Professional Documents
Culture Documents
Azar y Probabilidad 1
Azar y Probabilidad 1
1. Introdución
2. Experimentos aleatorios
2.1 Espazo mostral. Sucesos
2.2 Operacións cos sucesos
3. Probabilidade dun suceso. Regra de Laplace
4. Combinatoria
5. Experimentos compostos. Estratexias de reconto
6. Dependencia ou independencia de sucesos
6.1 Probabilidade condicionada. Sucesos dependentes
6.2 Sucesos independentes
7. Probabilidades Totais
8. Teorema de Bayes
1. Introdución
En moitas das actividades da vida cotiá podemos ter a certeza do que vai a acontecer,
porén, en outras moitas son incertas e teremos que conformarnos cunha probabilidade,
coma na previsión do tempo, que non se acerta sempre e desgraciadamente a
economía compórtase moitas veces de forma imprevisible... Estudaremos nesta unidade
o concepto de probabilidade e as súas aplicacións.
2. Experimentos aleatorios
2.1 Espazo mostral. Sucesos
Moitos dos fenómenos observables teñen un resultado imprevisible; lanzar un dado,
unha moeda, números da lotería... este tipo de fenómenos son os que estudaremos e
caracterízanse por:
a) Os seus resultados son imprevisibles.
b) Podemos realizar o experimento as veces que desexemos en idénticas
condicións.
Recordemos a terminoloxía básica:
Espazo mostral (E): conxunto de tódolos posibles resultados dun experimento
aleatorio.
Suceso: calquera subconxunto do espazo mostral, E.
Suceso Elemental: suceso constituído por un único resultado.
Suceso Composto: suceso formado por dous ou máis sucesos elementais.
Suceso Imposible, : suceso que non se realiza nunca.
Suceso Seguro, E: suceso constituído por todos os resultados da proba.
Exemplo
Exemplo
𝐴 ∪ 𝐵 = {1,2,3,5}
𝐴 ∪ 𝐵 ∪ 𝐶 = {1,2,3,4,5}
𝐵 ∩ 𝐶 = ∅ 𝑠𝑜𝑛 𝑖𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒𝑠
𝐵∩𝐸 =𝐵
𝐸∪𝐵 =𝐸
𝐴̅ = {2,4,6}
𝐴 − 𝐵 = 𝐴 ∩ 𝐵̅ = {5}
2
Exemplo
1º ̅̅̅̅̅̅̅
𝐴 ∪ 𝐵 = 𝐴̅ ∩ 𝐵̅ ⇒𝐴 ∪ 𝐵 = {2,4,5,6} ⇒ ̅̅̅̅̅̅̅
𝐴 ∪ 𝐵 = {1,3} por outro lado 𝐴̅ ∩ 𝐵̅ = {1,3},
verifícase a igualdade.
2º ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 = 𝐴̅ ∪ 𝐵̅ ⇒ 𝐴 ∩ 𝐵 = {6} , ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 = {1,2,3,4,5} por outro lado, 𝐴̅ = {1,3,5} 𝑒
Demostración:
1. Se 𝑃(𝐸) = 𝑃(𝐸 ∪ ∅) = 𝑃(𝐸) + 𝑃(∅) = 1 ⇒ 𝑃(∅) = 0
2. Se 𝑃(𝐴) ≥ 0, 𝑐𝑜𝑚𝑜 𝑃(𝐸) = 𝑃(𝐴 ∪ 𝐴̅) = 𝑃(𝐴) + 𝑃(𝐴̅) = 1 ⇒ 𝑃(𝐴) = 1 − 𝑃(𝐴̅) 𝑒
0 ≤ 𝑃(𝐴) ≤ 1
3. Se A e B non son incompatibles a intersección non é valeira entón temos que
restar a probabilidade desta, xa que se non estaríamos contando dúas veces esa
probabilidade ⇒𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
4. Este é unha xeneralización do axioma 3.
3
Sexa o espazo mostral E= {𝑥1 , 𝑥2 , … 𝑥𝑛 } de n elementos, todos eles equiprobables,
isto é, que teñan a mesma dispoñibilidade de saír. Tendo en conta os axiomas e
consecuencias anteriores:
1
𝑃(𝐸) = 𝑃(𝑥1 ∪ 𝑥2 ∪ … ∪ 𝑥𝑛 ) = 𝑃(𝑥1 ) + 𝑃(𝑥2 ) + ⋯ 𝑃(𝑥𝑛 ) = 1⇒𝑛 ∙ 𝑃(𝑥1 ) = 1 ⇒ 𝑃(𝑥1 ) =
𝑛
Insistir en que soamente podemos aplicar este criterio cando os sucesos elementais
dun experimento teñan a mesma probabilidade de saír.
Exemplo 1
Unha furna de 5 bolas azuis, 2 vermellas e 3 verdes. Se sacamos unha bola ao azar,
cal é a probabilidades de que sexa verde?
O primeiro que temos que mirar é se os suceso son equiprobables, efectivamente ten
a mesma probabilidade de saír a vermella que a verde e que a azul.
Exemplo 2
Exemplo 3
Ao tirar un dado, cal é a probabilidade de que saia número par? Cal é a probabilidad
de que non saia número par? Cal é a probabilidade de que saia un número menor
de 7? Sexa o suceso B={4,5} e o suceso A saia par, cal é a probabilidade de 𝐴 ∪ 𝐵?
3
O suceso saír par é 𝐴 = {2,4,6} 𝑃(𝐴) = 6
O suceso non par o podemos calcular de varias formas unha delas polo contrario
3 3
𝑃(𝐴̅) = 1 − 𝑃(𝐴) = 1 − =
6 6
𝑃(𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑚𝑒𝑛𝑜𝑟 𝑞𝑢𝑒 7) = 𝑃(𝐸) = 1
4
4. Combinatoria
Para poderes aplicar a Regra de Laplace é necesario contar os casos posibles e os
casos favorables dun experimento, cousa que non sempre é doado de facer. A
combinatoria proporciónanos unha serie de fórmulas e procedementos para contar de
cantos xeitos diferentes pódese facer unha elección de varios obxectos de entre unha
colección.
Cando o que queremos é saber de cantos xeitos podemos elixir grupos de m obxectos
de entre unha colección formada por n obxectos, loxicamente, dependerá de como
fagamos a elección, isto é, se temos en conta a orde dos elementos ou non, se se
poden repetir ou non os elementos. Se tomamos coma exemplo: “elixir nunha clase
delegado e subdelegado”, está claro que NON se poden repetir os elementos e que SI
importa a orden, non é o mesmo María delegada e subdelegado Manolo que Manolo
delegado e subdelegada María.
Pero se o exemplo é: “cubrir unha primitiva” , este consiste en elixir 6 números de 49.
NON importa a orden dos elementos e NON se poden repetir.
As principais fórmulas combinatorias son: Variación, permutación e combinacións.
Variacións de n elementos tomados de m en m, 𝑉𝑛,𝑚 , utilízase para contar os
diferentes grupos de m elementos que se poden forman en conxuntos de n
elementos(m<n). Os elementos, NON se poden repetir e importa a orde.
𝑛!
𝑉𝑛,𝑚 =
(𝑛 − 𝑚)!
Variacións con Repetición de n elementos tomados de m en m, 𝑉𝑅𝑚,𝑚 , son
as variacións nas que os elementos pódense repetir ou ser diferentes.
𝑉𝑅𝑛,𝑚 = 𝑛𝑚
Permutacións, 𝑃𝑛 , son as variacións nas que m=n ⇒ 𝑃𝑛 = 𝑛!
Recordar: 𝑛! = 𝑛 ∙ (𝑛 − 1) ∙ (𝑛 − 2) … 3 ∙ 2 ∙ 1 e que 0! = 1
Exemplos
Temos que formar con 6 letras grupos de 4 en 4, NON importa a orde e NON
6 6! 6∙5∙4!
se pode repetir polo tanto 𝐶6,4 = ( ) = 4!(6−4)! = 4!∙2! = 15
4
4. Cantos números naturais de tres cifras podemos formar cos díxitos 1,2,3,4 e 5?
Importa a orde e pódense repetir polo tanto 𝑉𝑅5,3 = 53 = 125
5
5. Experimentos compostos. Estratexias de reconto
Un experimento composto é o que está formado por varios simples, “tirar dous dados”,
“tirar dúas varias veces un dado”, “extraer cartas dunha baralla”..., nestas
experimentos, probas, é importante saber para poderes calcular a probabilidade dun
suceso se os experimentos son independentes ou non, é dicir se cada proba, ou
extracción, realízase nas mesmas condicións ou non que a anterior: Extraccións con
substituír ou extraccións sen substituír.
No caso dos experimentos compostos temos diferentes técnicas para organizar os
datos, isto é os posibles resultados, e así obter de forma máis sinxela as
probabilidades:
Diagramas cartesianos ou Táboas de dobre entrada: É útil en
experimentos compostos formados por dous simples, na fila superior
colocamos os sucesos elementais dun experimento simple e na columna da
esquerda os sucesos elementais do outro experimento simple.
Diagramas en árbore: Un diagrama en árbore é un gráfico que nace dun
tronco e os seus trazos vanse ramificando coma unha árbore. O final de
cada rama obtemos os diferentes resultados do experimento, así coma a súa
probabilidade.
Exemplo 1
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Para obteres a probabilidade aplicaremos a regra de Laplace
3 1
𝑃(10) = =
36 12
A suma máis probable é 7, xa que é a suma que máis veces se repite.
Exemplo 2
6
6. Dependencia ou independencia de sucesos
6.1 Probabilidade condicionada. Sucesos dependentes
A probabilidade do suceso B condicionada polo suceso A, é a probabilidade de que se
realice B sabendo que se realizou A, e calcúlase como:
𝑃(𝐴∩𝐵)
𝑃(𝐵/𝐴)= 𝑃(𝐴)
sendo 𝑃(𝐴) > 0
Os diagramas de árbore son moi útiles a axudan moito cando temos que resolver
problemas de probabilidade condicionada, estas probabilidades, son as segundas
ramas das árbores e sucesivas.
Nos casos nos que as probas son dependentes(a probabilidade de que se verifique
un depende do outro), empregaremos esta mesma definición para calcular a
probabilidade dunha intersección de dous sucesos, isto é:
Exemplo 1
B
3 2 6
N⇒BN⇒𝑃(𝐵 ∩ 𝑁) = 𝑃(𝐵 𝑎 𝑝𝑟𝑖𝑚𝑒𝑖𝑟𝑎) ∙ 𝑃(𝑁/𝐵) = ∙ = = 0,3
5 4 20
B⇒NB
N⇒NN
2
Agora a P(N a segunda/B a primeira)=
4
Exemplo 2
Ao tirar un dado sábese que a suma dos resultados foi 8, cal é a probabilidade de
que polo menos saíra un 5?
𝑃(𝐴 ∩ 𝐵) 2⁄36
𝑃(𝐵⁄𝐴) = = = 2/5
𝑃(𝐴) 5/36
11
Porén, observamos que a probabilidade de B, é P(B)=36 , xa que temos 11
resultado favorables de que saía polo menos un 5 entre 36 resultados posibles:
(1,5), (5,1), (2,5), (5,2), (3,5), (5,3), (4,5), (5,4), (5,5), (5,6), (6,5)
7
Regra do produto ou da probabilidade composta
Se xeneralizamos a intersección de dous sucesos dependentes a n-sucesos obtemos:
Sexan os sucesos 𝐴1 , 𝐴2 , … 𝐴𝑛 dependentes entón a probabilidade da intersección de
todos é:
𝑃(𝐴1 ∩ 𝐴2 ∩ … 𝐴𝑛 ) = 𝑃(𝐴1 ) ∙ 𝑃(𝐴2 /𝐴1 )∙...𝑃(𝐴𝑛 /𝐴1 ∩ 𝐴2 ∩ … 𝐴𝑛−1 )
Na práctica a regra do produto nos di que a probabilidade dun camiño é igual ao
produto das probabilidades das ramas que o forman.
Exemplo
4 3 2 24 1
= ∙ ∙ = = = 4,04 ∙ 10−4
40 39 38 59280 2470
Exemplo 1
Exemplo 2
8
7. Probabilidades Totais
En ocasións é posible calcular a probabilidade dun suceso en función das
probabilidades condicionadas deste suceso con respecto a un conxunto de sucesos
coñecidos. Isto ocorre cando o conxunto de sucesos coñecidos constitúen un sistema
completo de suceso.
Dise que 𝐴1 , 𝐴2 , 𝐴3, … , 𝐴𝑛 é un sistema completo de sucesos se verifica as seguintes
condicións:
1º Son incompatibles dous a dous, 𝐴𝑖 ∩ 𝐴𝑗 = ∅ sempre que 𝑖 ≠ 𝑗
2º A unión de todos os suceso é o suceso seguro 𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … ∪ 𝐴𝑛 = 𝐸
O teorema da probabilidade Total di, que se nos atopamos nun sistema completo de
sucesos do que coñecemos as probabilidades condicionadas 𝑃(𝐵/𝐴𝑖 ), entón a 𝑃(𝐵)
ven dada pola fórmula:
𝑃(𝐵) = 𝑃(𝐴1 ) ∙ 𝑃(𝐵/𝐴1 )+𝑃(𝐴2 ) ∙ 𝑃(𝐵/𝐴2 )+...+𝑃( 𝐴𝑛 ) ∙ 𝑃(𝐵/𝐴𝑛 )
Exemplo
O 40 % dos créditos que concede un banco son para vivenda, o 35% para industria
e o 25% para o consumo. Resultan falidos o 4% dos créditos de vivenda, o 6% dos
créditos de industria e o 8% dos créditos para o consumo. Se eliximos ao azar un
préstamo bancario, cal é a probabilidade de que non pague o crédito? E cal é a
probabilidade de que pague o crédito?
Un crédito falido é o que non se paga e sabemos que polo teorema das
probabilidades totais que a probabilidade dun suceso é a suma dos camiños que
conducen a el.
9
8. Teorema de Bayes
Sexa 𝐴1 , 𝐴2 , 𝐴3, … , 𝐴𝑛 é un sistema completo de sucesos tales que a probabilidade de
cada un deles é distinta de cero, e sexa B un suceso calquera para o que se coñecen
as probabilidades 𝑃(𝐴𝑖 ⁄𝐵). O teorema de Bayes establece que as probabilidades
𝑃(𝐴𝑖 ⁄𝐵) veñen dadas pola seguinte expresión:
𝑃(𝐴𝑖 ) ∙ 𝑃(𝐵⁄𝐴𝑖 )
𝑃(𝐴𝑖 ⁄𝐵) =
𝑃(𝐴1 ) ∙ 𝑃(𝐵⁄𝐴1 ) + 𝑃(𝐴2 ) ∙ 𝑃(𝐵⁄𝐴2 ) + ⋯ + 𝑃(𝐴𝑛 ) ∙ 𝑃(𝐵⁄𝐴𝑛 )
Exemplo
10