(R1V2) = P(R1) P(V2|R1). La probabilidad de que

en la primera extraccin la bola sea roja por la
probabilidad de que en la segunda extraccin la
bola sea verde dado que se ha obtenido una bola
roja en la primera
Alergias
P(R2|V1) = 2/4
P(R1) = 2/5
75
40
35
150
No
25
150
175
350
100
190
210
500
P( A B)
P( B)
P( A B) = P(B) P( A | B)
P(V2|R1) = 3/4
2010
UNED
2 o m
ms
P( A | B) =
P(V1) = 3/5
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
25
2010
TEMA 4
UNED
26
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
16. Con los datos de la tabla 3, si elegimos al azar a un nio, cul es la probabilidad de
que tenga alergia y no tenga hermanos?
15. Con los datos de la tabla 3, hemos elegido al azar un nio que resulta tener 2
hermanos, cul es la probabilidad de que tenga alergias?
a) 0,15
b) 0,50
c) 0,75
a) 0,07
b) 0,17
c) 0,42
Nmero de hermanos
Alergias
Nmero de hermanos
2 o m
ms
75
40
35
150
No
25
150
175
350
100
190
210
500
Alergias
P ( A 0h) =
2010
75
= 0,15
500
75
40
2 o m
ms
35
150
No
25
150
175
350
100
190
210
500
P( A | B) =
27
0
S
2010
P( A B)
P( B)
28
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
2010 FEBRERO (MODELO C)
15. Con los datos de la tabla 3, hemos elegido al azar un nio que resulta tener 2
hermanos, cul es la probabilidad de que tenga alergias?
15. Atendiendo a la Grfica 1, si seleccionamos al azar a un nio, cul es la

probabilidad de que estudio en un centro pblico y que realice deberes en casa?
a) 0,07
b) 0,17
c) 0,42
a) 0,64
b) 0,50
c) 0,30
Nmero de hermanos
Alergias
S
No
2 o m
ms
75
40
35
150
25
150
175
350
100
190
210
500
P( A | B) =
P( A B)
P( B)
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
S
No
Pblico
35
35
P( A 2h) 500
P ( A | 2h) =
=
=
= 0,17
210
P ( 2h)
210
500
Privado
Grfica 1. Diagramas de barras en el que se representan conjuntamente la titularidad del

centro de primaria en el que estudian los alumnos (X) y si realizan deberes o no en casa (Y)
2010
UNED
110
100
90
80
70
60
50
40
30
20
10
0
29
2010
TEMA 4
UNED
30
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
15. Atendiendo a la Grfica 1, si seleccionamos al azar a un nio, cul es la

probabilidad de que estudio en un centro pblico y que realice deberes en casa?
16. Con los datos de la Grfica 1, si se elige al azar un nio y ha resultado ser de un
centro privado, cul es la probabilidad de que no haga deberes en casa?
a) 0,64
b) 0,50
c) 0,30
a) 2/3
b) 1/3
c) 1/6
110
100
90
80
70
60
50
40
30
20
10
0
S
No
Pblico
Deberes
Pblico
Privado
90
50
140
No
60
100
160
150
150
300
S
No
Pblico
Privado
P ( Publico Deberes) =
2010
110
100
90
80
70
60
50
40
30
20
10
0
90
= 0,30
300
31
Privado
Grfica 1. Diagramas de barras en el que se representan conjuntamente la titularidad del

centro de primaria en el que estudian los alumnos (X) y si realizan deberes o no en casa (Y)
2010
32
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
2010 SEPTIEMBRE (MODELO B)
16. Con los datos de la Grfica 1, si se elige al azar un nio y ha resultado ser de un
centro privado, cul es la probabilidad de que no haga deberes en casa?
16. Con los datos de la tabla 1, elegimos al azar, sucesivamente y sin reposicin, dos
parejas casadas en Madrid en el ao 200, cul es la probabilidad de que las dos estn
divorciadas?
a) 2/3
b) 1/3
c) 1/6
a) 0,3
b) 0,09
c) 0,6
110
100
90
80
70
60
50
40
30
20
10
0
Deberes
S
No
Pblico
Privado
90
50
140
No
60
100
160
150
150
300
P ( NoDeberes | Privado) =
Pblico
P ( NoDeberes | Privado) =
Privado
100
= 0,667
150
Nmero de hijos
0
Divorciados
2 o m
ms
No
20
40
10
10
10
10
Tabla 1. Se ha tomado una muestra aleatoria de 100 parejas, que se casaron en Madrid en el ao
200. Se ha tomado nota del nmero de hijos y de si las parejas se han divorciado o no
100 1
P ( NoDeberes Privado) 300 3 2
=
= =
150 1 3
P ( Privado)
300 2
2010
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
33
2010
TEMA 4
UNED
34
Introducci
TEMA 5
Introduccin al an
anlisis de datos
PRODUCTO: Sucesos independientes
2010 SEPTIEMBRE (MODELO B)
16. Con los datos de la tabla 1, elegimos al azar, sucesivamente y sin reposicin, dos
parejas casadas en Madrid en el ao 200, cul es la probabilidad de que las dos estn
divorciadas?
a) 0,3
b) 0,99
c) 0,6
P(C C) = P(C) P(C) = 0,5 0,5 = 0,25

Puesto que la probabilidad de obtener cara en el segundo lanzamiento no depende del
resultado obtenido en el primer lanzamiento (son ensayos independientes)
Nmero de hijos
Divorciados
Lanzamos al aire una moneda imparcial en dos ocasiones, cul es la probabilidad de

obtener dos caras?
2 o m
ms
No
20
40
10
10
10
10
30
30
50
20
100
70
Tabla 1. Se ha tomado una muestra aleatoria de 100 parejas, que se casaron en Madrid en el ao
200. Se ha tomado nota del nmero de hijos y de si las parejas se han divorciado o no
P ( Divorciado Divorciado ) =
2010
30 29
= 0,0878787 0,09
100 99
35
2010
36
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
15. Si colocamos una rata en dos ocasiones en un laberinto, como el recogido en la

Figura 1, y suponemos que no hay aprendizaje (los ensayos son independientes) cul
es la probabilidad de que escoja la misma salida en las dos ocasiones?
15. Si colocamos una rata en dos ocasiones en un laberinto, como el recogido en la

Figura 1, y suponemos que no hay aprendizaje (los ensayos son independientes) cul
es la probabilidad de que escoja la misma salida en las dos ocasiones?
a) 0,06
b) 0,25
c) 0,50
a) 0,06
b) 0,25
c) 0,50
B
P ( A A) = P ( A) P ( A) =
1 1 1
=
4 4 16
P( B B) = P( B) P( B) =
1 1 1
=
4 4 16
Figura 1. Rata situada en un laberinto con cuatro salidas (A, B, C y D) equiprobables
1 1 1
P (C C ) = P (C ) P (C ) = =
4 4 16
P( D D) = P( D) P( D) =
P ( A B ) = P ( A) P ( B )
P = 4
1
= 0,25
16
Figura 1. Rata situada en un

laberinto con cuatro salidas (A, B,
C y D) equiprobables
1 1 1
=
4 4 16
P ( A B ) = P ( A) P ( B )
2010
UNED
Introducci
Introduccin al an
anlisis de datos
TEOREMA DE BAYES
37
2010
TEMA 5
UNED
Ejemplo: En una planta psiquitrica hay 5 paciente de los cuales 1 padece psicosis, 2
neurosis y 2 esquizofrenia. Se sabe adems que la probabilidad de que un paciente
responda favorablemente al tratamiento es 0,6 si padece psicosis, 0,9 si padece
neurosis y 0,8 si padece esquizofrenia. Elegido aleatoriamente un paciente, hemos
observado que ha respondido favorablemente al tratamiento Cul es la probabilidad de
que ese sujeto padezca Neurosis?
Llamaremos P a ser psictico, N a ser neurtico y E a ser esquizofrnico. Llamaremos F

a responder favorablemente al tratamiento y F a no responder favorablemente. Los datos
de los que disponemos, son los siguientes:
Datos:
P(P) = 1/5 = 0,2
P(F|P)= 0,6
P(N) = 2/5 = 0,4
P(F|N) = 0,9
P(F|E) = 0,8
P(N) = 2/5 = 0,4
P(E) = 2/5 = 0,4
P(F|P)= 0,6
P(F|N) = 0,9
P(F|E) = 0,8
Debemos obtener la probabilidad de que el sujeto extrado padezca Neurosis,
sabiendo que, o dado que, ha respondido favorablemente al tratamiento

P(N|F)?
P(N|F)?:
P( N ) P(F | N )
P( N F )
P( N | F ) =
P( N | F ) =
P(F )
P(F )
Diagrama de rbol
0,2
P( N F )
P( N | F ) =
P(F )
0,6
0,4
0,4
0,9
0,1
0,8
0,2
0,4
39
TEMA 5
P(P) = 1/5 = 0,2
sabiendo que, o dado que, ha respondido favorablemente al tratamiento

P(N|F)?
P(N|F)?:
2010
Introducci
Introduccin al an
anlisis de datos
TEOREMA DE BAYES
P(E) = 2/5 = 0,4
Debemos obtener la probabilidad de que el sujeto extrado padezca Neurosis,
Definicin de
probabilidad
condicionada
Datos:
38
2010
Teorema del Producto
P( N F ) = P( N ) P(F | N )
P ( N F ) = 0,4 0,9 = 0,36
P(F ) = P( P F ) + P( N F ) + P( E F )
P ( P F ) = P ( P ) P ( F | P ) = 0,2 0,6 = 0,12
P ( N F ) = P ( N ) P ( F | N ) = 0,4 0,9 = 0,36
P ( E F ) = P ( E ) P ( F | E ) = 0,4 0,8 = 0,32
P ( F ) = 0,36 + 0,12 + 0,32 = 0,80
40
UNED
Introducci
Introduccin al an
anlisis de datos
TEOREMA DE BAYES
TEMA 5
Probabilidad de que el sujeto extrado padezca Neurosis, sabiendo que, o

dado que, ha respondido favorablemente al tratamiento P(N|F)?
P(N|F)?:
P( N | F ) =
P( N F )
P(F )
P( N | F ) =
Diagrama de rbol
0,6
0,4
0,9
0,1
0,8
0,2
P
0,2
0,4
0,4
0,36
= 0,45
0,80
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
14. En una determinada asignatura, el 70% de los alumnos dedican al menos 2 horas
diarias al estudio y aprueban el 90% mientras que el 30% dedican menos de 2 horas
diarias y slo aprueban el 20%. Cul es la probabilidad de que un alumno elegido al
azar apruebe la asignatura?
a) 0,63
b) 0,69
c) 0,94
Datos
P( N F ) = P( N ) P(F | N )
P ( N F ) = 0,4 0,9 = 0,36
P(2h)= 0,7
Diagrama de rbol
P(<2h)= 0,3
0,7
2 h.
P(Aprobar|2h) = 0,9
P(F ) = P( P F ) + P( N F ) + P( E F )
P ( P F ) = P ( P ) P ( F | P ) = 0,2 0,6 = 0,12
P ( N F ) = P ( N ) P ( F | N ) = 0,4 0,9 = 0,36
P ( E F ) = P ( E ) P ( F | E ) = 0,4 0,8 = 0,32
P ( F ) = 0,36 + 0,12 + 0,32 = 0,80
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
Teorema del Producto
2010
UNED
UNED
P(Aprobar|<2h) = 0,2
P(Suspender|2h) = 0,1
0,3
2010
TEMA 4
UNED
Aprueban
0,1
Suspenden
0,2
Aprueban
0,8
Suspenden
< 2 h.
P(Suspender|<2h) = 0,8
41
0,9
42
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
14. En una determinada asignatura, el 70% de los alumnos dedican al menos 2 horas
diarias al estudio y aprueban el 90% mientras que el 30% dedican menos de 2 horas
diarias y slo aprueban el 20%. Cul es la probabilidad de que un alumno elegido al
azar apruebe la asignatura?
15. Con los datos de la pregunta anterior, elegido un alumno al azar resulta que ha
aprobado, cul es la probabilidad de que haya estudiado al menos dos horas diarias?
a) 0,63
b) 0,69
c) 0,94
a) 0,50
b) 0,70
c) 0,91
P ( Aprobar ) = P ( Aprobar 2h) + P ( Aprobar < 2h) =
Datos
Diagrama de rbol
P(2h)= 0,7
P ( Aprobar ) = P ( 2h) P ( Aprobar | 2h) + P (< 2h) P ( Aprobar |< 2h)
P(<2h)= 0,3
0,7
2 h.
P(Aprobar|2h) = 0,9
Diagrama de rbol
0,7
0,3
2010
2 h.
0,9
P(Suspender|2h) = 0,1
Aprueban
0,1
Suspenden
0,2
Aprueban
0,8
Suspenden
< 2 h.
P ( Aprobar ) = 0,7 0,9 + 0,3 0,2 = 0,69
P(Aprobar|<2h) = 0,2
0,3
0,9
Aprueban
0,1
Suspenden
0,2
Aprueban
0,8
Suspenden
< 2 h.
P(Suspender|<2h) = 0,8
TEOREMA DE BAYES
P( A | B) =
43
2010
P( A B)
P( B)
P( A | B) =
P ( A) P ( B | A)
P( B)
44
UNED
Introducci
Introduccin al an
anlisis de datos
EJEMPLOS
TEMA 4
15. Con los datos de la pregunta anterior, elegido un alumno al azar resulta que ha
aprobado, cul es la probabilidad de que haya estudiado al menos dos horas diarias?
a) 0,50
b) 0,70
c) 0,91
P( A | B) =
Diagrama de rbol
0,7
0,3
2 h.
0,9
Aprueban
0,1
Suspenden
0,2
Aprueban
0,8
Suspenden
< 2 h.
P ( 2h | Aprobado ) =
2010
P ( A) P ( B | A)
P( B)
P ( 2h.)P ( Aprobado | 2h.)

P ( Aprobado )
0,7 0,9
0,63
=
= 0,9130
0,7 0,9 + 0,3 0,2 0,69
45

Tema 5 Nociones Básicas de Probabilidad PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tema 5 Nociones Básicas de Probabilidad PDF

Hochgeladen von

Copyright:

Verfügbare Formate

UNED

Introduccin al anlisis de datos

1. Experimento aleatorio: el lanzamiento de un dado, constituye un experimento

Todos los resultados posibles son conocidos con anterioridad a su realizacin

En los temas estudiados, el anlisis estadstico se ha limitado a la descripcin

Centro Asociado A Coru

Un experimento aleatorio es un proceso, que se puede repetir indefinidamente en

2. Espacio muestral: conjunto de todos los resultados posibles de un experimento

OPERACIONES CON SUCESOS.

1. UNIN: Llamaremos unin de dos sucesos A y B, y lo representaremos por A B, al

Ejemplo: Suceso A = obtener un cuatro A =

2. INTERSECCIN: Llamaremos interseccin de dos sucesos A y B, y lo

Ejemplo: Suceso C = obtener un mltiplo de 3 C =

3. COMPLEMENTARIO: Llamaremos complementario de un suceso A, y lo

OPERACIONES CON SUCESOS / DIAGRAMAS DE VENN

Expondremos tres definiciones diferentes de probabilidad (la definicin clsica, la

La probabilidad de un suceso es igual al cociente entre el nmero de casos favorables de

La definicin estadstica de probabilidad es el lmite al que tiende la frecuencia relativa de

A esta probabilidad la representamos por P(A) y de acuerdo a esta definicin es:

Nmero de casos favorables

El espacio muestral, conjunto de todos los resultados posibles, es:

Si repetimos un experimento aleatorio muchas veces, y anotamos las frecuencias relativas de

2010 FEBRERO (MODELO A)

La probabilidad es un nmero entre 0 y 1 asociado a un suceso y que posee varias propiedades

Dado un espacio muestral E, llamamos probabilidad de un suceso A definido en el espacio

2010 FEBRERO (MODELO A)

Tabla 3. Prevalencia de las alergias de un grupo de nios segn el nmero de hermanos

La tercera indica que la probabilidad de un suceso A puede obtenerse tambin restando de

Nmero de casos posibles

Ejemplo, en el lanzamiento de un dado, se define el suceso A = {3} y el suceso B = {nmero

Tabla 3. Prevalencia de las alergias de un grupo de nios segn el nmero de hermanos

n A 150 + 175 325

Cuando los dos sucesos son incompatibles, es decir, no pueden ocurrir

El Teorema de la Suma permite estimar la probabilidad de que se produzca el

2002 SEPTIEMBRE (MODELO A)

2002 SEPTIEMBRE (MODELO A)

Teorema de la Suma para dos sucesos compatibles:

P(AB) = P(A) + P(B) P(AB) = 0,40 + 0,30 0,15 = 0,55

La probabilidad del suceso A condicionada al suceso B, o dependiente de la aparicin

Ejemplo: en una determinada universidad tenemos la siguiente distribucin de sus 5.000

En la primera extraccin, las probabilidades de cada

Si en la primera extraccin la bola es roja

Si en la primera extraccin la bola es azul

P(A) = 3/4 y P(R) = 1/4

Introduccin al anlisis de datos

Ejemplo: en una determinada universidad tenemos la siguiente distribucin de sus

casos favorables 2000

2. Cul es la probabilidad de que estudio

1. Cul es la probabilidad de que sea

3. Cul es la probabilidad de que estudio

P(A) = 2/4 y P(R) = 2/4

Si elegimos aleatoriamente a uno de ellos:

Si no devolvemos la bola extrada a la urna y realizamos una segunda extraccin las

Introduccin al anlisis de datos

casos favorables 2500

casos favorables 1200

Clculo de la probabilidad condicional con sucesos dependientes e independientes:

Supongamos que hemos elegido al azar un alumno y ha resultado ser varn,

Probabilidad de A condicionada a B o probabilidad de A suponiendo que ha sucedido B es:

A partir de los resultados anteriores, podemos comprobar que

Tenemos dos grupos ficticios de 10 psic

El Teorema del Producto permite estimar la probabilidad de que se produzcan

La probabilidad de ocurrencia de A y B es igual a la probabilidad de ocurrencia de A por la