Mapa mental
TEORÍA DE LA PROBABILIDAD 2DA PARTE

Conteúdo do mapa
TEORÍA DE LA PROBABILIDAD 2DA PARTE
Los diagramas se utilizan con frecuencia para representar relaciones entre conjuntos, y también son útiles para describir relaciones entre eventos.
- Los diagramas de Venn pueden emplearse para representar un espacio muestral y los eventos contenidos en éste.
- Por ejemplo, el espacio muestral puede ser considerado como un Conjunto universal, y a cada uno de los eventos, se le puede considerar un subconjunto de U (ó S).
- Algunos ejemplos de cómo se aplican en la Probabilidad:
- A es un sunconjunto de B = A está contenido en B = cada punto muestral de A pertenece también a B.
- Sean dos eventos A y B en el espacio muestral S. La unión de A y B es el evento que contiene a todos los puntos muestrales de A o de B o de ambos.
- Sean dos eventos A y B en el espacio muestral S. La intersección de A y B es el evento que contiene a los puntos muestrales que están en ambos A y B = que están tanto en A como en B = están en A y en B simultáneamente
- Si A y B son subconjuntos de S, pero no tienen ningún elemento en común se dice que A y B son mutuamente excluyentes. No pueden ocurrir al mismo tiempo.
- Dos eventos son Colectivamente exhaustivos: Cuando agotan todas las posibilidades, (uno de ellos debe ocurrir).
- A es un sunconjunto de B = A está contenido en B = cada punto muestral de A pertenece también a B.
- Los diagramas de Venn pueden emplearse para representar un espacio muestral y los eventos contenidos en éste.
RELACIONES ENTRE EVENTOS
- Eventos complementarios
- El Complemento de un evento A es la colección de puntos muestrales que están en el espacio muestral S pero no están en A.
- Unión de A y su complemento es igual al espacio muestral. Por lo tanto, cuando se tienen dos eventos complementarios:
- La suma de la probabilidad de A + la probabilidad de no A es igual a 1
- Algunos ejemplos son:
- + A es el evento de que Juan sea estudiante. + A´ su complemento, es el evento de que no sea estudiante.
- • Q es el evento de que Juan sea fumador. • Q´ su complemento, es el evento de que no sea fumador.
- Algunos ejemplos son:
- La suma de la probabilidad de A + la probabilidad de no A es igual a 1
- Unión de A y su complemento es igual al espacio muestral. Por lo tanto, cuando se tienen dos eventos complementarios:
- El Complemento de un evento A es la colección de puntos muestrales que están en el espacio muestral S pero no están en A.
- Eventos independientes
- Son independientes entre sí cuando la probabilidad de cada uno de ellos no está influida porque el otro suceso ocurra o no, es decir, cuando ambos sucesos no están relacionados.
- Ejemplo
- Cuando se lanza una moneda dos veces consecutivas el resultado del primer lanzamiento no tiene efecto en el resultado del segundo lanzamiento
- Los eventos A y B son independientes SI Y SÓLO SI:
- Los eventos A y B son independientes SI Y SÓLO SI:
- Cuando se lanza una moneda dos veces consecutivas el resultado del primer lanzamiento no tiene efecto en el resultado del segundo lanzamiento
- Ejemplo
- Son independientes entre sí cuando la probabilidad de cada uno de ellos no está influida porque el otro suceso ocurra o no, es decir, cuando ambos sucesos no están relacionados.
- Mutuamente excluyentes
- Cuando dos eventos (llámalos "A" y "B") son mutuamente excluyentes, es imposible que ocurran juntos
- Algunos ejemplos son:
- • A es el evento de que el pastel esté completo. • B es el evento de que el pastel esté incompeto.
- • A es el evento de que un producto tenga defectos. • B es el evento de que no tenga defectos.
- • A es el evento de que Alberto sea alto. • B es el evento de que Alberto sea bajo de estatura.
- Algunos ejemplos son:
- Cuando dos eventos (llámalos "A" y "B") son mutuamente excluyentes, es imposible que ocurran juntos
- Los cálculos de las probabilidades toman en cuenta cómo se relacionan entre sí los eventos
- Algunos otros ejemplos son:
- Colectivamente Exhaustivos
- Conjunto de eventos que incluye todos los resultados posibles de un experimento.
- Ejemplo
- Formas de llegar al trabajo (en el supuesto de que no haya otra)
- Formas de llegar al trabajo (en el supuesto de que no haya otra)
- Ejemplo
- Conjunto de eventos que incluye todos los resultados posibles de un experimento.
- Traslapantes
- Tienen puntos muestrales en común: hay intersección.
- Tienen puntos muestrales en común: hay intersección.
- Colectivamente Exhaustivos
- Algunos otros ejemplos son:
- Eventos complementarios
REGLAS PARA EL CALCULO DE PROBABILIDADES
- Regla de la adición
- Ejemplo
- Una persona está comprando un automóvil nuevo. Las probabilidades de que compre un Chrysler o un Toyota son, respectivamente 0.17 y 0.08. ¿Cuál es la probabilidad de que esta persona compre alguno de estos dos carros?
- A= Compra Chrysler B= Compra Toyota
- P(A)= 0.17 P(B)=0.08
- A= Compra Chrysler B= Compra Toyota
- Una persona está comprando un automóvil nuevo. Las probabilidades de que compre un Chrysler o un Toyota son, respectivamente 0.17 y 0.08. ¿Cuál es la probabilidad de que esta persona compre alguno de estos dos carros?
- Ejemplo
- Ejemplo
- Si las probabilidades de que una persona que vacaciona en Guanajuato, visite Santa Rosa, visite el Jardín de la Unión o ambos lugares son 0.33, 0.92 y 0.29 respectivamente ¿Cuál es la probabilidad de que una persona que vacacione en la ciudad visite por lo menos uno de estos sitios?
- A= Santa Rosa B= Jardín de la Unión AB=A∩B=ambos
- P(A)= 0.33 P(B)=0.92 P(AB)=0.29
- A= Santa Rosa B= Jardín de la Unión AB=A∩B=ambos
- Si las probabilidades de que una persona que vacaciona en Guanajuato, visite Santa Rosa, visite el Jardín de la Unión o ambos lugares son 0.33, 0.92 y 0.29 respectivamente ¿Cuál es la probabilidad de que una persona que vacacione en la ciudad visite por lo menos uno de estos sitios?
- Ejemplo
- Probabilidad Condicional
- Con frecuencia dos eventos se encuentran relacionados de tal manera que la probabilidad de ocurrencia de 1 de ellos depende si el otro ha ocurrido o no
- Cuando se calcula la probabilidad de un evento A, dada la información sobre la ocurrencia de otro evento B, esta probabilidad se denomina Probabilidad Condicional P(AIB)
- P(AIB) = La probabilidad condicional de qué ocurra el evento A, dado que el evento B ya ocurrió
- Ejemplo 1
- Si la probabilidad de que una persona seleccione una llantera de marca reconocida, es 0.4; la probabilidad de que sea garantizado un buen servicio es de 0.53; la probabilidad de que sea de marca reconocida y tenga buen servicio es de: 0.32. ¿Cuál es la probabilidad de que una persona seleccione una llantera reconocida, dado que se le ha garantizado un buen servicio?
- A= Marca reconocida B= Buen servicio AB=A∩B=ambos
- P(A)= 0.40 P(B)=0.53 P(AB)=0.32
- Continuación ejemplo 2, dado que B ya ocurrió
- ¿Cuál es la probabilidad de que una persona seleccione un buen servicio garantizado dado que la llantera es de marca reconocida?
- A= Marca reconocida B= Buen servicio AB=A∩B=ambos
- P(A)= 0.40 P(B)=0.53 P(AB)=0.32
- P(A)= 0.40 P(B)=0.53 P(AB)=0.32
- A= Marca reconocida B= Buen servicio AB=A∩B=ambos
- ¿Cuál es la probabilidad de que una persona seleccione un buen servicio garantizado dado que la llantera es de marca reconocida?
- A= Marca reconocida B= Buen servicio AB=A∩B=ambos
- Si la probabilidad de que una persona seleccione una llantera de marca reconocida, es 0.4; la probabilidad de que sea garantizado un buen servicio es de 0.53; la probabilidad de que sea de marca reconocida y tenga buen servicio es de: 0.32. ¿Cuál es la probabilidad de que una persona seleccione una llantera reconocida, dado que se le ha garantizado un buen servicio?
- Ejemplo 1
- P(AIB) = La probabilidad condicional de qué ocurra el evento A, dado que el evento B ya ocurrió
- Cuando se calcula la probabilidad de un evento A, dada la información sobre la ocurrencia de otro evento B, esta probabilidad se denomina Probabilidad Condicional P(AIB)
- Con frecuencia dos eventos se encuentran relacionados de tal manera que la probabilidad de ocurrencia de 1 de ellos depende si el otro ha ocurrido o no
- Regla de la multiplicación
- Si A y B son dos eventos, y se quiere obtener su probabilidad conjunta (la probabilidad de que A y B ocurran a la vez), entonces:
- Ejemplo
- La probabilidad de que un estudiante de DCEA compre una laptop es 0.50 y la probabilidad de que sus calificaciones suban si compra una laptop es 0.72 ¿Cuál es la probabilidad de que un estudiante de DCEA compre una laptop y mejore sus calificaciones?
- • A= Compre una laptop • B= Sus calificaciones suban • AB=A∩B=ambos • B|A= Calificaciones suban | Compró laptop
- P(A)= 0.50 P(B|A)=0.72
- P(A)= 0.50 P(B|A)=0.72
- • A= Compre una laptop • B= Sus calificaciones suban • AB=A∩B=ambos • B|A= Calificaciones suban | Compró laptop
- La probabilidad de que un estudiante de DCEA compre una laptop es 0.50 y la probabilidad de que sus calificaciones suban si compra una laptop es 0.72 ¿Cuál es la probabilidad de que un estudiante de DCEA compre una laptop y mejore sus calificaciones?
- Ejemplo
- Si A y B son dos eventos, y se quiere obtener su probabilidad conjunta (la probabilidad de que A y B ocurran a la vez), entonces:
- Regla de la adición
Tabla de Contingencia
- Una tabla de contingencia es una distribución (una matriz) en filas y columnas en la que los individuos de una población se clasifican en función de algunas variables: variable por columna y variable por renglón.
- Por ejemplo
- La siguiente es una tabla de contingencia en la que 300 personas se han clasificado según el sexo y por su adicción al tabaco
- A partir de la tabla anterior, si se selecciona aleatoriamente una persona, ¿cuál es la probabilidad de que?
- a) Sea hombre? P(H)=180/300=0.6
- b) Sea fumador? P(F)= 170/300=0.566666≈ 0.567
- c)Sea mujer? P(M)=120/300=0.4
- d) Sea un no fumador? P(NF)=130/300=0.43333
- e) Sea hombre y fume? P(HF)=P(H∩F)=120/300=0.4
- f) Sea mujer y no fumadora? P(M ∩ NF)=70/300=0.2333
- g) Sea mujer o fumadora? P(M U F)=(120+170-50)/300=240/300=0.8
- h) Sea hombre o no fumador? P(H U NF)=(180+130-60)/300=250/300=0.8333
- i) Sea fumador, dado que es hombre?
- h) Sea hombre o no fumador? P(H U NF)=(180+130-60)/300=250/300=0.8333
- g) Sea mujer o fumadora? P(M U F)=(120+170-50)/300=240/300=0.8
- f) Sea mujer y no fumadora? P(M ∩ NF)=70/300=0.2333
- e) Sea hombre y fume? P(HF)=P(H∩F)=120/300=0.4
- d) Sea un no fumador? P(NF)=130/300=0.43333
- c)Sea mujer? P(M)=120/300=0.4
- b) Sea fumador? P(F)= 170/300=0.566666≈ 0.567
- a) Sea hombre? P(H)=180/300=0.6
- A partir de la tabla anterior, si se selecciona aleatoriamente una persona, ¿cuál es la probabilidad de que?
- La siguiente es una tabla de contingencia en la que 300 personas se han clasificado según el sexo y por su adicción al tabaco
- Por ejemplo
- Una tabla de contingencia es una distribución (una matriz) en filas y columnas en la que los individuos de una población se clasifican en función de algunas variables: variable por columna y variable por renglón.
Teorema de Bayes
- ¿Cómo se puede encontrar la probabilidad de que un determinado evento B haya sido la causa de un evento final A qué se sabe qué ocurrió?
- P(de que B sea la causa de que ocurrió A)
- Comenzamos un análisis con estimaciones de probabilidad a priori o iniciales para eventos específicos de interés.
- Con base en fuentes como una muestra un informe especial o la prueba de un producto obtenemos cierta información adicional sobre los eventos
- Con esa nueva información modificamos los valores de las probabilidades a priori mediante el cálculo de probabilidades actualizadas
- A eso le llamamos: que llamamos "Probabilidades a posteriori"
- Entonces...
- Es así como vemos que...
- En el otro caso:
- Veamos un ejemplo
- En cierta fábrica, tres máquinas, B1, B2 y B3, producen 30%, 45% y 25% de los artículos respectivamente. Se sabe de la experiencia pasada que 2%, 3% y 2% de los artículos producidos por cada máquina, respectivamente, tienen defectos. Si se elige al azar un artículo y se encuentra que es defectuoso, ¿cuál es la probabilidad de que haya sido fabricado en la máquina B3?
- Estos son los eventos:
- A: el producto está defectuoso.
- B1: El artículo fue fabricado por la máquina B1.
- B2: El articulo fue fabricado por la máquina B2
- B3: El artículo fue fabricado por la máquina B3
- Para este ejemplo se aplica el Teorema de Bayes
- Para este ejemplo se aplica el Teorema de Bayes
- Los datos son:
- Estos son los eventos:
- En cierta fábrica, tres máquinas, B1, B2 y B3, producen 30%, 45% y 25% de los artículos respectivamente. Se sabe de la experiencia pasada que 2%, 3% y 2% de los artículos producidos por cada máquina, respectivamente, tienen defectos. Si se elige al azar un artículo y se encuentra que es defectuoso, ¿cuál es la probabilidad de que haya sido fabricado en la máquina B3?
- Veamos un ejemplo
- En el otro caso:
- Es así como vemos que...
- Entonces...
- A eso le llamamos: que llamamos "Probabilidades a posteriori"
- Con esa nueva información modificamos los valores de las probabilidades a priori mediante el cálculo de probabilidades actualizadas
- Con base en fuentes como una muestra un informe especial o la prueba de un producto obtenemos cierta información adicional sobre los eventos
- Comenzamos un análisis con estimaciones de probabilidad a priori o iniciales para eventos específicos de interés.
- P(de que B sea la causa de que ocurrió A)
- ¿Cómo se puede encontrar la probabilidad de que un determinado evento B haya sido la causa de un evento final A qué se sabe qué ocurrió?
Imagens e arquivos do mapa
Informações
- Descrição
- Mapa Mental sobre TEORÍA DE LA PROBABILIDAD 2DA PARTE, criado por Antonio Acosta em 03-11-2020.
- Criado por
- Antonio Acosta
- Visualizações
- 0
- Avaliação

































































































