Documente Academic
Documente Profesional
Documente Cultură
PROBABILIDADES
SESION Nº 1
1
CONTENIDO
•Definiciones de Probabilidad
•Definición clásica, subjetiva y frecuentista de probabilidad.
•Algebra de Eventos.
•Regla de la adición: eventos mutuamente excluyentes y no excluyentes.
•Regla de la multiplicación: eventos independientes y dependientes.
•Probabilidad de eventos compuestos.
•Probabilidad condicional.
•Teorema de Bayes.
LOGRO DE SESION
3
Los profesionales de ingeniería tienen
como exigencia intrínseca desarrollar
investigación permanente, ello significa, la
búsqueda sistematizada y objetiva de
hechos o de explicaciones
a fenómenos
relacionados
con su
entorno
laboral .
4
Casi toda decisión que un Ingeniero
tiene que tomar, de una u otra
manera, presenta algún elemento de
incertidumbre, es decir, en el
momento en que la decisión es
tomada no se tiene la certeza
absoluta de cual será la
consecuencia de la decisión tomada.
5
Algunas veces, los efectos de la
incertidumbre son tan pequeños que
su influencia en la decisión tomada
puede despreciarse y por tanto se trata
a la situación que se presenta como que
no tiene incertidumbre y se toma la
decisión con entera confianza.
6
Pero en muchas ocasiones se enfrentan
situaciones donde la incertidumbre es
importante y no puede ser ignorada y en
esas situaciones, las probabilidades y la
estadística son
herramientas
eficaces para
tomar las
decisiones.
7
El objetivo de la
PROBABILIDAD es medir la
incertidumbre de que ocurran
determinados Sucesos
8
Es difícil exagerar la importancia de la
teoría de probabilidades; en muchos
problemas e Economía, Administración,
Contabilidad, Ingenierías, etc.
9
Ejemplo:
11
•La afición al juego fue lo que impulso el desarrollo
de la probabilidad.
12
1. EXPERIMENTO:
13
1.1. Experimentos Deterministicos:
Ejemplos:
14
1.2. Experimento NO deterministico o ALEATORIO (ε)
Son aquellos cuyos resultados del experimento no pueden
predecirse con exactitud antes de realizar el experimento.
Ejemplos:
15
2. ESPACIO MUESTRAL (Ω)
•Es el conjunto de todos los resultados posibles de un
experimento aleatorio.
Ejemplo:
Experimento Espacio Muestral
ε1 Ω1= {1,2,3,4,5,6}
ε2 Ω2= {ccc, ccs,csc,scc,…,sss}; c=cara,
s=sello
ε3 Ω3 = {0, 1, 2,…, N}; en donde N es el
número máximo que pudo ser producido
en 24 horas.
16
3. EVENTO ( A, B, C …):
17
Ejemplos de Eventos:
ε: Verificar 3 tornillos
18
4. CLASES DE EVENTOS
a. Evento unitario: Es aquel que contiene un solo resultado.
A: Que los tres tornillos sean No defectuosos A= {NNN}
19
5.SUCESO:
Se llama suceso a todo elemento del espacio muestral.
Ω = {CCC,CCS,CSC,CSS,SCC,SCS,SSC,SSS}
Suceso
20
Ejemplo 1 de Experimento ,Espacio Muestral y Evento
21
Ejemplo 2 de Experimento, Espacio Muestral y Evento
n (Ω2 ) =36
B: Que salga las caras iguales al lanzar dos dados (1,1) ( 2,2) (3,3) (4,4) (5,5) (6,6)
n (B ) = 6 P (B ) = 6 / 36 = 0.17
22
EJEMPLO 3: Experimento, Espacio Muestral y Evento
Dos gasolineras se ubican en cierta intersección. Cada una tiene 6 bombas.
Considere el “experimento en el que para cada gasolinera se determina el
número de bombas en uso en determinado momento del día”. Un resultado
experimental especifica cuantas bombas están en uso en la primera gasolinera
y cuantas en la segunda.
23
EJEMPLO 3: Experimento, Espacio Muestral y Evento
24
Ejercicios de Aula:
a.Elegir una carta de una baraja (52 cartas) y señalar la figura obtenida. V F
g. Rendir un examen. V F
h. Jugar la tinka V F
25
Ejercicios de Aula:
2. Indique el espacio muestral para los siguientes experimentos: (Utilice el
diagrama del árbol)
26
6. REGLAS BASICAS DE PROBABILIDADES
27
7. PROPIEDADES DE RELACIONES ENTRE EVENTOS
( C1) : A B B A
( C2) : A B B A
28
7. PROPIEDADES DE RELACIONES ENTRE EVENTOS
( A1) : A ( B C ) ( A B) C
( A2) : A ( B C ) ( A B) C
29
8. LEYES O PROPIEDAD DISTRIBITIVA
(D1) : A ∩ ( B U C ) = ( A ∩ B ) U ( A ∩ C)
(D2) : A U ( B ∩ C ) = ( A U B ) ∩ ( A U C )
30
9. LEYES DE MORGAN
(M1) : A∩ B = A U B
(M2) : A U B = A ∩ B
31
1. Regla de Adición
2. Regla de Multiplicación
3. Probabilidad Condicional
32
1 Regla de Adición
La Regla de Adición nos da la forma de calcular la probabilidad de que
ocurra el evento A ó B ó ambos.
A B A B
P ( A U B )= P (A) + P( B ) – P ( A ∩ B) P ( A U B ) = P (A) + P( B )
33
o Ejemplo 1:
Si el experimento es lanzar un dado una vez, el espacio muestral es:
Ω = { 1, 2, 3, 4, 5, 6 }
Si el evento A es cae un número par
A = { 2, 4, 6 }
Si el evento B es cae un número menor de 3
B = { 1, 2 }
34
Solución al Ejemplo 1:
A B A B
P ( A ∩ B )= P (A) P ( B / A )
P ( A ∩ B )= P (B) P ( A / B ) P ( A ∩ B ) = P (A) P ( B )
36
3 Probabilidad Condicional
La probabilidad de que ocurra un evento dado que otro evento ya ha
ocurrido se llama Probabilidad Condicional
a) Si los eventos son b) Si los eventos son
Dependientes o relacionados Independientes
A B A B
P ( B / A ) = P ( A ∩ B ) / P (A) P ( B / A ) = P (B)
37
Ejemplo 2:
El experimento es extraer aleatoriamente dos fluoculantes de una caja
que contiene 5 fluoculantes liquidos y 5 fluoculantes sólidos ¿Cuál es
la probabilidad de que ambas fluoculantes sean líquidos?
38
Solución al Ejemplo 2:
* Al extraer el primer fluoculante, en la caja hay 5 tipos de fluoculante
líquidos de un total de 10, por lo que la probabilidad es:
P(A) = 5/ 10 = 0.50
39
Ejemplo 3:
Se lanzan dos monedas ¿Cuál es la probabilidad de que ambas caigan
cara?
Solución:
P(A) = {probabilidad de que caiga cara en la primera moneda}
P(B) = {probabilidad de que caiga cara en la segunda moneda}
40
TEOREMA DE BAYES
41
1. Partición de un espacio muestral:
Se dice que la colección de eventos B1, B2, …, B k del espacio muestral Ω
representa una partición del espacio muestral Ω , si cumple las siguientes
condiciones:
42
b) Los eventos B1, B2, …, B k , son colectivamente exhaustivos.
En símbolo:
k
UBi=Ω
i=1
43
2. Teorema de Probabilidad Total: Sea B1, B2, …, B k; una partición del
espacio muestral Ω , entonces para cualquier evento A en Ω se cumple:
k
P(A) = Σ P (Bi) P (A/ Bi) = P(B1) P(A/B1) + P(B2) P(A/B2) +…+ P(Bk) P(A/Bk). .
i= 1
Ω
A
…
Bk ∩ A
B2 ∩ A
B1 ∩ A
…
B1 B2 Bk
44
TEOREMA DE BAYES: Sea B1, B2, …, B k; forman una partición
del espacio muestral Ω y A es un evento cualquiera de Ω entonces :
P( Br / A) = P(Br) P ( A / Br)
k
Σ P (Bi) P ( A/Bi)
i= 1
45
Un diagrama de árbol es una representación gráfica que
muestra los resultados posibles de una serie de
experimentos y sus respectivas probabilidades.
46
EJEMPLO: ¿ Cómo disminuir los Costos de Calidad?
Optimizar costos de realización de
procedimientos
Optimizar costos de
Optimizar costos de formación
Prevención
Optimizar costos de pautas de inspección
47
Ejemplo Bayes Nº 1.
48
Ejemplo Bayes Nº 2.
49
REVISAR EJERCICIOS DESARROLLADOS
Estimado Estudiante, agradeceré revisar y estudiar los ejercicios
desarrollados, disponibles en el libro de WALPOLE MYERS, MYERS YE
(Código de Biblioteca UPNC : 519.5 WALP), desde la página 68 – 72.
(También puede revisar de forma opcional la versión digital facilitada)
50
¿QUÉ HEMOS VISTO?
•Definiciones de Probabilidad
•Definición clásica, subjetiva y frecuentista de probabilidad.
•Algebra de Eventos.
•Regla de la adición: eventos mutuamente excluyentes y no excluyentes.
•Regla de la multiplicación: eventos independientes y dependientes.
•Probabilidad de eventos compuestos.
•Probabilidad condicional.
BIBLIOGRAFIA BASICA: