1 / 31

PROBABILIDAD COMPONENTES BASICOS

PROBABILIDAD COMPONENTES BASICOS. DEFINICIONES.

len-wade
Download Presentation

PROBABILIDAD COMPONENTES BASICOS

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PROBABILIDADCOMPONENTES BASICOS

  2. DEFINICIONES

  3. Def 1: Experimento Aleatorio:Cualquier situación donde los resultados no se conozcan con certeza de antemano.Def 2: Puntos muestrales o eventos singulares o simples:Cada uno de los posibles resultados que se obtienen del experimento (una sola vez).

  4. Def 3: Espacio Muestral ():Está formado por todos los posibles eventos simples del fenómeno que estamos estudiando.FinitosInfinitos numerablesInfinitos no numerablesDef 4: Eventos:Un evento es cualquier subconjunto (subconjunto medible, en el caso continuo) del espacio muestral.

  5. Def 5: Evento imposible: Evento que jamás ocurrirá ()Def 6: Evento seguro (): Evento que ocurrirá con toda certeza.Def 7: Familia de eventos (): conjunto formado por todos los subconjuntos del espacio muestral.Def 8: Consideramos la función: P:   [0, 1]. Si A   entonces P(A) es un número real entre 0 y 1.

  6. VER EJEMPLOS(1, 2, 3)

  7. AXIOMAS

  8. Axioma 1: Para cada suceso A en el conjunto:P(A)  0Axioma 2: Para el suceso seguro o cierto C en el conjunto  : P(C) = 1 [C =  ]Axioma 3: Para cualquier número de sucesos mutuamente excluyentes A1, A2 . . . en :P(A1 A2  . . .) = P(A1) + P(A2) . . .

  9. Definición de Espacio de Probabilidad: = (, , P)

  10. TEOREMAS

  11. Sean A1, A2, A3, . . . , B1, B2, B3 . . . subconjuntos del Espacio Muestral  (es decir, son eventos).Teorema 1: Para cada suceso Ai, 0  P(Ai)  1Teorema 2: P() = 0Teorema 3: P(A2 – A1) = P(A2) – P(A2A1)Teorema 4: Si A1 A2 , entonces P(A1)  P(A2)y además P(A2 − A1) = P(A2) − P(A1)

  12. Teorema 5: Sea A’ el complemento de A, entonces P(A) = 1 − P(A’)Teorema 6: Si A = A1 A2 A3 . . .An yA1, A2, A3 . . . An son sucesos excluyentes:P(A) = P(A1) + P(A2) + P(A3) . . . + P(An)En particular, si A =  , entoncesP(A1) + P(A2) + P(A3) . . . + P(An) = 1

  13. Teorema 7: Para cualquier par de sucesos A1, A2:P(A1 A2) = P(A1) + P(A2) − P(A1A2)Es interesante generalizarlo al caso de 3 eventos:P(A1A2A3) = P(A1) + P(A2) + P(A3) − P(A1A2) − P(A1A3) - P(A2A3) + P(A1A2A3)Teorema 8: Del teorema 7 se deduce que la siguiente desigualdad (desigualdad de Boole):P(Ai)  P(Ai)

  14. Teorema 9: Para dos sucesos A y B P(A) = P(A  B) + P(A  Bc)“La probabilidad total” de que ocurra un evento A es igual a la probabilidad de que A ocurra y ocurra B, más la probabilidades de que A ocurra junto con que Bc ocurra.

  15. VER EJEMPLOS(4, 5, 6)

  16. DOS FORMAS DE CONSTRUIR LA FUNCIÓN P:   [0, 1]ENFOQUE FRECUENTISTAYENFOQUE CLÁSICO

  17. ENFOQUE CLÁSICO

  18. REGLAS PARA CONTARRegla 1: Primer principio de conteo o regla de la multiplicación. Con m elementos a1, a2, ..., am y n elementos b1, b2,..., bn es posible formar m.n parejas ordenadas que contienen un elemento de cada grupo.

  19. Regla 2: Número de permutaciones de r elementos tomados de un conjunto de n elementos.Un arreglo ordenado de n objetos se llama una permutación. El número de permutaciones de n objetos distintas tomando de r de ellos a la vez, denotado por nPr [Pn, r o P(n,r)] es:nPr = n(n-1)(n-2)...(n-r+1) = n!/(n – r)!

  20. Regla 3: Número de combinaciones de r elementos tomados de un conjunto de n elementos. (coeficiente binomial).Un arreglo no ordenado de n objetos se llama una combinación. El número de combinaciones de n objetos distintas tomando de r de ellos a la vez, denotado por nCr es: nCr = (nPr)/r! = n!/r!(n – r)!Nota: También se usan las siguientes notaciones para la combinación Cn, r ó C(n,r) ó

  21. Regla 4: Número de formas en las que se pueden asignar n elementos distintos en k grupos diferentes. (Coeficiente multinomial).El número de formas en que se pueden repartir n objetos distintos en k grupos diferentes que contienen n1, n2, ...., nk objetos respectivamente, con ni = n es:

  22. PROBABILIDAD CONJUNTA, PROBABILIDAD CONDICIONAL PROBABILIDAD MARGINAL

  23. Definición:Consideremos el evento A, con P(A) > 0 y el evento B. Escribiremos P(B|A) para señalar la probabilidad del evento B dado que el evento A ha ocurrido. Además definimos: P(B|A) = P(AB)/P(A).de donde se deduce que P(AB) = P(A).P(B|A)

  24. En la ecuaciónP(AB) = P(A)P(B|A)la probabilidad conjunta es igual a la probabilidad condicional multiplicada por algo, que es la “probabilidad marginal.”

  25. INDEPENDENCIA DE EVENTOSDefinición de independencia Eventos: A y B son eventos independientes si y sólo si: P(A  B) = P(A)P(B)lo cual implica que P(B|A) = P(B)

  26. INDEPENDENCIA CONJUNTA DE EVENTOSLos eventos A1, A2, . . An son conjuntamente independientes si y sólo si:1. Son independientes por pares entre si:P(Aj  Ak) = P(Aj)P(Ak) j  k, j, k = 1, 2 . . . n2. y además: P(Ai) = P(Ai)

  27. TEOREMA DE LA PROBABILIDAD TOTALTEOREMA DE BAYES

  28. Teorema 10 (Probabilidad Total) Si los eventos Bi, i  I, son tales que P(A|Bi) está definida i, Bj Bk =  para j  k, y i  IBi = , entonces: P(A) =  i  I P(A|Bi)P(Bi).Recordar que P(ABi) = P(A|Bi)P(Bi).

  29. Teorema 11 (Bayes) Si se cumplen todas las condiciones del teorema anterior y dada P(A) > 0, entonces: P(Bk|A) = P(A|Bk)P(Bk)/ i  I P(A|Bi)P(Bi), Bk

  30. El teorema de Bayes es una regla para “actualizar” las probabilidades de cualquier evento de una partición de  dado que el evento A ocurre. La distinción entre: el evento A no ha ocurrido y dado que ya ocurrió, apoyan el uso de las expresiones “probabilidad a priori” y “probabilidad a posteriori”.

  31. VARIABLES ALEATORIAS

More Related