Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
2ESTADÍSTICA BÁSICA TEMA 3 - PROBABILIDAD B1 B2 B3 B4 A (𝐴 𝑩𝟏) (𝐴 𝑩𝟐) (𝐴 𝑩𝟑) (𝐴 𝑩𝟒) TEMA 3: Probabilidad 1. Introducción 2. Definición de probabilidad y propiedades 3. Probabilidad condicionada y total 4. Independencia de sucesos 5. Teorema de Bayes 4ESTADÍSTICA BÁSICA SUCESO: Ejemplo A: sacar un dos al lanzar un dado B: sacar más de 3 al lanzar un dado C: que el ordenador O tarde más de 10 sg en hacer la tarea T D: que el material M1 resista el peso P resultado de un experimento Antes de realizar el experimento: ¿Observaremos el suceso o no? Probabilidad= medida de la incertidumbre sobre dicho suceso 1. Introducción Probabilidad: medida de la incertidumbre sobre un suceso ¿ocurrirá o no? 5ESTADÍSTICA BÁSICA EXPERIMENTO: Cualquier procedimiento de obtención de un dato, dadas unas condiciones de experimentación Si obtenemos un nuevo dato manteniendo constantes las condiciones de experimentación estamos REPITIENDO el experimento Conceptos importantes Ejemplo: comprobar si una muestra del material M1 resiste el peso P Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T Ejemplo: medir la longitud de una pieza del tipo T producida por la máquina M Ejemplo: calcular el resultado de sumar 10+4 1. Introducción 6ESTADÍSTICA BÁSICA Experimento determinista: es aquél en el que cada vez que se repite se obtiene el mismo resultado ¿Por qué? Experimento aleatorio: es aquél en el que no siempre se obtiene el mismo resultado = INCERTIDUMBRE ¿Por qué? Tipos de experimentos porque las condiciones de experimentación contiene a TODOS los factores que influyen Ejemplo: calcular el resultado de sumar 10+4 porque las condiciones de experimentación NO contiene a TODOS los factores que influyen. Ejemplo: comprobar si una muestra del material M1 resiste el peso P Ejemplo: cronometrar el tiempo que el ordenador O tarda en hacer la tarea T Ejemplo: medir la longitud de una pieza del tipo T producida por la máquina M 1. Introducción 7ESTADÍSTICA BÁSICA SUCESO ELEMENTAL: Ejemplo: Al lanzar un dado, los sucesos elementales son 1,2,3,4,5,6 Al medir el tiempo de realización de una misma tarea, los sucesos elementales son infinitos cada uno de los resultados elementales del experimento aleatorio SUCESO COMPUESTO: Ejemplo: Al lanzar un dado, sacar un número par 𝐴: {2,4,6} unión de sucesos elementales SUCESO CONTRARIO o COMPLEMENTARIO: Ejemplo: Al lanzar un dado, sacar un número par A:{2,4,6} y su contrario será sacar impar, Ā :{1,3,5} El suceso complementario a A , Ā , es el que se observa cuando no ocurre A 1. Introducción 8ESTADÍSTICA BÁSICA ESPACIO MUESTRAL: Ejemplo Al lanzar un dado, E={1,2,3,4,5,6} Al medir el tiempo de realización de una tarea 𝐸 = {𝑡 ≥ 0} conjunto de todos los sucesos posibles en un experimento. E. Se suele definir uniendo los elementales. También se le llama el Suceso Seguro SUCESO IMPOSIBLE o VACÍO: Ejemplo Al medir el tiempo de realización de una tarea Ø = {𝑡 < 0} suceso que nunca puede observarse, Ø 1. Introducción 9ESTADÍSTICA BÁSICA Diagrama de Venn Representación gráfica de sucesos: nos representa los diferentes sucesos que pueden observarse al realizar un ‘experimento aleatorio’ E A B C 1. Introducción E A Ā A Ā =E Ejemplo: sucesos elementales al lanzar un dado 1 2 3 4 5 6 1 U 2 U 3 U 4 U 5 U 6=E 10 11ESTADÍSTICA BÁSICA A B A B Unión de sucesos o ‘suceso unión’: es el suceso que ocurre cuando ocurre alguno de los que se unen. A B o bien A + B Ejemplo: A: sacar 2 ó 3 al lanzar un dado; A={2,3} B: sacar un número par; B={2,4,6} A+B={2,3,4,6} 1. Introducción 12ESTADÍSTICA BÁSICA A B A B o bien AB A B A B= Ø (sucesos disjuntos o mutuamente excluyentes) Intersección de sucesos o ‘suceso intersección’: es el suceso que ocurre cuando los sucesos ocurren simultáneamente. Ejemplo: A: sacar 2 ó 3 al lanzar un dado; A={2,3} B: sacar un número par; B={2,4,6} AB=suceso en A y en B={2} 1. Introducción TEMA 3: Probabilidad 1. Introducción 2. Definición de probabilidad y propiedades 3. Probabilidad condicionada y total 4. Independencia de sucesos 5. Teorema de Bayes 14ESTADÍSTICA BÁSICA 2. Definición de probabilidad y propiedades A : suceso en el que estamos interesados. Hacemos el experimento y ... ¿Observaremos el suceso A? Medida de la incertidumbre de observar A. Probabilidad de observar el suceso A en la siguiente repetición del experimento aleatorio P(A) Probabilidad de un suceso A: es la frecuencia relativa de aparición del suceso si repitiésemos el experimento indefinidamente • 0 𝑃(𝐴)1 • 𝑃(𝐸) = 1 • 𝑃(Ø) = 0 • 𝑃(Ā) = 1 − 𝑃(𝐴) Ejemplo, A: sacar cara al lanzar una moneda Ejemplo, B: tardar más de 10 sg en realizar una tarea Ejemplo, C: que mañana llueva Ejemplo, D: que apruebe la asignatura 15ESTADÍSTICA BÁSICA A B Para sucesos mutuamente excluyentes 𝑃(𝐴 + 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) A B Si no son mutuamente excluyentes 𝑃(𝐴 + 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) Si no restamos 𝑃(𝐴 ∩ B), estamos contando el suceso intersección dos veces 2. Definición de probabilidad y propiedades 16ESTADÍSTICA BÁSICA Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribución bivariante es la siguiente: Tipo I Tipo II TOTAL Aceptables 46 184 230 Defectuosas 4 16 20 TOTAL 50 200 250 Si seleccionamos un artículo al azar ¿Cuál es la probabilidad de que sea defectuoso? Si seleccionamos un artículo al azar ¿Cuál es la probabilidad de que sea del Tipo II? P(Defectuoso)=20/250=0.08 P(Tipo II)=200/250=0.80 2. Definición de probabilidad y propiedades Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribución bivariante es la siguiente: Tipo I Tipo II TOTAL Aceptables 46 184 230 Defectuosas 4 16 20 TOTAL 50 200 250 Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250 ¿Cuál es la probabilidad de sacar una pieza que no le valga) Solución 1: 𝑃 no vale = 1 − 𝑃 𝑣𝑎𝑙𝑒 = 1 − 𝑃 Aceptable ∩ 𝑇𝑖𝑝𝑜 𝐼𝐼 = 1 − 184 250 = 0.264 Ejemplo Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribución bivariante es la siguiente: Tipo I Tipo II TOTAL Aceptables 46 184 230 Defectuosas 4 16 20 TOTAL 50 200 250 Un comprador quiere una pieza del Tipo II que funcione. Se extrae una pieza al azar de las 250 ¿Cuál es la probabilidad de sacar una pieza que no le valga) Solución 2: P(no vale)=P(Defectuosa Tipo I) =P(Defectuosa)+P(Tipo I)-P(Defectuosa Tipo I) 20 50 4 = + - 0.264 250 250 250 TEMA 3: Probabilidad 1. Introducción 2. Definición de probabilidad y propiedades 3. Probabilidad condicionada y total 4. Independencia de sucesos 5. Teorema de Bayes 20ESTADÍSTICA BÁSICA 3. Probabilidad condicionada y total La probabilidad de un suceso depende de la información que tengamos A: sacar un 2 al lanzar un dado P(A)=1/6 ¿Y si nos dicen que el número que ha salido es par? P(A sabiendo que ha salido un número par) =1/3>1/6 Probabilidad condicionada Notación: • Suceso que no sabemos si se observará: A . Por ejemplo A: sacar un 2 • Suceso conocido: B. Por ejemplo B: es un número par Definimos el suceso que no se ha observado aún y el que sí se ha observado Probabilidad de A condicionada a B Probabilidad de A dado B P(A|B) 21ESTADÍSTICA BÁSICA Ejemplo En una sala hay 300 personas, que se pueden clasificar de la siguiente forma: Chicas Chicos TOTAL Fuman 15 15 30 No fuman 105 165 270 TOTAL 120 180 300 P(Fuma)=30/300=0.10 Si seleccionamos a una persona al azar ¿Cuál es la probabilidad de que sea fumadora? Si seleccionamos a una persona al azar y vemos que es chico, ¿Cuál es la probabilidad de que sea fumador? P(Fuma|Chico)=15/180=0.083Ya sabemos que es chico 15 (Fuma | Chico) 180 P 3. Probabilidad condicionada y total 22ESTADÍSTICA BÁSICA Ejemplo En una sala hay 300 personas, que se pueden clasificar de la siguiente forma: Chicas Chicos TOTAL Fuman 15 15 30 No fuman 105 165 270 TOTAL 120 180 300 (Fuma | Chi 1 8 o) 0 c 5 1 P nº de personas que son chicos Y fuman nº de chicos 15/ 300 (nº de personas que son chicos Y fuman)/(nº de personas) 180 / 300 (nº de chicos)/(nº de personas) P(Fuma 15/ 300 1 Chi 80 co) P(Chic00 o)/ 3 P(Fuma Chico) (Fuma | Chico) P(Chico) P 3. Probabilidad condicionada y total Regla de la probabilidad condicionada ( ) ( | ) ( ) P A B P A B P B De esta regla también puede tenerse ( ) ( | ) ( )P A B P A B P B ( ) ( | ) ( )P A B P B A P A ( ) ( | ) ( ) P A B P B A P A Análogamente: 23 Regla de la probabilidad total Sean B1,B2,...,Bn sucesos de un experimento cuya unión sea E 1 n i i B E Sea A otro suceso que se observa al mismo tiempo que los sucesos Bi B1 B2 B3 B4 A Ejemplo: B1: ser varón B2: ser mujer A: ser fumador Problema Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varón) y P(A|mujer) ¿Cómo podemos reconstruir la probabilidad total? 1 2B B E 1 ( ) | ( ) n i i i P A P A B P B Regla de la Probabilidad Total 24 ( ) ( )P A P A E B1 B2 B3 B4 A 1 ( ) n i i P A P A B como 1 n i i B E 1 2( ) nP A P A B A B A B (A B1) (A B2) (A B3) (A B4) mutuamente excluyentes 1 2( ) nP A P A B P A B P A B 25 B1 B2 B3 B4 A (A B1) (A B2) (A B3) (A B4) 1 2( ) n P A P A B P A B P A B usando que ( ) ( | ) ( )i i iP A B P A B P B 1 1 2 2( ) | ( ) | ( ) | ( )n nP A P A B P B P A B P B P A B P B 1 ( ) | ( ) n i i i P A P A B P B Regla de la Probabilidad Total 26 B1 B2 B3 B4 A (A B1) (A B2) (A B3) (A B4) 1 ( ) | ( ) n i i i P A P A B P B Regla de la Probabilidad Total Ejemplo: B1: ser varón B2: ser mujer A: ser fumador Queremos saber P(A: ser fumador), pero lo que sabemos es P(A|varón) y P(A|mujer) P(Fumador)=P(Fumador|Mujer)P(Mujer)+P(Fumador|Varón)P(Varón) 27 28ESTADÍSTICA BÁSICA En una sala hay 300 personas, que se pueden clasificar de la siguiente forma: Chicas Chicos TOTAL Fuman 15 15 30 No fuman 105 165 270 TOTAL 120 180 300 P(Fuma|chica)=15/120=0.125 P(Chica)=120/300=0.40 P(Fuma|chico)=15/180=0.0833 P(Chico)=180/300=0.60 P(Fuma)=P(Fuma|Chica)P(Chica)+P(Fuma|Chico)P(Chico) 0.125 0.40 0.0833 0.60 0.10 3. Probabilidad condicionada y total Ejemplo TEMA 3: Probabilidad 1. Introducción 2. Definición de probabilidad y propiedades 3. Probabilidad condicionada y total 4. Independencia de sucesos 5. Teorema de Bayes 30ESTADÍSTICA BÁSICA 4. Independencia de sucesos ¿Qué significa que dos sucesos A y B sean independientes? La información que tengamos de uno de ellos no nos sirve para conocer mejor el otro La probabilidad de uno de ellos no cambia por observar o no el otro P(A|B)=P(A) ; P(B|A)=P(B) Ejemplos: A: sacar 2 con un dado B: sacar cara con una moneda P(A)=1/6; P(A|B)=1/6=P(A) son independientes B: sacar número par con un dado P(A)=1/6; P(A|B)=1/3P(A) son dependientes B: sacar número impar con un dado P(A)=1/6; P(A|B)=0P(A) son dependientes 31ESTADÍSTICA BÁSICA 4. Independencia de sucesos Dos sucesos A y B son independientes si la probabilidad de uno de ellos no cambia por observar o no el otro P(A|B)=P(A) ; P(B|A)=P(B) ( ) ( | ) ( ) ( ) P A B P A B P A P B por la regla de la probabilidad condicionada ( ) ( | ) ( ) ( ) P A B P B A P B P A ( ) ( ) ( )P A B P A P BIndependencia: Dependencia: ( ) ( | ) ( )P A B P B A P A ( ) ( | ) ( )P A B P A B P Bó 32ESTADÍSTICA BÁSICA Unas piezas cilíndricas pueden ser defectuosas por tener una longitud inadecuada o por tener un diámetro inadecuado, siendo ambos tipos de defectos independientes. Si la proporción de cilindros con longitud inadecuada es de 5% y la de cilindros con diámetro inadecuado es del 3%. ¿Qué porcentaje de cilindros son defectuosos? P(longitud inadecuada)=0.05 P(diámetro inadecuado)=0.03 P(defecto)=P(long diam) =P(long)+P(diam)-P(long diam) sucesos independientesP(long diam)=P(long) P(diam)=0.05 0.03=0.0015 P(defecto)=P(long)+P(diam)-P(long diam)=0.05+0.03-0.0015=0.0785 4. Independencia de sucesos Ejemplo 33ESTADÍSTICA BÁSICA Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribución bivariante es la siguiente: Tipo I Tipo II TOTAL Aceptables 46 184 230 Defectuosas 4 16 20 TOTAL 50 200 250 Se extraen, con reposición, dos piezas. ¿Cuál es la probabilidad de ambas que sean del Tipo I? 2. Definición de probabilidad y propiedades Ejemplo Una máquina ha producido 50 piezas del Tipo I y 200 del Tipo II. Cada una de estas piezas puede ser defectuosa o aceptable. La distribución bivariante es la siguiente: Tipo I Tipo II TOTAL Aceptables 46 184 230 Defectuosas 4 16 20 TOTAL 50 200 250 Se extraen, con reposición, dos piezas. ¿Cuál es la probabilidad de ambas que sean del Tipo I? Solución: Los resultados de ambas extracciones son sucesos independientes. Por tanto ( ) ( ) ( ) 50 50 0.04 250 250 P A B P A P B Si sacamos con reposición dos piezas, y repetimos este experimento indefinidamente, sólo el 4% de las veces obtendremos dos piezas del Tipo I 35ESTADÍSTICA BÁSICA Un sistema está formada por 3 componentes como indica el gráfico. El sistema funciona siempre que haya conexión entre los puntos A y B. Los 3 componentes que se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus estados (funcionando/averiado) independientes unos de otros. Calcula la probabilidad de que este sistema falle. Llamaremos 𝐶𝑖: el componente 𝐶𝑖 funciona 𝐶1 𝐶2 𝐶3 A B ¿Qué fiabilidad (prob. de que funcione) deben tener los componentes individuales de un sistema de 10 componentes en serie para que la fiabilidad del conjunto del sistema sea superior a 0.99 𝐶1 𝐶2 𝐶10 A B… EJERCICIOS Al estar los componentes en serie, el sistema funcionará si funcionan todos: 𝑃(Sistema)=𝑃 𝐶1 ∩ 𝐶2 ∩ 𝐶3 = 𝑃 𝐶1 𝑃 𝐶2 𝑃 𝐶3 = 𝑃 𝐶1 3 = 1 − 0.05 3 𝑃 𝑆 = 𝑃 𝐶1 10 > 0.99 ⇒ 𝑃 𝐶1 >? 36ESTADÍSTICA BÁSICA Un sistema está formada por 2 componentes en paralelo como indica el gráfico. La red funciona siempre que haya conexión entre los puntos A y B. Los 2 componentes que se encuentran en la red tienen una probabilidad de fallo de 0.05, siendo sus estados (funcionando/averiado) independientes unos de otros. Demuestra que al estar en paralelo, la probabilidad del sistema es mayor que la de cada componente individual. 𝐶1 𝐶2 A B 𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎 = 𝑃 𝐶1 ∪ 𝐶2 = 𝑃 𝐶1 + 𝑃 𝐶2 − 𝑃 𝐶1 ∩ 𝐶2 = 𝑃 𝐶1 + 𝑃 𝐶2 − 𝑃 𝐶1)𝑃(𝐶2 EJERCICIOS También se puede calcular usando el complementario: 𝑃 Sistema funciona = 𝑃 Sistema falla = 𝑃 ҧ𝐶1 ∩ ҧ𝐶2 = 𝑃 ҧ𝐶1)𝑃( ҧ𝐶2 El sistema funciona si funciona algún componente. El sistema falla si ambos componentes fallan. 37ESTADÍSTICA BÁSICA 𝐶1 𝐶1A B 𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 = 𝑃 𝐶1 ∪ 𝐶2 ∪ 𝐶3 = 1 − 𝑃 ҧ𝐶1 ∩ ҧ𝐶2 ∩ ҧ𝐶3 = 1 − 𝑃 ҧ𝐶1 𝑃 ҧ𝐶2 𝑃 ҧ𝐶3 𝐶3 Cuántos componentes de los anteriores tengo que tener en paralelo para que la fiabilidad del sistema sea superior a 0.999999. 𝐶1 𝐶1A B 𝐶𝐾 ⋮ 𝑃 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 = 𝑃 𝐶1 ∪ 𝐶2 ∪⋯∪ 𝐶𝐾 = 1 − 𝑃 ҧ𝐶1 ∩ ҧ𝐶2 ∩ ҧ𝐶3⋯∩ 𝐶𝐾 = 1 − 𝑃 ҧ𝐶1 𝐾 = 0.999999 Un sistema está formada por 3 componentes en paralelo como indica el gráfico. La red funciona siempre que haya conexión entre los puntos A y B. Los 3 componentes tienen una probabilidad de fallo de 0.05, siendo sus estados (funcionando/averiado) independientes unos de otros. Calcula la fiabilidad de este sistema TEMA 3: Probabilidad 1. Introducción 2. Definición de probabilidad y propiedades 3. Probabilidad condicionada y total 4. Independencia de sucesos 5. Teorema de Bayes 39ESTADÍSTICA BÁSICA5. Teorema de Bayes Problema: Conocemos P(B|A), ¿Cómo podemos calcular P(A|B)? ¿P(A|B)? Por la regla de la probabilidad condicionada ( ) ( | ) ( ) P A B P A B P B ( | ) ( ) ( | ) ( ) P B A P A P A B P B Teorema de Bayes pero también tenemos que ( ) ( | ) ( )P A B P B A P A ( ) ( | ) ( ) P A B P B A P A 40ESTADÍSTICA BÁSICA Una empresa que gestiona la red de una gran empresa adquiere un antivirus con las siguientes características. Si hay virus, da la alarma con probabilidad 0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que dé una falsa alarma de virus. Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la probabilidad de que cuando dé la alarma de virus, haya de verdad un ataque A: al analizar un mensaje se da la alarma V: el mensaje tiene un virus ( | ) 0.95 ( | ) 0.08 ( ) 0.001 P A V P A V P V ( | ) ( ) ( | ) ( ) P A V P V P V A P A 0.95 0.001 ( | ) ( ) P V A P A 1 ( ) | ( ) n i i i P A P A B P B Regla de la Probabilidad Total 5. Teorema de Bayes Ejemplo Una empresa que gestiona la red de una gran empresa adquiere un antivirus con las siguientes características. Si hay virus, da la alarma con probabilidad 0.95. Aunque no haya virus, hay una probabilidad de 0.08 de que dé una falsa alarma de virus. Si la red de dicha empresa suele recibir un ataque de virus por cada 1000 accesos, calcula la probabilidad de que cuando dé la alarma de virus, haya de verdad un ataque A: al analizar un mensaje se da la alarma V: el mensaje tiene un virus ( | ) 0.95 ( | ) 0.08 ( ) 0.001 P A V P A V P V ( | ) ( ) ( | ) ( ) P A V P V P V A P A 0.95 0.001 ( | ) ( ) P V A P A ( ) ( | ) ( ) ( | ) ( )P A P A V P V P A V P V 0.95 0.001 0.08 0.999 0.08087 0.95 0.001 ( | ) 0.012 0.08087 P V A 41 Ejemplo
Compartir