Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Lectura 6: Probabilidad: probabilidad condicional, independencia, y la regla del producto Estadística Octubre 31, 2013 La probabilidad condicional es un aspecto muy importante en teoría de probabilidad. Por ejemplo, en vez de interesarnos en la probabilidad de falla de una línea de transmisión, puede resultar más útil evaluar la probabilidad de falla después de que ha ocurrido una falla en otro sector en el sistema de potencia. A este tipo de estudios en sistemas electricos se le conoce como análisis de contingencias, donde interesa evaluar la robustez y confiabilidad del sistema ante una serie de eventos desafortunados inesperados. Probablemente, algunos de ustedes terminaran haciendo investigación en esta área que vela por la seguridad de manera continua del sector eléctrico. 1. Probabilidad condicional Hasta el momento, hemos aprendido a calcular y analizar la probabilidad incondicional de ocurrencia de un evento A cualquiera. Sin embargo, la ocurrencia del evento A puede estar afectada de la ocurrencia de otro evento B. Por ejemplo, el tiempo para desplazarse de un lugar a otro en Medellin es afectado en gran medida por el estado del clima. A mayor lluvia, mayor trafico y mayor el tiempo de desplazamiento. Por lo tanto, si A es el evento de emplear más de 20 minutos para llegar al destino final, y B es la probabilidad de lluvia en la ciudad, entonces intuitivamente asumimos P (A) crece a medida que P (B) crece. 1 Para establecer dicha dependencia, en estadística se usa la notación P (A|B), que denota la probabilidad condicional de A dado que el evento B haya ocurrido. Por ejemplo, en el proceso de producción de transformadores (10 monofásicos de 50MVA, 15 monofásicos de 70MVA, 12 trifásicos de 50MVA, y 20 trifásicos de 70MVA) la empresa XY selecciona al azar un transformador para pruebas de calidad. Si M es el evento de seleccionar un trans- formador monofásico, entonces P (M) = 10+15 10+15+12+20 = 25 57 . Si N es el evento de seleccionar un transformador de 70MVA, entonces la probabilidad de seleccionar un transformador mo- nofásico dado que es (o entre los) de 75MVA podemos decir que P (M |N) = 15 15+20 = 15/57 35/57 . Observe que la probabilidad condicional cambia el espacio muestral original por el del evento condicionante. Para dos eventos A y B, la probabilidad condicional de B, dado A, está definida por P (A|B) = P (A ∩B) P (B) , dado que P (B) > 0. Ejemplo 1. (Ejemplo 2.25 de [1]). Supóngase que de todos los individuos que compran cierta cámara digital, 60% incluyen una tarjeta de memoria opcional en su compra, 40% incluyen una bateria extra, y 30% incluyen tanto una tarjeta como una bateria. Considere seleccionar al azar un comprador y sean A= tarjeta de memoria adquirida, B = bateria adquirida. Entonces P (A) = 0,6, P (B) = 0,4, y P (A ∩ B) = 0,3. El individuo seleccionado adquirió una bateria extra, entonces la probabilidad de que una tarjeta opcional también haya sido adquirida es P (A|B) = P (A ∩B) P (B) = 0,3 0,4 = ,75 Es decir, entre los que escogieron bateria, el 75% de los individuos seleccionó tarjeta adicional. También podemos calcular P (B|A), que determina entre los que escogieron la tarjeta, la probabilidad de haya seleccionado la bateria. 2 P (B|A) = P (A ∩B) P (A) = 0,3 ,6 = ,5 Ejemplo 2. (Ejemplo 2.26 de [1]). Una revista de noticias publica tres columnas tituladas “Arte” (A), “Libros” (B) y “Cine” (C). Los hábitos de lectura de un lector seleccionado al azar con respecto a estas columnas son Lee regularmente: A B C A ∩B A ∩ C B ∩ C A ∩B ∩ C Probabilidad: ,14 ,23 ,37 ,08 ,09 ,13 ,05 Determine a) P (A|B), b) P (A|B ∪ C), c) P (A|lee por lo menos una), d) P (A ∪B|C). Ejemplo 3. La probabilidad de que un vuelo programado despegue a tiempo es P (D) = 0,83; la probabilidad de que aterrice a tiempo es P (A) = 0,82; y la probabilidad de que despegue y aterrice a tiempo es P (D ∩ A) = 0,78. Encuentre la probabilidad de que el vuelo: (a) aterrice a tiempo dado que despegó a tiempo, (b) despegó a tiempo, dado que ha aterrizado a tiempo, (c) no despegó a tiempo dado que ha aterrizado a tiempo, (d) aterrice a tiempo dado que no despegó a tiempo. 2. Regla del producto Básicamente, cuando se conoce la probabilidad condicional P (A|B) (o P (B|A)) y se desea conocer P (A ∩B), se usa la siguiente expresión: P (A ∩B) = P (A|B)P (B) = P (B|A)P (A) 3 Ejemplo 4. (Ejemplo 2.36 de [2]). Suponga que tenemos una caja que contiene 20 fusibles, de los cuales 5 están defectuosos. Si 2 fusibles se seleccionan aleatoriamente y son removidos de la caja sucesivamente sin reemplazar el primero, cuál es la probabilidad de que ambos fusibles estén defectuosos? Solución. Sea A el evento de seleccionar el primer fusible defectuoso, y B el evento de seleccionar el segundo fusible defectuoso. Entonces, debemos calcular P (A∩B). En la primer selección tenemos que P (A) = 5/20 = 1/4. Dado que no hay reemplazo, P (B|A) = 4/19; luego P (A ∩B) = 1/4× 4/19 = 1/19. 3. Independencia En el ejemplo anterior, observamos que P (B|A) 6= P (B) lo cual indica que B depende de A. Esto no ocurriría si el primer fusible defectuoso se reemplazara porque resultaría que P (B|A) = P (B). Definición. Los eventos A y B son independientes si y solo si P (B|A) = P (B) o P (A|B) = P (A), y son dependientes en caso contrario. Teorema. Dos eventos A y B son independientes si y solo si P (A ∩B) = P (A)P (B). Por lo tanto, para obtener la probabilidad de que dos eventos independientes ocurrirán, simplemente multiplicamos sus dos probabilidades individuales. Ejemplo 5. Se lanza una moneda infinitamente. Determine la probabilidad de que la pri- mera “C” ocurra en un número par de lanzamientos. [Sugerencia: recuerde que ∑∞ k=0 x k = 4 1 1−x , |x| < 1] Después de resolver el ejemplo teóricamente, podemos correr el siguiente código en R que ilustra el experimento. Básicamente se lanzará la moneda hasta que se encuentre una “C” (o un 2 para el código). Y este procedimiento se repite n veces. Al final, la probabilidad solicitada se calcula como el número de veces que se obtuvo cara en un lanzamiento par dividido entre el número total de veces n. # Lanzamiento infinito de una moneda. n = 1000 # numero de veces que se repite el experimento coin <- NULL Hit <- NULL # Lanzamiento en el cual se observa cara en el experimento i for (i in 1:n) { Hit[i] <- 0 j <- 0 # Contador de lanzamiento de monedas success <- 0 while (success == 0) { coin <- sample(1:2, size = 1) # Lanzamiento de moneda j <- j + 1 # cuenta los lanzamientos if (coin == 2) # Sale cara { success = 1 # Señal para que se termine el experimento i Hit[i] <- j } } } 5 Figura 1: Sistema eléctrico del ejemplo # Falta contar en el vector Hit cuantas veces se tuvo cara en numero par de lanzamientos Mod_H = Hit %% 2 # Retorna un cero cuando se tuvo un numero par # La suma de los ceros de Mod_H indicaría el número de veces entre las n repeticiones que se obtuvo cara en numero par de lanzamientos. ProbCaraNumPar <- length(which(Mod_H %in% 0))/n print(ProbCaraNumPar) Ejemplo 6. (Ejemplo 2.39 de [2]). Un sistema eléctrico consiste de cuatro componentes como se ilustra en la Fig. 1. La confiabilidad (probabilidad de que funcione) cada componente también se muestra en la Fig. 1. Encuentre la probabilidad de que a) el sistema completo funcione, b) el componente C no funcione dado que el sistema completo funcione. Asuma que los cuatro componentes operan independientemente. Teorema. Si en un experimento, los eventos A1, A2, · · · , Ak pueden ocurrir, entonces P (A1 ∩ A2 ∩ · · · ∩ Ak) = P (A1)P (A2|A1)P (A3|A1 ∩ A2) · · ·P (Ak|A1 ∩ A2 ∩ · · · ∩ Ak−1) . Si los eventos A1, A2, · · · , Ak son independientes, entonces P (A1 ∩ A2 ∩ · · · ∩ Ak) = P (A1)P (A2) · · ·P (Ak) . 6 Figura 2: Partición del espacio muestral Ejemplo 7. (Ejemplo 2.40 de [2]). Tres cartas son seleccionadas —sin reemplazar— de una baraja. Encuentre la probabilidad de que el evento A1∩A2∩A3ocurra, donde A1 es el evento de que la primera carta es un ace rojo, A2 es el evento de que la segunda carta es un 10 o un jack, y A3 es el evento de que la tercera carta es mayor que 3 pero menor que 7. 4. Regla de Bayes 4.1. Probabilidad total Teorema. Si los eventos B1, B2, . . . , Bk constituyen una partición del espacio muestral S tal que P (Bi) 6= 0 para i = 1, 2, . . . , k, entonces para cualquier evento A de S, P (A) = k∑ i=1 P (Bi ∩ A) = k∑ i=1 P (Bi)P (A|Bi) . Demostración. Usar el diagrama de Venn de la Fig. 2 y usar axiomas. Suponga que deseamos probar la efectividad de las pruebas de embarazo. En general, las pruebas no son 100% exactas, la mayoría tienen problemas de falsos positivos y falsos negativos. Un falso positivo ocurre cuando la prueba determina que la mujer está embarazada 7 (resultado positivo), pero en realidad no lo está. Un falso negativo ocurre cuando la prueba determina que la mujer no está embarazada (resultado negativo), pero en realidad si lo está. Suponga que —según la prueba en cuestión— una mujer embarazada tiene un 70% de probabilidad de ser diagnosticada en embarazo, y una mujer no embarazada un 10%. Asuma que realizaremos el estudio con datos de adolescentes entre 15 y 19 años de edad en Colombia, donde se estima que el 19.5%1 de ellas está embarazada. Entonces, si una mujer usa la prueba de embarazo, cuál es la probabilidad de que el resultado sea positivo? Sea T el evento de que la prueba resulte positiva, y E el evento de que una mujer esté embarazada. De la información tenemos que P (T |E) = 0,7 y P (T |E ′) = 0,1. Ademas, P (E) = 0,195 y P (E ′) = 1− 0,195 = 0,805. Necesitamos calcular P (T ). Para ello usaremos la probabilidad total, donde expresaremos el evento T como: T = {T ∩ E} ∪ {T ∩ E ′} ya que E y E ′ forman una partición de S. Luego, P (T ) = P (T ∩ E) + P (T ∩ E ′) = P (T |E)P (E) + P (T |E ′)P (E ′) = 0,7× 0,195 + 0,1× 0,805 = 0,217 4.2. Regla de Bayes Teorema (Regla de Bayes). Si los eventos B1, B2, . . . , Bk consitituyen una partición del espacio muestral S tal que P (Bi) 6= 0 para i = 1, 2, . . . , l, entonces para cualquier evento A ∈ S tal que P (A) 6= 0, P (Br|A) = P (Br ∩ A)∑k i=1 P (Bi ∩ A) = P (Br)P (A|Br)∑k i=1 P (Bi)P (A|Bi) para r = 1, 2, . . . , k. 1Dato tomado de El Espectador del 24 de Sept. de 2012 8 La probabilidad P (Bi), i = 1, . . . , k se conoce como la probabilidad a priori. Es la pro- babilidad de Bi antes de que A es observado. Esta probabilidad refleja nuestro conocimiento previo acerca de cada uno de los Bi’s. Y P (Br|A) es la probabilidad a posteriori, que nos dice la probabilidad de Br una vez A ha ocurrido. Esta probabilidad es útil en el sentido de que actualizamos la probabilidad de Br basado en la evidencia A. Volviendo entonces al ejemplo de las pruebas de embarazo, la pregunta más importante sería: cuál es la probabilidad de que verdaderamente una mujer esté embarazada cuando la prueba resulta positiva? Con esta pregunta estamos actualizando nuestra creencia (de la probabilidad de que las adolescentes estén embarazadas) basados en la evidencia de la prueba de embarazo. Matemáticamente, necesitamos determinar P (E|T ). Usando la regla de Bayes tenemos: P (E|T ) = P (T |E)P (E) P (T ) = 0,7× 0,195 0,217 = 0,629 También podemos determinar la probabilidad de que una adolescente no esté embarazada cuando la prueba lo diagnostica (falso positivo), que sería 1− P (E|T ) = 0,371. Es evidente que si la prueba resulta positiva, es mas probable que la mujer este embarazada; sin embargo, esta prueba no es muy confiable porque la probabilidad de falso positivo es alta (37%). Cuál es la probabilidad de que una adolescente si este en embarazo a pesar de que la prueba no lo haya indicado (falso negativo)? Ejemplo 8. (Ejemplo 2.29 de [1]) Una cadena de tiendas de video vende tres marcas dife- rentes de reproductores de DVD. De sus ventas de reproductores de DVD , 50% son de la marca 1, 30% son de la marca 2, y 20% son de la marca 3. Cada fabricante ofrece 1 año de garantía en las partes y mano de obra. Se sabe que 25% de los reproductores de DVD de la marca 1 requieren trabajo de reparación dentro del período de garantía, mientras que los porcentajes correspondientes de las marcas 2 y 3 son 20% y 10%, respectivamente. (a) Cuál es la probabilidad de que un comprador seleccionado al azar haya adquirido un 9 reproductor de DVD marca 1 que necesitará reparación mientras se encuentra dentro de la garantía? (b) Cuál es la probabilidad de que un comprador seleccionado al azar haya comprado un reprodutor de DVD que necesitará reparación mientras se encuentra dentro de la garan- tía? (c) Si un cliente regresa a la tienda con un reproductor de DVD que necesita reparación dentro de la garantía, cuál es la probabilidad de que sea un reproductor de DVD marca 1? Un reproductor de DVD marca 2? Un reproductor de DVD marca 3? Gráficamente, la regla de Bayes convierte información acerca de la probabilidad de dife- rentes efectos de cada causa posible: en información de las probables causas dados los efectos observados: Referencias [1] Jay L. Devore. Probabilidad y estadistica para ingenieria y ciencias, Octava edicion. Cengage Learning, Julio 2011. 10 [2] Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, and Keying Ye. Probability & statistics for engineers & scientists, 9th ed. Pearson, 2011. 11
Compartir