Probabilidad Condicional
Upcoming SlideShare
Loading in...5
×
 

Probabilidad Condicional

on

  • 5,328 views

Conceptos básicos sobre probabilidad condicional y teorema de Bayes

Conceptos básicos sobre probabilidad condicional y teorema de Bayes

Statistics

Views

Total Views
5,328
Views on SlideShare
5,326
Embed Views
2

Actions

Likes
0
Downloads
62
Comments
0

1 Embed 2

http://www.slashdocs.com 2

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Probabilidad Condicional Probabilidad Condicional Presentation Transcript

  •  
  • P( •| B) es una función de probabilidad y por lo tanto se verifican todas las propiedades de una probabilidad: P( φ | B) = 0 P(A c | B) = 1 − P(A | B) Si A y C son disjuntos: P(AUC | B) = P(A | B) + P(C | B) P(AUC | B) = P(A | B) + P(C | B) − P(A ∩ C | B) En general: P(A | B) ≠ P(B | A) PROBABILIDAD CONDICIONAL
  • La probabilidad de que una empresa venda un producto defectuoso cuando la producción se somete a un proceso diario de control de calidad (C.C.) es 0,005. La probabilidad de que un día no haya control de calidad es 0,05 y la probabilidad de que esa empresa venda un producto defectuoso (P.D.) es 0,02. Determinar la probabilidad de que: a) Se venda un (P.D.) y que haya (C.C.). b)Habiéndose vendido un (P.D.) haya habido (C.C.). c) Habiéndose vendido un (P.D.) no haya habido (C.C.). d) Habiéndose vendido un (P.N.D.) haya habido (C.C.). e) Habiéndose vendido un (P.N.D.) no haya habido (C.C.) . f) No habiendo (C.C.) se venda un (P.D.). g) No habiendo (C.C.) se venda un (P.N.D.). EJEMPLO
  • D=“venta de producto defectuoso” C = “hay control de calidad” P(D/C)=0,005; P(D)=0,02; P(C c )=0,05 P(D c /C)=1-P(D/C)=0,995; P(D c )=1-P(D)=0,98; P(C) =1- P(C c )= 0,95 SOLUCIÓN
  • INDEPENDENCIA ESTADÍSTICA EVENTOS INDEPENDIENTES Y DEPENDIENTES Se dice que dos sucesos son independientes cuando la ocurrencia de uno de ellos, no modifica la ocurrencia del otro, ni está influenciado por este. Si se realiza una serie de pruebas repetidas, las pruebas son independientes , cuando el resultado de una de ellas no está influenciada por el resultado de la prueba anterior, ni tampoco influenciará el resultado de la prueba siguiente.
  • INDEPENDENCIA ESTADÍSTICA Se dice que dos eventos son independientes si y solo si: P(A/B) = P(A) Se dice que dos eventos son dependientes si la ocurrencia de uno de ellos afecta la ocurrencia del otro. P(A/B) ≠ P(A)
  • INDEPENDENCIA ESTADÍSTICA
    • Si A y B son sucesos independientes , se cumple:
    • A y B c son independientes
    • (ii) A c y B son independientes
    • (iii) A c y B c son independientes .
  • REGLA DE LA CADENA De la definición de probabilidad condicional, se puede evaluar la probabilidad de A1 ∩ A2 ∩ A3... ∩ AN ( probabilidad conjunta ) como: P(A1 ∩ A2 ∩ A3... ∩ AN)=P(A1|A2 ∩ ... ∩ AN)P(A2| A3 ∩ … ∩ AN)... P(AN) Si A1 , A2,A3... , AN son independientes entonces: P(A1 ∩ A2 ∩ A3... ∩ AN)= P(A1)P(A2)... P(AN)
    • Esta regla de probabilidad se deriva de la definición de probabilidad condicional y utiliza el concepto de intersección de eventos para su aplicación:
    • Si A y B son eventos independientes , entonces:
    • P(A ∩ B) = P(A)•P(B)
    • b. Si A y B son eventos dependientes , entonces:
    • P(A ∩ B) = P(B) •P(A/B)
    • P(A ∩ B) = P(A) •P(B/A)
    REGLA MULTIPLICATIVA DE PROBABILIDAD
    • Sea { a;b;c;d} espacio muestral con los eventos elementales equiprobables. Los eventos A ={ a;b} , B ={ a;c} y C = {a;d} son independientes?
    • Se lanzan tres monedas sucesivamente y se consideran los siguientes sucesos:
    • A= obtener cruz en el primer lanzamiento.
    • B= obtener alguna cara. C= obtener dos cruces. Se desea saber:
    • a ) Si A y B son mutuamente excluyentes.
    • b ) Si A y B son independientes.
    • c ) Si A y C son mutuamente excluyentes.
    • d ) Si A y C son independientes
    EJEMPLO
  • REGLA DE PROBABILIDAD TOTAL Sea un espacio muestral “S” y sean B1,B2,...,Bn un conjunto de eventos que constituyen una partición de S, donde Bi son mutuamente excluyentes y colectivamente exhaustivos, se puede expresar la probabilidad de A de la forma: P(A) = ΣiP(A ∩ Bi)=ΣiP(A| Bi) P(Bi) Esta regla es útil cuando necesitamos invertir probabilidades condicionales, es decir cuando sabemos P(A|Bi) y nos interesa calcular P(Bi|A)
  •  
  •  
  • Se lanza una moneda y si sale cara se ponen 7 bolas blancas en una urna y si sale cruz se ponen 4 blancas. Se vuelve a lanzar la moneda y se ponen 5 o 2 bolas negras, según se saque cara o cruz. Después se saca una bola de urna así compuesta EJEMPLO
  • En un país hay cuatro partidos políticos que se dividen la opinión pública. Se sabe que: El 35% de la población adhiere al partido I; El 31% adhiere al partido II; El 28% al partido III; El 6% al partido IV. Entre los adherentes al partido I, un 36% corresponde a personas con ingresos inferiores a dos salarios mínimos; Entre los adherentes al partido II, esa proporción es del 52%; Para el partido III, es un 42% Para el partido IV. 11% Si se elige una persona al azar calcular la probabilidad de que tenga ingresos inferiores a dos salarios mínimos. EJEMPLO
  • TEOREMA DE BAYES El Teorema o Regla de Bayes nos brinda un método para contestar algunas preguntas muy importantes. En su esencia, esta regla nos indica cuál información es necesaria tener y el método para invertir la condición cuando calculamos una probabilidad condicional: si A y B son eventos y conocemos P(A|B),P(B), P(A| B C ), entonces podemos calcular P(B|A). La necesidad de calcular este último valor a partir de la información disponible es imprescindible para entender las consecuencias de algunas de nuestras decisiones.
  • TEOREMA : Dados los sucesos cualesquiera A y Bi tales que P(A)≠0 y P(Bi) ≠ 0, UBi=S se cumple: EJEMPLO : Sea E un suceso que indica si una persona tiene cierta enfermedad. A: indica si la prueba de un test relacionado a dicha enfermedad es positivo. Se sabe que: P(E) = 0.01, P(A | E) = 0.95, P(A | E c ) = 0.03. Nos interesa calcular: P(E | A). P(Br| A) = P(Br) P(A| Br) / Σ iP(A| Bi) P(Bi) TEOREMA DE BAYES
  • Considere una fábrica de botellas que cuenta con dos máquinas para producir sus botellas. En esa fábrica se producen 10,000 botellas al día. La máquina A produce 6,500 botellas diarias de las cuales el 2% son defectuosas. La máquina B produce 3,500 botellas cada día de las cuales el 1% son defectuosas. El inspector de calidad de la compañía selecciona una botella al azar y encuentra que está defectuosa. ¿Cuál es la probabilidad de que la botella haya sido producida por la máquina A? EJEMPLO
  • ¿Cómo se puede explicar que la máquina A produzca el 79% de las botellas defectuosas? Este hecho se debe a dos factores. El primero es que la máquina A produce casi el doble de botellas que la máquina B. Aún si la tasa de botellas defectuosas fuera la misma para ambas máquinas, por el hecho de producir un mayor número de botellas, la máquina A produciría casi el doble de defectuosas de la máquina B. El segundo factor es que la tasa de producción de defectuosas de la máquina A es el doble de la correspondiente de la máquina B. En este caso, aún si ambas máquinas produjeran la misma cantidad, las producidas por la máquina A contendrían el doble de botellas defectuosas que las que vienen de la máquina B. INTERPRETACIÓN
  • El gobierno aprobó una ley para hacer obligatorio que los cerca de 200,000 empleados públicos se sometan a una prueba para detectar si son usuarios de drogas. Se estima que el 1% de los empleados públicos del país son usuarios de drogas. La prueba que se ofrece muestra un resultado positivo en el 98% de los casos en que se le administra a una persona que usa drogas, es decir, detecta el 98% de los usuarios de drogas. De manera similar, si la persona no usa droga alguna, la prueba arroja un resultado negativo en el 99% de los casos. EJEMPLO
  • Se selecciona un empleado al azar, se le administra la prueba y se obtiene un resultado positivo. ¿Cuál es la probabilidad de que la persona sea un usuario de drogas? De la población a la que se administra la prueba, ¿cuántos resultados positivos esperarías observar? ¿cuántos falsos positivos habría? EJEMPLO
    • Un analista de coyuntura económica quiere realizar predicciones a corto plazo sobre la evolución de la economía. Utiliza como indicador adelantado el consumo de energía eléctrica. Por experiencia sabe que cuando la economía crece durante un periodo a un ritmo superior al del periodo anterior (A) la probabilidad de que el consumo eléctrico sea alto es 0,90. Si ese crecimiento es igual al del periodo anterior (B) la probabilidad es 0,50. Finalmente, si el crecimiento es menor al observado en el periodo anterior (C), entonces la probabilidad es 0,20. Además se sabe que los pronósticos respecto del comportamiento de la economía asignan al escenario A una probabilidad del 0,20 y al B del 0,60. Determinar la probabilidad :
    • De que se de A y que el consumo eléctrico sea alto.
    • De que el consumo eléctrico sea alto.
    • De los distintos escenarios. Si el consumo es alto.
    EJEMPLO
  • SOLUCIÓN A = tiene lugar el escenario A. B = tiene lugar el escenario B. C = tiene lugar el escenario C. D = consumo eléctrico alto. P(A) = 0,20; P(B) = 0,60; P(C) = 0,20; P(D/A) =0,90; P(D/B) = 0,50; P(D/C) = 0,20.
  • Tenemos una caja con 5 canicas, dos de ellas son rojas y las otras tres son azules. Se selecciona una canica al azar, sin mirarla la guardamos en el bolsillo. Luego seleccionamos otra canica al azar. Esta segunda canica era de color rojo. ¿Cuál es la probabilidad de que la primera canica haya sido también roja? EJEMPLO
  •