SlideShare una empresa de Scribd logo
1 de 10
Descargar para leer sin conexión
UNIVAD IV: PROBABILIDAD
4.1. DEFINICIONES BÁSICAS EN PROBABILIDAD
Experimento: Todo proceso que produce un resultado u observación.
Ejemplo:
ξ1: Lanzar un Dado y observar el número que queda arriba.
ξ2: Lanzar al aire una moneda y anotar el resultado.
Resultado: Consecuencia de un experimento.
Ejemplo, Para ξ1 Se puede tener el resultado 6, 2, 5, etc.
Experimento Aleatorio: Es aquel que proporciona diferentes resultados aun
cuando se repita siempre de la misma manera.
Los anteriores experimentos son aleatorios
Espacio Muestral: Conjunto de resultados posibles de un experimento.
Ejemplo:
Para ξ1 tenemos S1 = {1, 2, 3, 4, 5, 6 }
Para ξ2 tenemos S2 = {C, N}
Evento: Cualquier subconjunto del espacio muestral.
Ejemplo:
A: Al lanzar un dado el número que aparece es impar.
A = {1, 3, 5 }
Espacio Muestral Discreto: Es el espacio muestral formado por un conjunto
finito (o infinito contable) de resultados.
4.2. DEFINICIÓN DE PROBABILIDAD
Definición 1: Cada vez que un espacio muestral esté formado por N posibles
resultados igualmente probables, la probabilidad de cada uno de ellos será
1/N.
Definición 2: Para un evento muestral discreto, la probabilidad de un evento E,
se denota por P(E), es igual a la suma de las probabilidades de los resultados
en E.
posiblesCasos
favorablesCasos
Sn
En
EP ==
)(
)(
)(
Axiomas de Probabilidad.
La probabilidad es un número que se asigna a cada miembro de una colección
de Eventos de un experimento aleatorio y que satisface las siguientes
propiedades:
1. P(S) = 1, S es el Espacio Muestral.
2. P(∅) = 0
3. 0≤ P(E) ≤ 1, E es un evento Cualquiera.
4. Para dos eventos E1 y E2 con E1 ∩ E2 = ∅, se tiene
P(E1 ∪ E2)= P(E1)+ P(E2)
5. Si 
n
i
iES
1=
= , donde Ei ∩ Ej = ∅ para i≠j, entonces ( ) ( )∑=
=
n
i
iEPSP
1
.
4.3. EVENTOS MUTUAMENTE EXCLUYENTES
Definición: Dos eventos son mutuamente excluyentes si no pueden ocurrir
simultáneamente. Es decir, si la ocurrencia de uno imposibilita la ocurrencia
de los demás, en este caso A ∩ B = ∅.
Así la P(A ∪ B) = P(A) + P(B)
Gráficamente lo podemos ver en el siguiente diagrama
Ejemplo:
Consideremos el siguiente experimento ξ: Se escoge un paciente de una
clínica
S = {pacientes 1, 2, 3, 4, 5, 6, 7, 8, 9 } y los eventos A = {pacientes 1, 3, 6,
9}, B = {pacientes 2, 4, 6, 8 }
A ∪ B ={1, 2, 3, 4, 6, 8, 9 }
A ∩ B = { 6}
P(A ∪ B)= 7/9; P(A) = 4/9; P(B) = 4/9; P( A ∩ B) = 1/9
P(A)+ P(B) = 4/9 + 4/9 = 8/9 ≠ P(A ∪ B)= 7/9, pero lo que si es cierto es que
7/9 = 4/9 + 4/9 - 1/9, ó lo que es lo mismo P(A ∪ B)= P(A)+ P(B) – P( A ∩ B)
En general cuando los eventos no son mutuamente excluyentes tenemos
P(A ∪ B) = P(A)+ P(B) – P( A ∩ B)
Para tres eventos tenemos:
P(A∪B∪C)= P(A)+ P(B) + P(C) –P( A∩B) – P( A∩C) – P( B∩C) + P(A∩B ∩
C)
4.4. EVENTOS INDEPENDIENTES
Definición: Dos eventos A y B Son independientes si la ocurrencia de uno (o la
no ocurrencia) no afecta la probabilidad asignada a la ocurrencia del otro.
y se define como ( ) )()( BPAPBAP =∩
Ejemplo:
Consideremos el siguiente experimento
ξ: Se lanza un dado y lego se lanza una moneda y se anotan los resultados.
Encontrar la probabilidad de que el dado caiga par y la moneda caiga cara.
Solución:
Para encontrar el espacio muestral, utilicemos el siguiente diagrama de arbol.
Diagrama de Árbol,
Dado Moneda Resultado
C 1, C
1
N 1, N
C 2, C
2
N 2, N
C 3, C
3
N 3, N
C 4, C
4
N 4, N
C 5, C
5
N 5, N
C 6, C
6
N 6, N
Luego tenemos
S={(1,C), (2,C), (3,C), (4,C), (5,C), (6,C), (1,N), (2,N), (3,N), (4,N), (5,N), (6,N)}
Y sean los eventos A: El dado cae par y B: la moneda cae cara.
A ∩ B: el dado caiga par y la moneda caiga cara
A ∩ B = {(2,C), (4,C), (6,C)}
P( A ∩ B) = 3/12 = ¼ = 0.25
Pero P( A ) = 3/6 = ½ = 0.5 y P( B) = ½ = 0.5
Así P( A ) P( B) = (½)(½ ) = ¼ =0.25 = P( A ∩ B)
Lo cual demuestra que son independientes los eventos.
4.5. PROBABILIDAD CONDICIONAL
El Símbolo ( )B
AP representa la probabilidad de que ocurra A dado que ya
ocurrió B, y se define como: ( ) )(
)(
BP
BAP
B
AP
∩
=
O escrito de otra manera tenemos: ( ) )()( BAP
B
APBP ∩=
Así, cuando A y B son evento independientes, tenemos
( ) )(
)(
)()(
)(
)(
AP
BP
BPAP
BP
BAP
B
AP ==
∩
=
Y Así, ( ) )(BP
A
BP =
Ejemplo:
Consideremos el siguiente experimento
ξ: Se extraen dos bolas una por una y sin reemplazo de una caja donde hay 6
bolas negras y 4 rojas. Encontrar la probabilidad de que:
a) Las dos bolas sean negras
b) La primera bola sea negra y la segunda bola sea roja.
Solución
Sean los eventos
A1: la primera bola es negra
A2: la segunda bola es negra
B2: la segunda bola es roja
Para a) tenemos:
P(A1∩ A2) = P(A1) P(A2 /A1)= (5/10) ( 5/9) = 5/18
Para b) tenemos:
P(A1∩ B2) = P(A1) P(B2 /A1) = (5/10) (4/9) = 2/9
4.6. TEOREMA DE BAYES
Sea A1, A2,. . ., An ⊂ S un sistema exhaustivo y excluyente de Eventos.
Es decir 
n
i
iAS
1=
= , Ei ∩ Ej = ∅ para i≠j. y Sea B ⊂ S un evento del que
conocemos todas las cantidades 





iA
BP , i = 1,. . . ., n, a las que
denominamos verosimilitudes. Entonces se verifica:
)()(
1
i
n
i i
AP
A
BPBP ∑=





=
Y así podemos encontrar
)(
)(
)(
1
i
n
i i
i
kk
AP
A
BP
AP
A
BP
B
A
P
∑=












=
Ejemplo: Se tienen tres urnas. Cada una de ellas contiene un número diferente
de bolas blancas y rojas:
Primera urna, A1: 3 bolas blancas y 2 rojas;
Segunda urna, A2: 4 bolas blancas y 2 rojas;
Tercera urna, A3: 3 bolas rojas.
Se realiza el siguiente experimento aleatorio
ξ: Alguien elije al azar y con la misma probabilidad una de las tres urnas, y
saca una bola.
Si el resultado del experimento es que ha salido una bola blanca, ¿cuál es la
probabilidad de que provenga de la primera urna? Calcular lo mismo para las
otras dos urnas.
Solución:
Sea B: que se saque una bola Blanca.






1A
BP es la probabilidad de sacar una bola blanca dado que se eligió la
primera urna, Así 





1A
BP = 3/5.






2A
BP es la probabilidad de sacar una bola blanca dado que se eligió la
segunda urna, Así 





2A
BP = 4/6 = 2/3






3A
BP es la probabilidad de sacar una bola blanca dado que se eligió la
tercera urna, Así 





3A
BP = 0/3 = 0
Para hacerlo de la una mejor manera hagamos el siguiente cuadro:
AI P(Ai) 





iA
BP )()( BAP
A
BPAP i
i
i ∩=





Urna 1 1/3 3/5 (1/3)(3/5) = 1/5
Urna 2 1/3 2/3 (1/3)(2/3) = 2/9
Urna 3 1/3 0 (1/3)(0) = 0
Suma 1 1/5+2/9 = 19/45
Ahora, ya podemos resolver
)(
)(
)(
3
1
1
11
i
i i
AP
A
BP
AP
A
BP
B
A
P
∑=












= =
19
9
)19(5
)45(1
45
19
5
1
==
)(
)(
)(
3
1
2
22
i
i i
AP
A
BP
AP
A
BP
B
AP
∑=












= =
19
10
)19(9
)45(2
45
19
9
2
==
)(
)(
)(
1
3
33
i
n
i i
AP
A
BP
AP
A
BP
B
A
P
∑=












= =
0
45
19
0
=
Comentario sobre el teorema de Bayes
Obsérvese que en el ejemplo anterior, antes de realizar el experimento
aleatorio de extraer una bola para ver su resultado, teníamos que la
probabilidad de elegir una urna cualquiera es P(Ai). Estas probabilidades se
denominan probabilidades a priori. Sin embargo, después de realizar el
experimento, y observar que el resultado del mismo ha sido la extracción de
una bola blanca, las probabilidades de cada urna han cambiado a )(
B
A
P i .
Estas cantidades se denominan probabilidades a posteriori. Vamos a
representar en una tabla la diferencia entre ambas:
A priori A posteriori
( )
3
1
1 =AP
19
9
)( 1 =
B
AP
( )
3
1
2 =AP
19
10
)( 2 =
B
A
P
( )
3
1
3 =AP 0)( 3 =
B
A
P
Las probabilidades a priori cambian de tal modo de las a posteriori que una vez
observado el resultado del experimento aleatorio, se puede afirmar con certeza
que no fue elegida la tercera urna.
Tests diagnósticos
Los tests diagnósticos son una aplicación del teorema de Bayes a la Medicina,
y se basan en lo siguiente:
1. Se sospecha que un paciente puede padecer cierta enfermedad, que tiene
una incidencia de la enfermedad en la población (probabilidad de que la
enfermedad la padezca una persona elegida al azar) de P[E];
2. Como ayuda al diagnóstico de la enfermedad, se le hace pasar una serie de
pruebas (tests), que dan como resultado:
• Positivo, T+
, si la evidencia a favor de que el paciente esté enfermo es
alta en función de estas pruebas;
• Negativo, T−
, en caso contrario.
Previamente, sobre el test diagnóstico a utilizar, han debido ser estimadas las
cantidades:
Sensibilidad: Es la probabilidad de que el test de positivo sobre una persona
que sabemos que padece la enfermedad, P(T+
/ E).
Especificidad: Es la probabilidad que el test de negativo sobre una persona
que no la padece, P(T−
/Ec
).
Lo que interesa saber en la práctica es, predecir si una persona está sana o
enferma, a partir del resultado del test diagnóstico, es decir, las cantidades:
Índice predictivo positivo: Es la probabilidad de que un individuo esté
enfermo si el test dió resultado positivo, P(E /T+
).
Índice predictivo Negativo: Es la probabilidad de que un individuo esté sano
si el test dió resultado negativo, P (Ec
/ T−
).
La sensibilidad y especificidad se denominan también respectivamente tasa de
verdaderos positivos y tasa de verdaderos negativos.
Estas cantidades son calculadas de modo aproximado, antes de utilizar el test
diagnóstico, considerando grupos suficientemente numerosos de personas de
las que sabemos si padecen la enfermedad o no, y estimando los porcentajes
correspondientes. Típicamente esta labor es realizada por un laboratorio que
quiere probar la eficacia de un test diagnóstico. Los índices predictivos son
interesantes sobre todo para el clínico que efectivamente desea evaluar la
probabilidad de que un individuo esté o no enfermo, en función de los
resultados de las pruebas que se realizan sobre el mismo.
Ejemplo de cálculo en tests diagnósticos
Se toman 100 personas sanas y 100 enfermas, y se observa que
E EC
T+
89 3
T−
11 97
100 100
Tasa de verdaderos positivos: 89%
Tasa de falsos positivos: 3%
Tasa de verdaderos negativos: 97%
Tasa de falsos negativos: 11%
3. teniendo en cuenta el resultado del test diagnóstico, se utiliza el teorema de
Bayes para ver cual es, a la vista de los resultados obtenidos, la
probabilidad de que realmente esté enfermo si le dio positivo (índice
predictivo de verdaderos positivos),
( )
( ) ( )
( ) ( ) ( ) ( )C
C EP
E
TPEP
E
TP
EP
E
TP
T
EP ++
+
+
+
=
ó la de que esté sano si le dio negativo (índice predictivo de verdaderos
negativos): ( )
( ) ( )
( ) ( ) ( ) ( )EP
E
TPEP
E
TP
EP
E
TP
T
EP
C
C
C
C
C
−−
−
−
+
=
predictivo de verdaderos positivos),
( )
( ) ( )
( ) ( ) ( ) ( )C
C EP
E
TPEP
E
TP
EP
E
TP
T
EP ++
+
+
+
=
ó la de que esté sano si le dio negativo (índice predictivo de verdaderos
negativos): ( )
( ) ( )
( ) ( ) ( ) ( )EP
E
TPEP
E
TP
EP
E
TP
T
EP
C
C
C
C
C
−−
−
−
+
=

Más contenido relacionado

La actualidad más candente

DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJADIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJAajimenezz
 
LOS ELEMENTOS DE LA PROBABILIDAD
LOS ELEMENTOS DE LA PROBABILIDAD LOS ELEMENTOS DE LA PROBABILIDAD
LOS ELEMENTOS DE LA PROBABILIDAD NancyPazGonzlez
 
Teoria y problemas del calculo de probabilidades cp525 ccesa007
Teoria y problemas del calculo de probabilidades cp525  ccesa007Teoria y problemas del calculo de probabilidades cp525  ccesa007
Teoria y problemas del calculo de probabilidades cp525 ccesa007Demetrio Ccesa Rayme
 
Gabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYES
Gabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYESGabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYES
Gabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYESJunior Torres
 
Estadistica y probabilidades cap VI-2
Estadistica y probabilidades cap VI-2Estadistica y probabilidades cap VI-2
Estadistica y probabilidades cap VI-2Richard Huaman Durand
 
3 probabilidad condicionada_total
3 probabilidad condicionada_total3 probabilidad condicionada_total
3 probabilidad condicionada_totalyocoimamillan
 
Guia y taller probabilidad2 2010-1
Guia y taller probabilidad2 2010-1Guia y taller probabilidad2 2010-1
Guia y taller probabilidad2 2010-1Julio César Pinzon
 
Experimentos aleatorios, espacio muestral y eventos o sucesos.
Experimentos aleatorios,  espacio muestral y eventos o sucesos.Experimentos aleatorios,  espacio muestral y eventos o sucesos.
Experimentos aleatorios, espacio muestral y eventos o sucesos.Elkin J. Navarro
 
Probabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbtoProbabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbtoLuis Patrick
 
Teoría y problemas de Calculo de Probabilidades ccesa007
Teoría y problemas de Calculo de Probabilidades  ccesa007Teoría y problemas de Calculo de Probabilidades  ccesa007
Teoría y problemas de Calculo de Probabilidades ccesa007Demetrio Ccesa Rayme
 

La actualidad más candente (20)

DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJADIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
DIAPOSITIVAS DE ESTADÍSTICA COMPLEJA
 
CAPITULO 5.pdf
CAPITULO 5.pdfCAPITULO 5.pdf
CAPITULO 5.pdf
 
LOS ELEMENTOS DE LA PROBABILIDAD
LOS ELEMENTOS DE LA PROBABILIDAD LOS ELEMENTOS DE LA PROBABILIDAD
LOS ELEMENTOS DE LA PROBABILIDAD
 
UNIDAD 1. TEORÍA DE PROBABILIDADES
UNIDAD 1. TEORÍA DE PROBABILIDADESUNIDAD 1. TEORÍA DE PROBABILIDADES
UNIDAD 1. TEORÍA DE PROBABILIDADES
 
CAPITULO 4.pdf
CAPITULO 4.pdfCAPITULO 4.pdf
CAPITULO 4.pdf
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Teoria y problemas del calculo de probabilidades cp525 ccesa007
Teoria y problemas del calculo de probabilidades cp525  ccesa007Teoria y problemas del calculo de probabilidades cp525  ccesa007
Teoria y problemas del calculo de probabilidades cp525 ccesa007
 
Gabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYES
Gabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYESGabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYES
Gabriela Machado 25.852.386 PROBABILIDAD Y TEOREMA DE BAYES
 
Estadistica y probabilidades cap VI-2
Estadistica y probabilidades cap VI-2Estadistica y probabilidades cap VI-2
Estadistica y probabilidades cap VI-2
 
3 probabilidad condicionada_total
3 probabilidad condicionada_total3 probabilidad condicionada_total
3 probabilidad condicionada_total
 
Guia y taller probabilidad2 2010-1
Guia y taller probabilidad2 2010-1Guia y taller probabilidad2 2010-1
Guia y taller probabilidad2 2010-1
 
Experimentos aleatorios, espacio muestral y eventos o sucesos.
Experimentos aleatorios,  espacio muestral y eventos o sucesos.Experimentos aleatorios,  espacio muestral y eventos o sucesos.
Experimentos aleatorios, espacio muestral y eventos o sucesos.
 
Probabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbtoProbabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbto
 
CAPITULO 6.pdf
CAPITULO 6.pdfCAPITULO 6.pdf
CAPITULO 6.pdf
 
Tema14 2 probabilidad
Tema14 2   probabilidadTema14 2   probabilidad
Tema14 2 probabilidad
 
Teoría y problemas de Calculo de Probabilidades ccesa007
Teoría y problemas de Calculo de Probabilidades  ccesa007Teoría y problemas de Calculo de Probabilidades  ccesa007
Teoría y problemas de Calculo de Probabilidades ccesa007
 
CAPITULO 8.pdf
CAPITULO 8.pdfCAPITULO 8.pdf
CAPITULO 8.pdf
 
T10 probabilidad
T10 probabilidadT10 probabilidad
T10 probabilidad
 
solucionario.pdf
solucionario.pdfsolucionario.pdf
solucionario.pdf
 
SEMANA 15 INGENERÍA.pdf
SEMANA 15 INGENERÍA.pdfSEMANA 15 INGENERÍA.pdf
SEMANA 15 INGENERÍA.pdf
 

Destacado

Rodríguez jessenia estadística_foro_ii_bim
Rodríguez jessenia estadística_foro_ii_bimRodríguez jessenia estadística_foro_ii_bim
Rodríguez jessenia estadística_foro_ii_bimJessita RM
 
Laboratorio Probabilidad 1/3
Laboratorio Probabilidad 1/3Laboratorio Probabilidad 1/3
Laboratorio Probabilidad 1/3cbpresentaciones
 
Conjunto de numeros enteros
Conjunto de numeros enterosConjunto de numeros enteros
Conjunto de numeros enterosElia Anez
 
Aplicandolasoperaciones guiadocente
Aplicandolasoperaciones guiadocenteAplicandolasoperaciones guiadocente
Aplicandolasoperaciones guiadocenteRossyPalmaM Palma M
 
Estadistica probabilidad
Estadistica probabilidadEstadistica probabilidad
Estadistica probabilidadjennycol
 
Los números enteros
Los números enterosLos números enteros
Los números enterosMariaMS5
 
Curso algebra psu preparación para la universidad
Curso algebra psu preparación para la universidadCurso algebra psu preparación para la universidad
Curso algebra psu preparación para la universidadEducagratis
 
Estadísticas en Nuevas Tecnologías
Estadísticas en Nuevas TecnologíasEstadísticas en Nuevas Tecnologías
Estadísticas en Nuevas TecnologíasPauu Jubiebs
 
Operaciones con números enteros
Operaciones con números enterosOperaciones con números enteros
Operaciones con números enterosbibi
 
Los números enteros
Los números enterosLos números enteros
Los números enterosIES San pablo
 
Técnicas e instrumentos de evaluacion de la enseñanza de matemáticas
Técnicas e instrumentos de evaluacion de la enseñanza de matemáticasTécnicas e instrumentos de evaluacion de la enseñanza de matemáticas
Técnicas e instrumentos de evaluacion de la enseñanza de matemáticasJuan Briones
 
Tipos de Evaluacion: Diagnostica, Formativa y Sumativa
Tipos de Evaluacion: Diagnostica, Formativa y SumativaTipos de Evaluacion: Diagnostica, Formativa y Sumativa
Tipos de Evaluacion: Diagnostica, Formativa y SumativaLucrecia Vergara Viscailuz
 
Estrategias e instrumentos de evaluacion
Estrategias e instrumentos de evaluacionEstrategias e instrumentos de evaluacion
Estrategias e instrumentos de evaluacionValentin Flores
 

Destacado (20)

Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Rodríguez jessenia estadística_foro_ii_bim
Rodríguez jessenia estadística_foro_ii_bimRodríguez jessenia estadística_foro_ii_bim
Rodríguez jessenia estadística_foro_ii_bim
 
Estadística
EstadísticaEstadística
Estadística
 
Laboratorio Probabilidad 1/3
Laboratorio Probabilidad 1/3Laboratorio Probabilidad 1/3
Laboratorio Probabilidad 1/3
 
Conjunto de numeros enteros
Conjunto de numeros enterosConjunto de numeros enteros
Conjunto de numeros enteros
 
NÚMEROS ENTEROS
NÚMEROS ENTEROSNÚMEROS ENTEROS
NÚMEROS ENTEROS
 
Matemática Escolar
Matemática EscolarMatemática Escolar
Matemática Escolar
 
Aplicandolasoperaciones guiadocente
Aplicandolasoperaciones guiadocenteAplicandolasoperaciones guiadocente
Aplicandolasoperaciones guiadocente
 
Estadistica probabilidad
Estadistica probabilidadEstadistica probabilidad
Estadistica probabilidad
 
Los números enteros
Los números enterosLos números enteros
Los números enteros
 
Los números enteros
Los números enterosLos números enteros
Los números enteros
 
Curso algebra psu preparación para la universidad
Curso algebra psu preparación para la universidadCurso algebra psu preparación para la universidad
Curso algebra psu preparación para la universidad
 
Estadísticas en Nuevas Tecnologías
Estadísticas en Nuevas TecnologíasEstadísticas en Nuevas Tecnologías
Estadísticas en Nuevas Tecnologías
 
Operaciones con números enteros
Operaciones con números enterosOperaciones con números enteros
Operaciones con números enteros
 
Números enteros
Números enterosNúmeros enteros
Números enteros
 
Los números enteros
Los números enterosLos números enteros
Los números enteros
 
Técnicas e instrumentos de evaluacion de la enseñanza de matemáticas
Técnicas e instrumentos de evaluacion de la enseñanza de matemáticasTécnicas e instrumentos de evaluacion de la enseñanza de matemáticas
Técnicas e instrumentos de evaluacion de la enseñanza de matemáticas
 
Dávila 10 preguntas clave pisa
Dávila   10 preguntas clave pisaDávila   10 preguntas clave pisa
Dávila 10 preguntas clave pisa
 
Tipos de Evaluacion: Diagnostica, Formativa y Sumativa
Tipos de Evaluacion: Diagnostica, Formativa y SumativaTipos de Evaluacion: Diagnostica, Formativa y Sumativa
Tipos de Evaluacion: Diagnostica, Formativa y Sumativa
 
Estrategias e instrumentos de evaluacion
Estrategias e instrumentos de evaluacionEstrategias e instrumentos de evaluacion
Estrategias e instrumentos de evaluacion
 

Similar a Doc. Probabilidad.

Trabajo final estadística y probabilidades nov 2017
Trabajo final estadística y probabilidades nov 2017 Trabajo final estadística y probabilidades nov 2017
Trabajo final estadística y probabilidades nov 2017 Jorge Ramirez
 
Probabilidad matemáticas, aprende estadistica
Probabilidad matemáticas, aprende estadisticaProbabilidad matemáticas, aprende estadistica
Probabilidad matemáticas, aprende estadisticaAllisonArancibia
 
Clase III Matemáticas.pptx
Clase III Matemáticas.pptxClase III Matemáticas.pptx
Clase III Matemáticas.pptxLucasGonzlez39
 
Algebra de probabilidad - actividad 5 - Saia
Algebra de probabilidad  - actividad 5 - SaiaAlgebra de probabilidad  - actividad 5 - Saia
Algebra de probabilidad - actividad 5 - SaiaAlbbanys Campos
 
T2 teoria de-la_probabilidad
T2 teoria de-la_probabilidadT2 teoria de-la_probabilidad
T2 teoria de-la_probabilidadalexray100
 
Probabilidad y estadística
Probabilidad y estadística Probabilidad y estadística
Probabilidad y estadística ErnestoFern
 
3.-Matemática-PPT-1.pptx
3.-Matemática-PPT-1.pptx3.-Matemática-PPT-1.pptx
3.-Matemática-PPT-1.pptxDIANAGONZALES93
 
Introduccion a la Probabilidad.pptx
Introduccion a la Probabilidad.pptxIntroduccion a la Probabilidad.pptx
Introduccion a la Probabilidad.pptxjessicaNunez31
 
Ejercicios_resueltos probabilidad.pdf
Ejercicios_resueltos probabilidad.pdfEjercicios_resueltos probabilidad.pdf
Ejercicios_resueltos probabilidad.pdfadelaleston
 
Conceptos básicos del Calculo de Probabilidades X2 ccesa007
Conceptos básicos del Calculo de Probabilidades X2  ccesa007Conceptos básicos del Calculo de Probabilidades X2  ccesa007
Conceptos básicos del Calculo de Probabilidades X2 ccesa007Demetrio Ccesa Rayme
 
Probabilidad 090504205544-phpapp02
Probabilidad 090504205544-phpapp02Probabilidad 090504205544-phpapp02
Probabilidad 090504205544-phpapp02rubhendesiderio
 
Elementos de la probabilidad y axiomas de probabilidad
 Elementos de la probabilidad y axiomas de probabilidad  Elementos de la probabilidad y axiomas de probabilidad
Elementos de la probabilidad y axiomas de probabilidad EsthelaGarcia5
 
Probabilidad
ProbabilidadProbabilidad
Probabilidadjcremiro
 
Ejercicios resueltos probabilidad
Ejercicios resueltos probabilidad Ejercicios resueltos probabilidad
Ejercicios resueltos probabilidad mgarmon965
 
Apuntes de Probabilidad
Apuntes de ProbabilidadApuntes de Probabilidad
Apuntes de Probabilidadnearcoscipio
 

Similar a Doc. Probabilidad. (20)

Trabajo final estadística y probabilidades nov 2017
Trabajo final estadística y probabilidades nov 2017 Trabajo final estadística y probabilidades nov 2017
Trabajo final estadística y probabilidades nov 2017
 
Probabilidad matemáticas, aprende estadistica
Probabilidad matemáticas, aprende estadisticaProbabilidad matemáticas, aprende estadistica
Probabilidad matemáticas, aprende estadistica
 
Clase III Matemáticas.pptx
Clase III Matemáticas.pptxClase III Matemáticas.pptx
Clase III Matemáticas.pptx
 
Tarea 3
Tarea 3Tarea 3
Tarea 3
 
Algebra de probabilidad - actividad 5 - Saia
Algebra de probabilidad  - actividad 5 - SaiaAlgebra de probabilidad  - actividad 5 - Saia
Algebra de probabilidad - actividad 5 - Saia
 
T2 teoria de-la_probabilidad
T2 teoria de-la_probabilidadT2 teoria de-la_probabilidad
T2 teoria de-la_probabilidad
 
Probabilidad y estadística
Probabilidad y estadística Probabilidad y estadística
Probabilidad y estadística
 
3.-Matemática-PPT-1.pptx
3.-Matemática-PPT-1.pptx3.-Matemática-PPT-1.pptx
3.-Matemática-PPT-1.pptx
 
117 4 31102012113144
117 4 31102012113144117 4 31102012113144
117 4 31102012113144
 
Introduccion a la Probabilidad.pptx
Introduccion a la Probabilidad.pptxIntroduccion a la Probabilidad.pptx
Introduccion a la Probabilidad.pptx
 
Ejercicios_resueltos probabilidad.pdf
Ejercicios_resueltos probabilidad.pdfEjercicios_resueltos probabilidad.pdf
Ejercicios_resueltos probabilidad.pdf
 
Probabilidad y LR
Probabilidad y LRProbabilidad y LR
Probabilidad y LR
 
Conceptos básicos del Calculo de Probabilidades X2 ccesa007
Conceptos básicos del Calculo de Probabilidades X2  ccesa007Conceptos básicos del Calculo de Probabilidades X2  ccesa007
Conceptos básicos del Calculo de Probabilidades X2 ccesa007
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Probabilidad 090504205544-phpapp02
Probabilidad 090504205544-phpapp02Probabilidad 090504205544-phpapp02
Probabilidad 090504205544-phpapp02
 
Elementos de la probabilidad y axiomas de probabilidad
 Elementos de la probabilidad y axiomas de probabilidad  Elementos de la probabilidad y axiomas de probabilidad
Elementos de la probabilidad y axiomas de probabilidad
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Probab
ProbabProbab
Probab
 
Ejercicios resueltos probabilidad
Ejercicios resueltos probabilidad Ejercicios resueltos probabilidad
Ejercicios resueltos probabilidad
 
Apuntes de Probabilidad
Apuntes de ProbabilidadApuntes de Probabilidad
Apuntes de Probabilidad
 

Último

Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREASEjemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREASJavier Sanchez
 
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNOGALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNOJoseAmaya49
 
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfDemetrio Ccesa Rayme
 
EL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLA
EL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLAEL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLA
EL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLAJAVIER SOLIS NOYOLA
 
Kirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 linkKirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 linkMaximilianoMaldonado17
 
CIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTOCIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTOCEIP TIERRA DE PINARES
 
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..La Gatera de la Villa
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxJulioSantin2
 
Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024yaco173
 
Evaluacion Diagnostica Matematica 5to C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 5to  C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 5to  C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 5to C1 Secundaria Ccesa007.pdfDemetrio Ccesa Rayme
 
Tarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docxTarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docxmiguelramosvse
 
plan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primariaplan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primariaElizabeth252489
 
Xardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES MonelosXardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES MonelosAgrela Elvixeo
 
PSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdf
PSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdfPSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdf
PSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdfCarlosAntonio456574
 
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAPROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAJoaqunSolrzano
 
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLAEL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLAJAVIER SOLIS NOYOLA
 
CIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCERO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCEROCIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCERO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCEROCEIP TIERRA DE PINARES
 
la forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolarla forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolarCa Ut
 

Último (20)

Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREASEjemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
 
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNOGALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
 
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
 
EL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLA
EL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLAEL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLA
EL ECLIPSE DE LA PAZ (cuento literario). Autor y diseñador JAVIER SOLIS NOYOLA
 
Kirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 linkKirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 link
 
CIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTOCIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE CUARTO
 
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptx
 
Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024
 
Evaluacion Diagnostica Matematica 5to C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 5to  C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 5to  C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 5to C1 Secundaria Ccesa007.pdf
 
Tarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docxTarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docx
 
plan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primariaplan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primaria
 
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍASITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
 
Xardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES MonelosXardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES Monelos
 
PSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdf
PSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdfPSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdf
PSICOLOGÍA. UNA INTRODUCCIÓN. ALCIRA ORSINI Y LETICIA BOSSELLINI 3.pdf
 
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAPROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
 
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLAEL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
 
CIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCERO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCEROCIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCERO
CIENCIAS SOCIALES SEGUNDO TRIMESTRE TERCERO
 
la forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolarla forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolar
 
Tema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdf
Tema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdfTema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdf
Tema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdf
 

Doc. Probabilidad.

  • 1. UNIVAD IV: PROBABILIDAD 4.1. DEFINICIONES BÁSICAS EN PROBABILIDAD Experimento: Todo proceso que produce un resultado u observación. Ejemplo: ξ1: Lanzar un Dado y observar el número que queda arriba. ξ2: Lanzar al aire una moneda y anotar el resultado. Resultado: Consecuencia de un experimento. Ejemplo, Para ξ1 Se puede tener el resultado 6, 2, 5, etc. Experimento Aleatorio: Es aquel que proporciona diferentes resultados aun cuando se repita siempre de la misma manera. Los anteriores experimentos son aleatorios Espacio Muestral: Conjunto de resultados posibles de un experimento. Ejemplo: Para ξ1 tenemos S1 = {1, 2, 3, 4, 5, 6 } Para ξ2 tenemos S2 = {C, N} Evento: Cualquier subconjunto del espacio muestral. Ejemplo: A: Al lanzar un dado el número que aparece es impar. A = {1, 3, 5 } Espacio Muestral Discreto: Es el espacio muestral formado por un conjunto finito (o infinito contable) de resultados. 4.2. DEFINICIÓN DE PROBABILIDAD Definición 1: Cada vez que un espacio muestral esté formado por N posibles resultados igualmente probables, la probabilidad de cada uno de ellos será 1/N. Definición 2: Para un evento muestral discreto, la probabilidad de un evento E, se denota por P(E), es igual a la suma de las probabilidades de los resultados en E. posiblesCasos favorablesCasos Sn En EP == )( )( )(
  • 2. Axiomas de Probabilidad. La probabilidad es un número que se asigna a cada miembro de una colección de Eventos de un experimento aleatorio y que satisface las siguientes propiedades: 1. P(S) = 1, S es el Espacio Muestral. 2. P(∅) = 0 3. 0≤ P(E) ≤ 1, E es un evento Cualquiera. 4. Para dos eventos E1 y E2 con E1 ∩ E2 = ∅, se tiene P(E1 ∪ E2)= P(E1)+ P(E2) 5. Si  n i iES 1= = , donde Ei ∩ Ej = ∅ para i≠j, entonces ( ) ( )∑= = n i iEPSP 1 . 4.3. EVENTOS MUTUAMENTE EXCLUYENTES Definición: Dos eventos son mutuamente excluyentes si no pueden ocurrir simultáneamente. Es decir, si la ocurrencia de uno imposibilita la ocurrencia de los demás, en este caso A ∩ B = ∅. Así la P(A ∪ B) = P(A) + P(B) Gráficamente lo podemos ver en el siguiente diagrama Ejemplo: Consideremos el siguiente experimento ξ: Se escoge un paciente de una clínica S = {pacientes 1, 2, 3, 4, 5, 6, 7, 8, 9 } y los eventos A = {pacientes 1, 3, 6, 9}, B = {pacientes 2, 4, 6, 8 } A ∪ B ={1, 2, 3, 4, 6, 8, 9 } A ∩ B = { 6} P(A ∪ B)= 7/9; P(A) = 4/9; P(B) = 4/9; P( A ∩ B) = 1/9
  • 3. P(A)+ P(B) = 4/9 + 4/9 = 8/9 ≠ P(A ∪ B)= 7/9, pero lo que si es cierto es que 7/9 = 4/9 + 4/9 - 1/9, ó lo que es lo mismo P(A ∪ B)= P(A)+ P(B) – P( A ∩ B) En general cuando los eventos no son mutuamente excluyentes tenemos P(A ∪ B) = P(A)+ P(B) – P( A ∩ B) Para tres eventos tenemos: P(A∪B∪C)= P(A)+ P(B) + P(C) –P( A∩B) – P( A∩C) – P( B∩C) + P(A∩B ∩ C) 4.4. EVENTOS INDEPENDIENTES Definición: Dos eventos A y B Son independientes si la ocurrencia de uno (o la no ocurrencia) no afecta la probabilidad asignada a la ocurrencia del otro. y se define como ( ) )()( BPAPBAP =∩ Ejemplo: Consideremos el siguiente experimento ξ: Se lanza un dado y lego se lanza una moneda y se anotan los resultados. Encontrar la probabilidad de que el dado caiga par y la moneda caiga cara. Solución: Para encontrar el espacio muestral, utilicemos el siguiente diagrama de arbol. Diagrama de Árbol, Dado Moneda Resultado C 1, C 1 N 1, N C 2, C 2 N 2, N C 3, C 3 N 3, N C 4, C 4 N 4, N C 5, C 5 N 5, N C 6, C 6 N 6, N Luego tenemos S={(1,C), (2,C), (3,C), (4,C), (5,C), (6,C), (1,N), (2,N), (3,N), (4,N), (5,N), (6,N)}
  • 4. Y sean los eventos A: El dado cae par y B: la moneda cae cara. A ∩ B: el dado caiga par y la moneda caiga cara A ∩ B = {(2,C), (4,C), (6,C)} P( A ∩ B) = 3/12 = ¼ = 0.25 Pero P( A ) = 3/6 = ½ = 0.5 y P( B) = ½ = 0.5 Así P( A ) P( B) = (½)(½ ) = ¼ =0.25 = P( A ∩ B) Lo cual demuestra que son independientes los eventos. 4.5. PROBABILIDAD CONDICIONAL El Símbolo ( )B AP representa la probabilidad de que ocurra A dado que ya ocurrió B, y se define como: ( ) )( )( BP BAP B AP ∩ = O escrito de otra manera tenemos: ( ) )()( BAP B APBP ∩= Así, cuando A y B son evento independientes, tenemos ( ) )( )( )()( )( )( AP BP BPAP BP BAP B AP == ∩ = Y Así, ( ) )(BP A BP = Ejemplo: Consideremos el siguiente experimento ξ: Se extraen dos bolas una por una y sin reemplazo de una caja donde hay 6 bolas negras y 4 rojas. Encontrar la probabilidad de que: a) Las dos bolas sean negras b) La primera bola sea negra y la segunda bola sea roja. Solución Sean los eventos A1: la primera bola es negra A2: la segunda bola es negra B2: la segunda bola es roja Para a) tenemos: P(A1∩ A2) = P(A1) P(A2 /A1)= (5/10) ( 5/9) = 5/18
  • 5. Para b) tenemos: P(A1∩ B2) = P(A1) P(B2 /A1) = (5/10) (4/9) = 2/9 4.6. TEOREMA DE BAYES Sea A1, A2,. . ., An ⊂ S un sistema exhaustivo y excluyente de Eventos. Es decir  n i iAS 1= = , Ei ∩ Ej = ∅ para i≠j. y Sea B ⊂ S un evento del que conocemos todas las cantidades       iA BP , i = 1,. . . ., n, a las que denominamos verosimilitudes. Entonces se verifica: )()( 1 i n i i AP A BPBP ∑=      = Y así podemos encontrar )( )( )( 1 i n i i i kk AP A BP AP A BP B A P ∑=             = Ejemplo: Se tienen tres urnas. Cada una de ellas contiene un número diferente de bolas blancas y rojas: Primera urna, A1: 3 bolas blancas y 2 rojas; Segunda urna, A2: 4 bolas blancas y 2 rojas; Tercera urna, A3: 3 bolas rojas. Se realiza el siguiente experimento aleatorio ξ: Alguien elije al azar y con la misma probabilidad una de las tres urnas, y saca una bola. Si el resultado del experimento es que ha salido una bola blanca, ¿cuál es la probabilidad de que provenga de la primera urna? Calcular lo mismo para las otras dos urnas. Solución: Sea B: que se saque una bola Blanca.
  • 6.       1A BP es la probabilidad de sacar una bola blanca dado que se eligió la primera urna, Así       1A BP = 3/5.       2A BP es la probabilidad de sacar una bola blanca dado que se eligió la segunda urna, Así       2A BP = 4/6 = 2/3       3A BP es la probabilidad de sacar una bola blanca dado que se eligió la tercera urna, Así       3A BP = 0/3 = 0 Para hacerlo de la una mejor manera hagamos el siguiente cuadro: AI P(Ai)       iA BP )()( BAP A BPAP i i i ∩=      Urna 1 1/3 3/5 (1/3)(3/5) = 1/5 Urna 2 1/3 2/3 (1/3)(2/3) = 2/9 Urna 3 1/3 0 (1/3)(0) = 0 Suma 1 1/5+2/9 = 19/45 Ahora, ya podemos resolver )( )( )( 3 1 1 11 i i i AP A BP AP A BP B A P ∑=             = = 19 9 )19(5 )45(1 45 19 5 1 == )( )( )( 3 1 2 22 i i i AP A BP AP A BP B AP ∑=             = = 19 10 )19(9 )45(2 45 19 9 2 == )( )( )( 1 3 33 i n i i AP A BP AP A BP B A P ∑=             = = 0 45 19 0 = Comentario sobre el teorema de Bayes
  • 7. Obsérvese que en el ejemplo anterior, antes de realizar el experimento aleatorio de extraer una bola para ver su resultado, teníamos que la probabilidad de elegir una urna cualquiera es P(Ai). Estas probabilidades se denominan probabilidades a priori. Sin embargo, después de realizar el experimento, y observar que el resultado del mismo ha sido la extracción de una bola blanca, las probabilidades de cada urna han cambiado a )( B A P i . Estas cantidades se denominan probabilidades a posteriori. Vamos a representar en una tabla la diferencia entre ambas: A priori A posteriori ( ) 3 1 1 =AP 19 9 )( 1 = B AP ( ) 3 1 2 =AP 19 10 )( 2 = B A P ( ) 3 1 3 =AP 0)( 3 = B A P Las probabilidades a priori cambian de tal modo de las a posteriori que una vez observado el resultado del experimento aleatorio, se puede afirmar con certeza que no fue elegida la tercera urna. Tests diagnósticos Los tests diagnósticos son una aplicación del teorema de Bayes a la Medicina, y se basan en lo siguiente: 1. Se sospecha que un paciente puede padecer cierta enfermedad, que tiene una incidencia de la enfermedad en la población (probabilidad de que la enfermedad la padezca una persona elegida al azar) de P[E]; 2. Como ayuda al diagnóstico de la enfermedad, se le hace pasar una serie de pruebas (tests), que dan como resultado: • Positivo, T+ , si la evidencia a favor de que el paciente esté enfermo es alta en función de estas pruebas; • Negativo, T− , en caso contrario. Previamente, sobre el test diagnóstico a utilizar, han debido ser estimadas las cantidades: Sensibilidad: Es la probabilidad de que el test de positivo sobre una persona que sabemos que padece la enfermedad, P(T+ / E).
  • 8. Especificidad: Es la probabilidad que el test de negativo sobre una persona que no la padece, P(T− /Ec ). Lo que interesa saber en la práctica es, predecir si una persona está sana o enferma, a partir del resultado del test diagnóstico, es decir, las cantidades: Índice predictivo positivo: Es la probabilidad de que un individuo esté enfermo si el test dió resultado positivo, P(E /T+ ). Índice predictivo Negativo: Es la probabilidad de que un individuo esté sano si el test dió resultado negativo, P (Ec / T− ). La sensibilidad y especificidad se denominan también respectivamente tasa de verdaderos positivos y tasa de verdaderos negativos. Estas cantidades son calculadas de modo aproximado, antes de utilizar el test diagnóstico, considerando grupos suficientemente numerosos de personas de las que sabemos si padecen la enfermedad o no, y estimando los porcentajes correspondientes. Típicamente esta labor es realizada por un laboratorio que quiere probar la eficacia de un test diagnóstico. Los índices predictivos son interesantes sobre todo para el clínico que efectivamente desea evaluar la probabilidad de que un individuo esté o no enfermo, en función de los resultados de las pruebas que se realizan sobre el mismo. Ejemplo de cálculo en tests diagnósticos Se toman 100 personas sanas y 100 enfermas, y se observa que E EC T+ 89 3 T− 11 97 100 100 Tasa de verdaderos positivos: 89% Tasa de falsos positivos: 3% Tasa de verdaderos negativos: 97% Tasa de falsos negativos: 11% 3. teniendo en cuenta el resultado del test diagnóstico, se utiliza el teorema de Bayes para ver cual es, a la vista de los resultados obtenidos, la probabilidad de que realmente esté enfermo si le dio positivo (índice
  • 9. predictivo de verdaderos positivos), ( ) ( ) ( ) ( ) ( ) ( ) ( )C C EP E TPEP E TP EP E TP T EP ++ + + + = ó la de que esté sano si le dio negativo (índice predictivo de verdaderos negativos): ( ) ( ) ( ) ( ) ( ) ( ) ( )EP E TPEP E TP EP E TP T EP C C C C C −− − − + =
  • 10. predictivo de verdaderos positivos), ( ) ( ) ( ) ( ) ( ) ( ) ( )C C EP E TPEP E TP EP E TP T EP ++ + + + = ó la de que esté sano si le dio negativo (índice predictivo de verdaderos negativos): ( ) ( ) ( ) ( ) ( ) ( ) ( )EP E TPEP E TP EP E TP T EP C C C C C −− − − + =