1. Elementos Básicos de Teoría de Probabilidades

  • Teoría de Probabilidades

  • Experimento, espacio muestral, evento

  • Definición Formal de Probabilidades

  • Probabilidades Condicionales, Independencia e Independecia Condicional

  • Ley de las Probabilidades Totales

  • Regla de Bayes

Teoría de Probabilidades

  • Modelamiento de fenómenos aleatorios (por ejemplo, lanzamiento de un dado, el tiempo) ../../_images/daos.jpg

  • Fundamento de la estadística: que es la recolección, organización, análisis, interpretación y presentación de datos.

Experimento, Espacio Muestral, Evento

  • Experimento: fenónemo aleatorio

  • Espacio Muestral: conjunto de todos los posibles valores que puede tomar un experimento.

  • Evento: cualquier subconjunto del espacio muestral “>8 caras en 10 lanzamientos de una moneda”, “mañana estará soleado en Valdivia”

1.1. Probabilidades

  • ¿Qué tan posible es que un evento ocurra?

Dos perspectivas:

  • Enfoque frecuentista: frecuencias observadas al repetir muchas veces un experimento. La probablidad de obtener cara en el lanzamiento de una moneda es 0.5

  • Enfoque Bayesiano: incertidumbre subjetiva, grado de creencia (a priori) que es revisado por la observación (probabilidad a posteriori) Yo pienso que hay 0.1 de probabilidad de que un estudiante conozca este concepto.

1.1.1. Definición Formal de Probabilidad

Una Probabilidad P es una función que cumple:

P:P(Ω)[0,1]AP(A)

que cumple lo siguiente:

1.AΩ,P(A)02.P(Ω)=13.SeanA1,...,AnΩ:AiAj=ϕ,i,j=1...n=>P(A1...An)=P(A1)+...+P(An)

Propiedades

  1. P(A)=1P(AC)

  2. P(ϕ)=0

  3. SiAB=>P(A)P(B)

  4. P(A)1

  5. A,BΩP(AB)=P(A)+P(B)P(AB)

¿Cómo asignamos valores de probabilidad?

  • Enfoque frecuentista relativo: Sea n el número de experimentos, y n(A) el número de veces que el evento A ocurre en la realización de esos experimentos, entonces P(A)=n(A)n

  • Enfoque frecuentista clásico: Sea n(A) el número elementos en el evento A, y n(Ω) el número de elementos en el espacio muestral Ω, entonce P(A)=n(A)n(Ω)

  • Enfoque Bayesiano: Yo pienso que la probabilidad de que me gane un proyecto es 0.9 (probabilidad a priori).

1.1.2. Probabilidades condicionales

Sean A,BΩ, si P(B)>0, se define:

P(AB)=P(AB)P(B)

Si además se cumple que P(A)>0, se tiene:

P(AB)=P(AB)P(B)=P(BA)P(A)

Esto se puede extender a mas eventos:

P(ABC)=P(A)P(BA)P(CAB)

siempre que P(A),P(AB)>0

1.1.3. Independencia

¿Cómo determinar que dos eventos son independientes?

Sean A,BΩ con P(A),P(B)>0, si cualquiera de las siguientes condiciones se cumple:

  1. P(AB)=P(A)P(B)

  2. P(AB)=P(A)

  3. P(BA)=P(B)

se dice que A es independiente de B.

1.1.4. Independencia Condicional

¿Cómo determinar que dos eventos A y B son independientes dados un tercer evento C?

Sean A,B,CΩ con P(AC),P(BC),P(C)>0, si cualquiera de las siguientes condiciones se cumple:

  1. P(ABC)=P(AC)P(BC)

  2. P(ABC)=P(AC)

  3. P(BAC)=P(BC)

se dice que A es independiente de B condicionalmente a C.

Ejemplo: Altura, Vocabulario y Edad

1.1.5. Ley de las Probabilidades totales

Consideremos ahora una partición del espacio muestral {Bi}i=1,..n, es decir:

i=1nBi=Ω,BiBj=ϕi,j=1,..n,ij

entonces:

P(A)=i=1nP(ABi)P(Bi)

Ejemplo: Sea A = {Pedro acepta trabajo en Chile} y Bi = {Oferta de trabajo para Pedro en region i }, i=1,...,15

../../_images/chile.png

1.1.6. Regla de Bayes

A partir de la defición de probabilidades condicionales se puede deducir la regla de Bayes:

Sean A,BΩ tales que P(A),P(B)>0, entonces

P(BA)=P(AB)P(B)P(A)

P(B) se denomina probabilidad a priori, P(BA) probabilidad a posteriori

1.1.7. Teorema de Bayes

Consideremos una partición del espacio muestral {Bi}i=1,..n, entonces:

P(BiA)=P(ABi)P(Bi)P(A)=P(ABi)P(Bi)i=1nP(ABi)P(Bi)