Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
EAS200a - Probabilidad y Estad́ıstica R. Aguila - M. I Vicuña - O. Ferreiro 2o Semestre 2017 Caṕıtulo 1 : , 1 Contenido I � Eventos y Probabilidad Introducción Caracteŕısticas de Problemas Relacionados con Probabilidades Estimación de Probabilidades � Elementos de Teoŕıa de Conjuntos Definiciones Importantes Operaciones Matemáticas de Conjuntos � Matemática de la Probabilidad Ley Aditiva Cálculo de Probabilidades: Métodos de Conteo Probabilidad Condicional Ley Multiplicativa Teorema de Probabilidades Totales Teorema de Bayes : Eventos y Probabilidad Eventos y Probabilidad Introducción I La inquietud por querer entender o interpretar un cierto fenómeno está siempre presente. I Los fenómenos pueden ser determińısticos o aleatorios I Los fenómenos aleatorios son el objeto de la Estad́ıstica, que una vez realizado el fenómeno se obtienen las observaciones, pero antes de su realización conlleva un nivel de incertidumbre : Eventos y Probabilidad Eventos y Probabilidad Introducción I Para reducir el nivel de incertidumbre, se puede establecer todos los posibles resultados en el que se puede presentar el fenómeno, llamados eventos o sucesos aleatorios I Una medida para cuantificar el grado de incertidumbre es la probabilidad, la cual asigna un valor numérico a cada evento como un indicador de las posibilidades que tiene de acontecer : Eventos y Probabilidad Eventos y Probabilidad Caracteŕısticas de Problemas Relacionados con Probabilidades Para todo fenómeno (o experimento) se define un conjunto especifico de resultados llamado: “Espacio de Resultados Posibles” Un evento de interés esta compuesto por uno o más resultados de este espacio. La probabilidad de un evento es una medida numérica de la ocurrencia de éste, con respecto a los otros resultados posibles : Eventos y Probabilidad Eventos y Probabilidad Caracteŕısticas de Problemas Relacionados con Probabilidades Ejemplos de fenómenos o experimentos aleatorios I Se lanza una moneda al aire y el resultado puede ser cara o cruz. I Un cliente entre a una tienda entra y realiza o no una compra. I Se observa la evolución diaria de un ı́ndice bursátil. I Se selecciona una caja de cereal y se pesa para averiguar si el peso que aparece en el envase es inferior o superior al registrado por la pesa. I Lanzamiento de un dado de seis caras al aire. : Eventos y Probabilidad Eventos y Probabilidad Caracteŕısticas de Problemas Relacionados con Probabilidades Ejemplo 1: Lanzamiento de un dado al aire ¿Cuál es el espacio de resultados posibles muestral del lanzamiento al aire de una dado de seis caras? Ejemplo 2: Resultado de una inversión Un inversor sigue el ı́ndice bursátil Dow-Jones. ¿Cuáles son los resultados básicos posibles al cierre de la sesión? : Eventos y Probabilidad Eventos y Probabilidad Estimación de Probabilidades El cálculo de probabilidad de un evento, esta basado en la asignación de medidas de probabilidad de todos los resultados posibles. La asignación puede estar basado en condiciones dadas, en evidencia emṕırica o en juicios subjetivos. : Eventos y Probabilidad Eventos y Probabilidad Estimación de Probabilidades Probabilidad Clásica La probabilidad clásica es la proporción de veces que ocurrirá un suceso, suponiendo que todos los resultados contenidos en el espacio de resultados posibles tiene la misma probabilidad de ocurrir. : Eventos y Probabilidad Eventos y Probabilidad Estimación de Probabilidades Probabilidad Frecuentista La probabilidad de un suceso A se aproxima por el ĺımite de la frecuencia relativa de ocurrencias de un suceso A a partir de un gran número de pruebas n. P(A) = lim n→∞ nA n , donde nA es el número de veces que se obtiene el suceso A y n el número total de pruebas. : Eventos y Probabilidad Eventos y Probabilidad Estimación de Probabilidades Probabilidad Subjetiva La probabilidad subjetiva expresa el grado en que una persona cree que ocurrirá un suceso. Estas probabilidades subjetivas se utilizan en algunos procedimientos empresariales de toma de decisiones. : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Definiciones Importantes Consideremos un fenómeno aleatorio I Espacio muestral: Conjunto de todos los resultados posibles. I Punto muestral: Un resultado particular. I Evento: Subconjunto de resultados posibles. El espacio muestral puede ser discreto o continuo. El caso discreto corresponde a un espacio muestral compuesto por un conjunto contable (numerable) de puntos muestrales, mientras que el caso continuo corresponde a un espacio muestral compuesto de un continuo de puntos muestrales. : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Definiciones Importantes Evento Imposible: Denotado por φ es un evento sin puntos muestrales. Evento Certeza: Denotado por S u Ω, es un evento que contiene a todos los puntos muestrales. Evento Complemento: Denotado por E , contiene todos los puntos muestrales de S que no están contenidos en un evento E . Unión de Eventos: Para dos eventos E1 y E2, su union forma un nuevo evento que contiene los puntos muestrales de E1 y los contenidos en E2 que no se encuentran en E1. Intersección de Eventos: Para dos eventos E1 y E2, su intersección forma un nuevo evento que contiene los puntos muestrales contenidos en E1 y en E2 a la vez. : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Definiciones Importantes Eventos Mutuamente Excluyentes (Disjuntos): Son eventos que no tienen puntos muestrales en común, es decir, su intersección es vaćıa. Eventos Colectivamente Exhaustivos: Son eventos que unidos conforman el espacio muestral. : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Definiciones Importantes Ejemplo 3: Lanzamiento de un dado al aire Se lanza un dado al aire. Sea A el suceso “el número resultante es par” y B el suceso “el número resultante es como ḿınimo un 4”. Halle el complemento de cada suceso, la intersección y la unión de A y B, y la intersección entre A y B. : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Definiciones Importantes Ejemplo 4: Índice bursátil Dow-Jones Estos son cuatro resultados básicos del ı́ndice bursátil en dos d́ıas consecutivos: O1 : El ı́ndice sube los dos d́ıas. O2 : El ı́ndice sube el primer d́ıa, pero no sube el segundo. O3 : El ı́ndice no sube el primer d́ıa, pero sube el segundo. O4 : El ı́ndice no sube ninguno de los dos d́ıas. Considere ahora los siguientes eventos I A: El ı́ndice sube el primer d́ıa. I B: El ı́ndice sube el segundo d́ıa. Halle la intersección, la unión y el complemento de A y B. : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Operaciones Matemáticas de Conjuntos Hemos visto que dos o más conjuntos (eventos) pueden combinarse solamente de dos maneras: Unión o Intersección. Estas dos operaciones, más el proceso de complemento de un evento constituyen las operaciones básicas que involucran a eventos. La notación que adoptaremos para designar conjuntos y sus operaciones básicas son las siguientes: ∪: Unión. ∩: Intersección. ⊃: Contiene. ⊂: Contenido o Subconjunto. E : Complemento de E . : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Operaciones Matemáticas de Conjuntos Las reglas matemáticas que rigen sobre las operaciones de conjuntos son las siguientes: I Igualdad de Conjuntos: Dos conjuntos son iguales si y sólo si ambos conjuntos contienen exactamente los mismos puntos muestrales. Un caso básico es el siguiente A ∪ φ = A donde φ representa un conjunto vaćıo. También se tiene que A ∩ φ = φ Por lo tanto A ∪ A = A y A ∩ A = A Con respecto al espacio muestral S A ∪ S = S y A ∩ S = A : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Operaciones Matemáticas de Conjuntos I Conjunto complemento: Con respecto a un evento E y su complementoE , se observa que E ∪ E = S y E ∩ E = φ Finalmente E = E I Ley Conmutativa: La unión e intersección de conjuntos son conmutativas, es decir, para dos conjuntos A y B se cumple que A ∪ B = B ∪ A A ∩ B = B ∩ A : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Operaciones Matemáticas de Conjuntos I Ley Asociativa: La unión e intersección de conjuntos es asociativa, es decir, para tres conjuntos A, B y C se cumple que (A ∪ B) ∪ C = A ∪ (B ∪ C ) (A ∩ B) ∩ C = A ∩ (B ∩ C ) I Ley Distributiva: La unión e intersección de conjuntos es distributiva, es decir, para tres conjuntos A, B y C se cumple que (A ∪ B) ∩ C = (A ∩ C ) ∪ (B ∩ C ) (A ∩ B) ∪ C = (A ∪ C ) ∩ (B ∪ C ) : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Operaciones Matemáticas de Conjuntos I Ley de De Morgan: Esta ley relaciona conjuntos y sus complementos. Para dos conjuntos (eventos), E1 y E2, la ley de De Morgan dice que (E1 ∪ E2) = E 1 ∩ E 2 Por inducción se puede generalizar para n eventos (E1 ∪ E2 ∪ · · · ∪ En) = E 1 ∩ E 2 ∩ · · · ∩ E n (1) Aplicando (1) a los complementos E 1, E 2,. . . , E n se tiene que (E 1 ∪ E 2 ∪ · · · ∪ E n) = E 1 ∩ E 2 ∩ · · · ∩ E n = E1 ∩ E2 ∩ · · · ∩ En (2) Aplicando complemento a ambos lados de la igualdad (2) se tiene que la ley de De Morgan también nos indica que (E1 ∩ E2 ∩ · · · ∩ En) = E 1 ∪ E 2 ∪ · · · ∪ E n : Elementos de Teoŕıa de Conjuntos Elementos de Teoŕıa de Conjuntos Operaciones Matemáticas de Conjuntos Ejemplo 5 Muestre las siguientes igualdades utilizando las leyes enunciadas anteriormente: 1. A ∪ (B ∩ C ) = A ∩ (B ∪ C ). 2. (A ∪ B) ∩ C = (A ∩ B) ∪ C . 3. [ (A ∩ B) ∪ C ] ∩ (A ∪ C ) = (A ∩ B ∩ C ) ∩ (A ∩ C ). : Matemática de la Probabilidad Matemática de la Probabilidad Hasta el momento hemos supuesto que una medida no negativo, llamada probabilidad, está asociado a cada evento en particular del espacio muestral. Impĺıcitamente, hemos asumido que dicha medida de probabilidad poseen ciertas propiedades y sigue ciertas normas de operación. Formalmente estas propiedades y reglas son desarrolladas en la teoŕıa matemática de probabilidad, la cual tiene como base de ciertos supuestos (axiomas) que no están sujetos a demostración. : Matemática de la Probabilidad Matemática de la Probabilidad Los axiomas de Kolmogorov son los siguientes: I Axioma 1: Para cada evento E contenido en un espacio muestral S se tiene que P(E ) ≥ 0 I Axioma 2: La probabilidad del evento certeza S es P(S) = 1 I Axioma 3: Para dos eventos E1 y E2 mutuamente excluyentes (disjuntos), P(E1 ∪ E2) = P(E1) + P(E2) : Matemática de la Probabilidad Matemática de la Probabilidad Ley Aditiva Sea un evento E y su complemento E . Por ser eventos disjuntos se tiene que P(E ∪ E ) = P(E ) + P(E ) Además como (E ∪ E ) = S , se tiene que P(E ) = 1− P(E ) Para dos eventos cualquiera E1 y E2 la ley aditiva dice que P(E1 ∪ E2) = P(E1) + P(E2)− P(E1 ∩ E2) (3) : Matemática de la Probabilidad Matemática de la Probabilidad Ley Aditiva La ecuación (3) aplicada a la unión de tres eventos E1, E2 y E3 es la siguiente: P(E1 ∪ E2 ∪ E3) = P[(E1 ∪ E2) ∪ E3] = P(E1 ∪ E2) + P(E3)− P[(E1 ∪ E2) ∩ E3] = P(E1) + P(E2)− P(E1 ∩ E2) + P(E3)− P[(E1 ∩ E3) ∪ (E2 ∩ E3)] = P(E1) + P(E2) + P(E3)− P(E1 ∩ E2)− P(E1 ∩ E3)− P(E2 ∩ E3) + P(E1 ∩ E2 ∩ E3) Para n eventos cualquiera, por De Morgan se tiene lo siguiente: P(E1 ∪ E2 ∪ · · · ∪ En) = 1− P(E1 ∪ E2 ∪ · · · ∪ En) = 1− P(E 1 ∩ E 2 ∩ · · · ∩ E n) En el caso de E1,. . . , En sean eventos mutuamente excluyentes P(E1 ∪ E2 ∪ · · · ∪ En) = n∑ i=1 P(Ei ) : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Cuando los espacios muestrales son finitos, basta con asignar probabilidades a cada uno de los resultados posibles para luego obtener las probabilidad de un suceso simplemente sumando las probabilidades de ocurrencia de cada resultado básico que lo componen. S = {ω1, . . . , ωN} con pi = P({ωi}), i = 1, . . . ,N. Para el caso de Probabilidad Clásica se tiene que para un suceso A: P(A) = #A #S : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Principio de la Multiplicación Si un experimento está compuesto de k experimentos con tamaños muestrales n1,. . . ,nk , entonces #S = n1 × n2 × · · · × nk : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Permutación Consideremos un conjunto de objetos C = {c1, . . . , cn} y queremos seleccionar una muestra de r objetos. ¿De cuantas maneras lo podemos hacer? I Muestreo Con Reemplazo: nr . I Muestreo Sin Reemplazo: n × (n − 1)× (n − 2)× · · · × (n − r + 1). : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Combinación Consideremos un Muestreo Sin Reemplazo. Si nos interesa una muestra sin importar el orden de ingreso, la cantidad de muestras distintas de tamaño n son ( n r ) = n! r !× (n − r)! Estos “números” se conocen como coeficientes binomiales y tienen la siguiente propiedad (a + b)n = n∑ k=0 ( n k ) ak bn−k : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Ordenamiento Multinomial Queremos asignar n objetos a k grupos distintos de tamaños n1,. . . , nk , con k∑ i=1 ni = n. El número de grupos distintos con las caracteŕısticas dadas son ( n n1 n2 · · · nk ) = n! n1!× · · · × nk ! : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Ordenamiento Multinomial Estos “números” se conocen como ordenamientos multinomiales y tienen la siguiente propiedad (x1 + · · ·+ xk)n = n∑ n1=0 n−n1∑ n=2 0 · · · n−n1−···−nk∑ nk=0 n! n1!× · · · × nk ! xn11 × · · · × x nk k : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Ejemplo 6 ¿Cuál es la probabilidad que al menos dos alumnos celebren su cumpleaños el mismo d́ıa? : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Ejemplo 6 n Probabilidad 0 0.00 5 0.03 10 0.12 15 0.25 20 0.41 23 0.51 30 0.71 40 0.89 50 0.97 60 0.99 70 1.00 80 1.00 90 1.00 100 1.00 0 20 40 60 80 100 0.0 0.2 0.4 0.6 0.8 1.0 Número de alumnos P ro b a b ili d a d : Matemática de la Probabilidad Matemática de la Probabilidad Cálculo de Probabilidades: Métodos de Conteo Ejemplo 7 Actualmente es muy común que los bancos y otras entidades comerciales clasifiquen a sus clientes según ciertos perfiles, que hacen más eficiente la venta de distintos productos a sus ejecutivos. Suponga que a una sucursal de un banco acaba de llegar un listado con 30 nuevos clientes que se agregarán a la cartera ya existente, los cuales ya vienen clasificados desde la mesa central como perfil A (12 clientes) o perfil B (18 clientes). Si usted es el agente responsable de la sucursal y tiene a cargo solo dos ejecutivos: (a) ¿De cuantas maneras podŕıa asignar a estos 30 nuevos clientes a los ejecutivos siendo justo según perfil? Notar que no hay información si es mejor un cliente de perfil A o B para un ejecutivo. (b) Si solo cuatro de los clientes con perfil A y ocho del B están dispuesto a adquirir un producto si se lo ofrecen. ¿Cuál es la probabilidad que la repartición hecha por usted en (a) realmente haya sido justa? : Matemática de la Probabilidad Matemática de la Probabilidad Probabilidad Condicional Cuando la ocurrencia de un evento (o no ocurrencia) depende de otro evento, es relevante ver la probabilidad como una probabilidad condicional. Se define la probabilidad que un evento E1 ocurra bajo el supuesto que otro evento E2 ocurre con certeza a P(E1 |E2) = P(E1 ∩ E2) P(E2) (4) En general, la probabilidad de un evento E ya está condicionada se condicionaa la ocurrencia del evento certeza S : P(E |S) = P(E ∩ S) P(S) = P(E ) : Matemática de la Probabilidad Matemática de la Probabilidad Probabilidad Condicional Consideremos las probabilidades de un evento E1 y su complemento E 1 condicionados a la ocurrencia previa de un evento E2. P(E1 |E2) = P(E1 ∩ E2) P(E2) y P(E 1 |E2) = P(E 1 ∩ E2) P(E2) Si las sumamos tenemos que P(E1 |E2) + P(E 1 |E2) = 1 P(E2) { P(E1 ∩ E2) + P(E 1 ∩ E2) } = 1 P(E2) { P[(E1 ∩ E2) ∪ (E 1 ∩ E2)] } = 1 P(E2) { P[(E1 ∪ E 1) ∩ E2] } : Matemática de la Probabilidad Matemática de la Probabilidad Probabilidad Condicional P(E1 |E2) + P(E 1 |E2) = 1 P(E2) {P(S ∩ E2)} = 1 P(E2) · P(E2) = 1 Por lo tanto, P(E 1 |E2) = 1− P(E1 |E2) : Matemática de la Probabilidad Matemática de la Probabilidad Probabilidad Condicional Independencia estad́ıstica Dos eventos E1 y E2 se dice que son estad́ısticamente independientes si la ocurrencia de un evento no depende de la ocurrencia o no ocurrencia del otro. Es decir, P(E1 |E2) = P(E1) o P(E2 |E1) = P(E2) : Matemática de la Probabilidad Matemática de la Probabilidad Ley Multiplicativa A partir de la ecuación (4) se deduce que si E1 y E2 con eventos posibles entonces P(E1 ∩ E2) = P(E1 |E2) · P(E2) o P(E1 ∩ E2) = P(E2 |E1) · P(E1) Si E1 y E2 fuesen eventos estad́ısticamente independientes entonces P(E1 ∩ E2) = P(E1) · P(E2) : Matemática de la Probabilidad Matemática de la Probabilidad Ley Multiplicativa Para tres eventos E1, E2 y E3 la ley multiplicativa implica las siguientes igualdades P(E1 ∩ E2 ∩ E3) = P(E3 |E1 ∩ E2) · P(E2 |E1) · P(E1) = P(E3 |E1 ∩ E2) · P(E1 |E2) · P(E2) = P(E2 |E1 ∩ E3) · P(E3 |E1) · P(E1) = P(E2 |E1 ∩ E3) · P(E1 |E3) · P(E3) = P(E1 |E2 ∩ E3) · P(E3 |E2) · P(E2) = P(E1 |E2 ∩ E3) · P(E2 |E3) · P(E3) : Matemática de la Probabilidad Matemática de la Probabilidad Ley Multiplicativa Consideremos ahora los eventos E1, E2, . . . , En. Estos eventos se dicen mutuamente independientes si y solo si, cualquier sub-colección de eventos de ellos Ei 1, Ei 2, . . . , Ei m cumple con la siguiente condición P(Ei 1 ∩ Ei 2 ∩ · · · ∩ Ei m) = P(Ei 1)× P(Ei 2)× · · · × P(Ei m) : Matemática de la Probabilidad Matemática de la Probabilidad Ley Multiplicativa Ejemplo 8 Considere el lanzamiento de una moneda honesta dos veces y defina los siguientes eventos: A: Obtener cara en el primer lanzamiento B: Obtener cara en el segundo lanzamiento C : Obtener solamente una cara. Muestre que los eventos A, B y C son independientes a pares, pero no mutuamente independientes. : Matemática de la Probabilidad Matemática de la Probabilidad Ley Multiplicativa Ejemplo 9 Mostrar que si E1 y E2 son eventos estad́ısticamente independientes, entonces E 1 y E 2 también lo son. Ejemplo 10 Mostrar que si E1 y E2 son eventos estad́ısticamente independientes dado un evento A, entonces P(E1 ∩ E2 |A) = P(E1 |A) · P(E2 |A) Ejemplo 11 Mostrar que para dos eventos cualquiera E1 y E2 se tiene que P(E1 ∪ E2 |A) = P(E1 |A) + P(E2 |A)− P(E1 ∩ E2 |A) : Matemática de la Probabilidad Matemática de la Probabilidad Teorema de Probabilidades Totales Considere n eventos posibles E1, E2, . . . , En colectivamente exhaustivos y mutuamente excluyentes, es decir, n⋃ i=1 Ei = S y Ei ∩ Ej = φ ∀ i 6= j Entonces A = A ∩ S = A ∩ [ n⋃ i=1 Ei ] = n⋃ i=1 (A ∩ Ei ), con (A ∩ E1),. . . , (A ∩ En) eventos mutuamente excluyentes . : Matemática de la Probabilidad Matemática de la Probabilidad Teorema de Probabilidades Totales Por lo tanto, P(A) = n∑ i=1 P(A ∩ Ei ), por Axima 3 = n∑ i=1 P(A |Ei ) · P(Ei ), por ley multiplicativa : Matemática de la Probabilidad Matemática de la Probabilidad Teorema de Bayes Si cada evento Ej de la partición de S y el evento A son posibles, entonces por la ley multiplicativa se tiene que P(A |Ej) · P(Ej) = P(Ej |A) · P(A) Es decir, P(Ej |A) = P(A |Ej) · P(Ej) P(A) Aplicando el teorema de probabilidades totales se tiene que P(Ej |A) = P(A |Ej) · P(Ej) n∑ i=1 P(A |Ei ) · P(Ei ) : Eventos y Probabilidad Introducción Características de Problemas Relacionados con Probabilidades Estimación de Probabilidades Elementos de Teoría de Conjuntos Definiciones Importantes Operaciones Matemáticas de Conjuntos Matemática de la Probabilidad Ley Aditiva Cálculo de Probabilidades: Métodos de Conteo Probabilidad Condicional Ley Multiplicativa Teorema de Probabilidades Totales Teorema de Bayes
Compartir