Probabilidad

8 de octubre de 2013

Hoy empezamos apostando...

¿Pens´ ais que hay al menos dos personas en el aula que cumplen a˜ nos el mismo d´ ıa?

Probabilidad

Probabilidades por doquier
Vinculada inicialmente a los juegos de azar, la probabilidad aparece siempre que queremos saber si algo va a ocurrir o no: ¿Cu´ al es la probabilidad de que salga un seis en una tirada de dado? ¿Cu´ al es la probabilidad de acertar los seis n´ umeros de la loter´ ıa primitiva? ¿Cu´ al es la probabilidad de que ma˜ nana llueva? ¿Cu´ al es la probabilidad de que la semana que viene haya un examen de evaluaci´ on continua? ¿Cu´ al es la probabilidad de que explote el sol en el pr´ oximo a˜ no? ···
Probabilidad

Un poco de historia
La Teor´ ıa de la Probabilidad surgi´ o de los estudios realizados sobre los juegos de azar, y estos se remontan miles de a˜ nos atr´ as. Como primeros trabajos con cierto formalismo cabe destacar los realizados por Cardano y Galilei (siglo XVI), aunque las bases de esta teor´ ıa fueron desarrolladas por Pascal y Fermat en el siglo XVII. De ah´ ı en adelante grandes cient´ ıficos han contribuido al desarrollo de la Probabilidad, como Bernouilli, Bayes, Euler, Gauss,... en los siglos XVIII y XIX. Ser´ ıa a finales del siglo XIX y principios del XX cuando la Probabilidad adquiera una mayor formalizaci´ on matem´ atica, debida en gran medida a la llamada Escuela de San Petesburgo en la que cabe destacar los estudios de Tchebychev, Markov y Liapunov. La Teor´ ıa de la Probabilidad tal como se concibe hoy en d´ ıa fue establecida por Kolmogorov (1903-1997). Introdujo, como veremos, la probabilidad mediante una definici´ on axiom´ atica.
Probabilidad

5 indican que es tan veros´ ımil que ocurra el suceso como que no ¿Cu´ ando una probabilidad es peque˜ na? Depende Probabilidad .La intuici´ on de la probabilidad La mayor´ ıa de la gente tiene una noci´ on de lo que significa la probabilidad de que algo ocurra: La probabilidad son n´ umeros comprendidos entre 0 y 1 que reflejan las expectativas de que un suceso ocurra Probabilidades pr´ oximas a 1 indican que cabe esperar que ocurran los sucesos en cuesti´ on Probabilidades pr´ oximas a 0 indican que no cabe esperar que ocurran los sucesos en cuesti´ on Probabilidades pr´ oximas a 0.

Experimento aleatorio El c´ alculo de probabilidades es la rama de la matem´ atica que estudia los experimentos aleatorios. Entenderemos que un experimento aleatorio es una acci´ on que produce un resultado verificando: Todos los posibles resultados son conocidos de antemano No se puede predecir de antemano el resultado del experimento El experimento puede repetirse bajo id´ enticas condiciones tantas veces como se quiera Probabilidad .

8 1.2 0.Una regla emp´ ırica Cuando se repite bajo id´ enticas condiciones un experimento aleatorio la frecuencia relativa de un resultado dado se aproxima siempre a un n´ umero fijo.6 0. Frecuencia de cara 0.0 0 0.0 500 1000 1500 Lanzamientos 2000 2500 3000 Probabilidad .4 0.

A veces no coincide con la evidencia emp´ ırica. Exige saber contar el n´ umero de elementos de un conjunto (combinatoria). Probabilidad .Asignaci´ on de probabilidades: Regla de Laplace La regla de Laplace es la famosa f´ ormula de casos favorables partido por casos posibles Origen juegos de azar Presupone que todos los resultado son igualmente probables. A veces el conjunto de posibles resultados no se puede contar (no es numerable).

Se usa a veces cuando no es posible observar repetidamente el suceso Compa˜ n´ ıas de seguros: cubrir cat´ astrofes puntuales Cubrir riesgos financieros Decidir sobre el riesgo del cambio clim´ atico Se usa tambi´ en como asignaci´ on inicial (a priori) que ser´ a posteriormente depurada (a posteriori ) a la vista de los sucesivos resultados del experimento aleatorio. Probabilidad .Asignaci´ on de probabilidades: M´ etodo subjetivo Asignaci´ on personal sobre la posibilidad de que algo ocurra El valor asignado depender´ a de lo que se “est´ e dispuesto a apostar” por que algo va a ocurrir.

Sin embargo. sino una cualidad objetiva. As´ ı se obtiene un modelo matem´ atico que es compatible con la evidencia emp´ ırica que sirve para justificar el concepto de probabilidad. No es algo subjetivo.Asignaci´ on de probabilidades: m´ etodo frecuentista El concepto frecuentista de probabilidad se basa en la regla emp´ ırica que enunciamos anteriormente: “cuando la moneda se lanza numerosas veces. uno de los grandes ´ exitos de la teor´ ıa de la probabilidad que se desarroll´ o en el siglo pasado fue que cre´ o un modelo l´ ogico donde se pod´ ıa demostrar la ley de la regularidad de las frecuencias como consecuencia del modelo. La regla anterior es una ley emp´ ırica. La probabilidad es por tanto una idealizaci´ on de las frecuencias observadas. Probabilidad . la frecuencia relativa del n´ umero de cruces se aproxima a un valor ideal que denominaremos probabilidad”.

Probabilidad .Espacio muestral y sucesos elementales Espacio muestral: Se denota mediante la letra Ω y representa el conjunto de todos los posibles resultados del experimento aleatorio. del experimento aleatorio. ω ∈ Ω. Suceso elemental: Un suceso elemental es cada uno de los posibles resultados.

Debido al tr´ afico los dos s´ olo pueden estar seguros de llegar entre las doce y la una. Describe el espacio muestral. Cada tirador dispone de cuatro balas. 3. Un tirador deja de disparar una vez alcanza el blanco. 2. Describe el espacio muestral de este experimento. 4. Describir un espacio muestral que permita estudiar el n´ umero de balas que se consumen en el proceso. Probabilidad . Cada uno sobre el suyo. Dos amigos deciden encontrarse para comer en un lugar determinado. Describe el espacio muestral. Dos tiradores disparan independientemente sobre un blanco. Consideremos el experimento aleatorio de lanzar cuatro dados.Espacio muestral: Ejemplos 1. Consideremos el experimento aleatorio “Tiempo que esperamos por nuestro bus en la parada”.

Consideremos el experimento aleatorio de lanzar dos veces un dado. Probabilidad . Describe el suceso S =Los dados suman siete 2. Supongamos que los dos amigos deciden no esperar m´ as de 15 minutos desde que llegan hasta el final de la hora. Describe el suceso E =Los amigos se encuentran.Sucesos A un conjunto de resultados de un experimento aleatorio se denomina suceso. Dos amigos deciden encontrarse para comer en un lugar determinado. Ejemplos 1. Debido al tr´ afico los dos s´ olo pueden estar seguros de llegar entre las doce y la una.

A ∪ B . de un suceso A representa el suceso no sucede A Intersecci´ on: La intersecci´ on.Operaciones con sucesos Las operaciones con conjuntos son u ´tiles en el c´ alculo de probabilidades. de dos sucesos A y B representa el suceso pasa A pero no B Ac A∪B B A A∩B A A B Probabilidad . Complementario: El complementario. A ∩ B . Ac . de dos sucesos A y B representa el suceso pasa A y B Uni´ on: La uni´ on. de dos sucesos A y B representa el suceso pasa A o B Diferencia: La diferencia. A\B .

Describe el suceso C \F 4. Sea el suceso O los dados suman 8 y U uno de los dados es un uno. Consideremos el experimento aleatorio consistente en lanzar dos veces un dado. Consideremos el experimento aleatorio consistente en lanzar cuatro veces un dado. Describe este suceso.Operaciones con sucesos: Ejemplos 1. Probabilidad . Sea C el suceso los dados suman cuatro y F el segundo dado es distinto de dos. Supongamos que apostamos a que sacamos al menos un seis. Escribe este suceso como intersecci´ on de otros dos. Consideremos el experimento aleatorio consistente en lanzar dos veces un dado. Supongamos que apostamos a que sacamos dos seises. ¿C´ omo ser´ ıa el complementario? 3. 2. Calcula O ∩ U . Consideremos el experimento aleatorio consistente en lanza dos veces un dado.

Leyes de De Morgan (A ∪ B )c = Ac ∩ B c A B Probabilidad .

Probabilidades mediante frecuencias X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 Cuadro: Color de ojos y el color del pelo (Fisher. 1940) Probabilidad .

1940) P (“Ojos casta˜ nos”) = 1775/5387 Probabilidad .Probabilidades mediante frecuencias X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 Cuadro: Color de ojos y el color del pelo (Fisher.

1940) P (“Ojos casta˜ nos”) = 1775/5387 P (“Pelo rubio”) = 1455/5387 Probabilidad .Probabilidades mediante frecuencias X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 Cuadro: Color de ojos y el color del pelo (Fisher.

1940) P (“Ojos casta˜ nos”) = 1775/5387 P (“Pelo rubio”) = 1455/5387 P (“Pelo rubio” o “Ojos casta˜ nos”) = 2886/5387 Probabilidad .Probabilidades mediante frecuencias X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 Cuadro: Color de ojos y el color del pelo (Fisher.

1940) P (“Ojos casta˜ nos”) = 1775/5387 P (“Pelo rubio”) = 1455/5387 P (“Pelo rubio” o “Ojos casta˜ nos”) = 2886/5387 P (“Pelo rubio” y “Ojos casta˜ nos”) = 343/5387 Probabilidad .Probabilidades mediante frecuencias X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 Cuadro: Color de ojos y el color del pelo (Fisher.

1940) P (“Ojos casta˜ nos”) = 1775/5387 P (“Pelo rubio”) = 1455/5387 P (“Pelo rubio” o “Ojos casta˜ nos”) = 2886/5387 P (“Pelo rubio” y “Ojos casta˜ nos”) = 343/5387 P (“Pelo rubio” o “Pelo casta˜ no”) = (1455 + 2137)/5387 Probabilidad .Probabilidades mediante frecuencias X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 Cuadro: Color de ojos y el color del pelo (Fisher.

son sucesos que no pueden ocurrir simult´ aneamente (incompatibles) entonces P (A1 ∪ A2 · · · ) = P (A1 ) + P (A2 ) + · · · Nota Si el conjunto Ω no es numerable es posible que no se pueda definir una probabilidad no trivial para todos los sucesos. . Esto ocurre por ejemplo cuando Ω = R. . . Este problema se soluciona definiendo la probabilidad en una familia de sucesos m´ as peque˜ na donde s´ ı exista una probabilidad con las propiedades deseadas. Probabilidad .Definici´ on de probabilidad Una probabilidad es una regla que asigna a cada suceso A un n´ umero comprendido entre cero y uno verificando las siguientes propiedades: Si Ω denota el conjunto de todos los posibles resultados del experimento aleatorio P (Ω) = 1 Si A1 . A2 .

An son incompatibles dos a dos. . Ai ∩ Aj = ∅. i = j .Propiedades de la probabilidad (I) De los axiomas se pueden deducir una serie de propiedades. . P (Ac ) = 1 − P (A) Si A ⊂ B entonces P (A) ≤ P (B ) Si A y B son dos sucesos (no necesariamente incompatibles) entonces P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ) Probabilidad . entonces P (A1 ∪ · · · ∪ An ) = P (A1 ) + · · · + P (An ). . . P (∅) = 0 Si A1 . es decir.

Propiedades de la probabilidad (II) X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 P (“Pelo rubio” o “Ojos casta˜ nos”) = P (“Pelo rubio”) +P (“Ojos casta˜ nos”) − P (“Pelo rubio” y “Ojos casta˜ nos”) Probabilidad .

Prueba que P (A ∪ B ∪ C ) = P (A) + P (B ) + P (C ) − P (A ∩ B ) − P (A ∩ C ) − P (B ∩ C ) + P (A ∩ B ∩ C ). ¿Cu´ al ser´ ıa el resultado para n sucesos A1 . . An ? Probabilidad .Propiedades de la probabilidad (III) Ejercicio Sean A. B . . . no necesariamente incompatibles. C tres sucesos.

¿Cu´ al es la probabilidad de que ma˜ nana llueva? Probabilidad ..La probabilidad de un suceso? Pues depende..

La probabilidad de un suceso? Pues depende..... ¿Cu´ al es la probabilidad de que ma˜ nana llueva? Pues depende. Probabilidad .

. ¿Cu´ al es la probabilidad de que ma˜ nana llueva? Pues depende... Andaluc´ ıa. De la estaci´ on del a˜ no Del lugar donde se haga la pregunta (Galicia. Sahara) De lo que diga “el hombre del tiempo”.La probabilidad de un suceso? Pues depende.. Probabilidad ...

La probabilidad de un suceso? Pues depende. Andaluc´ ıa... ¿C´ omo reflejar esa dependencia? Probabilidad . As´ ı que hay determinadas situaciones que condicionan nuestras creencias sobre la ocurrencia o no de determinado suceso.. De la estaci´ on del a˜ no Del lugar donde se haga la pregunta (Galicia.. ¿Cu´ al es la probabilidad de que ma˜ nana llueva? Pues depende.. Sahara) De lo que diga “el hombre del tiempo”..

Noci´ on de probabilidad condicionada (I) X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 ¿Probabilidad de que una persona con ojos azules tenga pelo rubio? Probabilidad .

Noci´ on de probabilidad condicionada (I) X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 ¿Probabilidad de que una persona con ojos azules tenga pelo rubio? P (Pelo rubio|Ojos azules) = 326/718 Probabilidad .

Noci´ on de probabilidad condicionada (I) X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 ¿Probabilidad de que una persona con ojos azules tenga pelo rubio? P (Pelo rubio|Ojos azules) = 326/718 ¿Probabilidad de que una persona con ojos oscuros tenga pelo rubio? Probabilidad .

Noci´ on de probabilidad condicionada (I) X \Y claros azules casta˜ nos oscuros total rubio 688 326 343 98 1455 pelirrojo 116 38 84 48 286 casta˜ no 584 241 909 403 2137 oscuro 188 110 412 681 1391 negro 4 3 26 85 118 1580 718 1774 1315 5387 ¿Probabilidad de que una persona con ojos azules tenga pelo rubio? P (Pelo rubio|Ojos azules) = 326/718 ¿Probabilidad de que una persona con ojos oscuros tenga pelo rubio? P (Pelo rubio|Ojos oscuros) = 98/1315 Probabilidad .

Noci´ on de probabilidad condicionada (II) Dados dos sucesos A y B tal que P (B ) > 0 se define P (A|B ) = A∩B A P (A ∩ B ) P (B ) Ω Ahora el conjunto total es B B P (A ∩ B ) = P (A|B ) Probabilidad .

A y B son independientes (compru´ ebalo) Probabilidad .Independencia Se dice que dos sucesos A y B son independientes si P (A ∩ B ) = P (A)P (B ). o equivalentemente (si P (B ) > 0) P (A|B ) = P (A). B = {Sale cara en el primer lanzamiento}. Ejemplo Lanza una moneda dos veces A = {Sale cara en el segundo lanzamiento}.

iba de camino al estado de Poitou cuando conoci´ o a Blaise Pascal. un noble franc´ es del siglo XVII. De M` er´ e le plante´ o el siguiente problema: ¿Es favorable a mis intereses apostar a que saldr´ a al menos un 6 en cuatro tiradas de un dado? Probabilidad .Ejemplo uso independencia El Caballero de M` er´ e.

∩ An−1 ) Probabilidad . An sucesos verificando que P (A1 ∩ . . . ∩ An−1 ) > 0. P (B ) Regla del producto Sean A1 . La versi´ on m´ as general permite calcular la probabilidad de una intersecci´ on de n sucesos.Regla del producto El ejemplo anterior es un caso particular de la regla del producto. . . . . . ∩ An ) = P (A1 )P (A2 |A1 ) · · · P (An |A1 ∩ . En su versi´ on m´ as sencilla consiste simplemente en reescribir la definici´ on de probabilidad condicionada P (A|B ) = como P (A ∩ B ) = P (B )P (A|B ). P (A ∩ B ) . Entonces P (A1 ∩ . . . .

Regla del producto: Ejemplo La regla del producto es muy u ´til en experimentos aleatorios que tienen varias etapas. Las diversas etapas y alternativas se suelen representar en un diagrama de a ´rbol tal como se muestra en el siguiente ejemplo Ejemplo En la urna de la figura se extraen (sin reemplazamiento) dos bolas. Calcula la probabilidad de que las dos sean blancas 1 1/2 a B 1/2 N Probabilidad .

Regla del producto: Ejemplo La regla del producto es muy u ´til en experimentos aleatorios que tienen varias etapas. Calcula la probabilidad de que las dos sean blancas 1 1/2 a 4/9 2 a B N B N B 5/9 5/9 1/2 N 4/9 Probabilidad . Las diversas etapas y alternativas se suelen representar en un diagrama de a ´rbol tal como se muestra en el siguiente ejemplo Ejemplo En la urna de la figura se extraen (sin reemplazamiento) dos bolas.

Probabilidades totales (I) El teorema de las probabilidades totales considera todas las ramas que llegan al resultado final observado. Ejemplo Calcula la probabilidad de al extraer dos bolas (sin reemplazamiento) la segunda sea blanca 1 1/2 a 2 4/9 a B N B N B 5/9 5/9 1/2 N 4/9 Probabilidad .

se verifica que P (A) = P (A ∩ A1 ) + · · · P (A ∩ An ) = P (A1 )P (A|A1 ) + · · · + P (An )P (A|An ). Ai ∩ Aj = ∅. i =1 n Ai = Ω. i = j . .Teorema de las probabilidades totales (II) Sean A1 . . An sucesos incompatibles dos a dos. Entonces. es decir. para cualquier suceso A. Probabilidad . . tales que P (Ai ) > 0.

La regla de Bayes (I) Los resultados de un experimento dan informaci´ on sobre lo que ocurri´ o en las etapas intermedias. ¿cu´ al es la probabilidad de que la primera tambi´ en sea blanca? a a 1 2 4/9 1/2 B N B N B 5/9 5/9 1/2 N 4/9 Probabilidad . Ejemplo Si la segunda bola es blanca.

. i = j . Ai ∩ Aj = ∅. i =1 n Ai = Ω. . es decir. Entonces para todo suceso A tal que P (A) > 0 se verifica P (Ai |A) = = P (A|Ai )P (Ai ) P (A) P (A|Ai )P (Ai ) P (A1 )P (A|A1 ) + · · · + P (An )P (A|An ) Probabilidad .Regla de Bayes (II) Sean A1 . An sucesos incompatibles dos a dos. . tales que P (Ai ) > 0.

B A M N L C D E J H G F Probabilidad . por ejemplo.Aplicaciones de la Regla de Bayes La regla de Bayes tiene importantes aplicaciones en muchas ramas de la Ciencia como. la Biolog´ ıa.

Sign up to vote on this title
UsefulNot useful