Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 10 vistas

    Unidad 3 - Probabilidades - U3.1 - Probabilidad - Clásica - T - Bayes

    Cargado por

    Elizabeth Zu
    Este documento presenta conceptos básicos de probabilidad clásica y el teorema de Bayes. Explica definiciones como evento, espacio muestral, probabilidad de eventos, uniones y intersecciones de eventos, y condicionales. Luego muestra un ejemplo numérico de cómo calcular probabilidades aplicando el teorema de Bayes. Finalmente incluye código en R para implementar una función que calcule el teorema de Bayes.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Unidad 3 - Probabilidades - U3.1 - Probabilidad - Clásica - T - Bayes

    Cargado por

    Elizabeth Zu
    10 vistas15 páginas
    Este documento presenta conceptos básicos de probabilidad clásica y el teorema de Bayes. Explica definiciones como evento, espacio muestral, probabilidad de eventos, uniones y intersecciones de eventos, y condicionales. Luego muestra un ejemplo numérico de cómo calcular probabilidades aplicando el teorema de Bayes. Finalmente incluye código en R para implementar una función que calcule el teorema de Bayes.

    Título original

    Unidad 3_Probabilidades_U3.1_Probabilidad_Clásica_T_Bayes

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta conceptos básicos de probabilidad clásica y el teorema de Bayes. Explica definiciones como evento, espacio muestral, probabilidad de eventos, uniones y intersecciones de eventos, y condicionales. Luego muestra un ejemplo numérico de cómo calcular probabilidades aplicando el teorema de Bayes. Finalmente incluye código en R para implementar una función que calcule el teorema de Bayes.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    10 vistas15 páginas

    Unidad 3 - Probabilidades - U3.1 - Probabilidad - Clásica - T - Bayes

    Cargado por

    Elizabeth Zu
    Este documento presenta conceptos básicos de probabilidad clásica y el teorema de Bayes. Explica definiciones como evento, espacio muestral, probabilidad de eventos, uniones y intersecciones de eventos, y condicionales. Luego muestra un ejemplo numérico de cómo calcular probabilidades aplicando el teorema de Bayes. Finalmente incluye código en R para implementar una función que calcule el teorema de Bayes.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 15

    Unidad 3

    Probabilidades
    3.1 Probabilidad Clásica y T. Bayes

    Probabilidad y Estadística
    Ingeniería Comercial
    𝛀

    𝐸: 𝐿𝑎𝑛𝑧𝑎𝑚𝑖𝑛𝑒𝑡𝑜 𝑑𝑒 𝑢𝑛 𝑑𝑎𝑑𝑜

    dado <- c(1,2,3,4,5,6) #Crea un dado "equlibrado"

    set.seed(1)
    #Simula la cantidad de (n) repeticiones del lanzamientos del dado
    n <- 2000
    simulacion <- sample(dado,n,replace=TRUE)
    table(simulacion)

    ## simulacion
    ## 1 2 3 4 5 6
    ## 335 344 312 336 347 326

    #hacer el gráfico de frecuencia


    bp1 <- barplot(table(simulacion),
    main= "Simulación de (n) lanzamientos de un dado",
    xlab = "valor",
    ylab="Frecuencia",
    col = "lightblue")
    text(bp1, table(simulacion)-2,format(table(simulacion)), cex=.85)
    • ∅
    • 𝛀
    • 𝛀

    𝐴⋂𝐵 ∅

    •

    • ∩

    •
    𝛀

    𝛀
    0 ≤ P(A) ≤ 1
    𝛀

    𝑃(Ω)
    𝐴1 , 𝐴2 , 𝐴3 , …
    𝛀 𝐴𝑖 ∩ 𝐴𝑗 = ∅, si i ≠ j)

    𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … ) = ∑ 𝑃(𝐴𝑖 )
    𝑖=1

    𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

    𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴)

    𝑃(∅) = 0

    𝑃() = 1

    𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴


    𝑃(𝐴) =
    𝐶𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

      = {1,2,3,4,5,6}

    A
    A A = {2,3,5}

    𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴


    𝑃(𝐴) =
    𝐶𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

    3 1
    𝑃(𝐴) = =
    6 2
    𝑃(𝐴/𝐵)

    𝑃(𝐴∩𝐵) 𝑃(𝐴∩𝐵)
    𝑃(𝐴/𝐵) = 𝑃(𝐵)
    𝑐𝑜𝑛 𝑃(𝐵) ≠ 0 𝑃(𝐵/𝐴) = 𝑃(𝐴)
    𝑐𝑜𝑛 𝑃(𝐴) ≠ 0

    𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴/𝐵) ∙ 𝑃(𝐵) 𝑜 𝑏𝑖𝑒𝑛 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵/𝐴) ∙ 𝑃(𝐴)

    𝑃(𝐴/𝐵) = 𝑃(𝐴)
    𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵)

    3 3 1
    𝑃(𝑑𝑜𝑠 𝑝𝑎𝑟𝑒𝑠) = 𝑃(𝑝𝑎𝑟) ∙ 𝑃(𝑝𝑎𝑟) = ∙ =
    6 6 4

    330 + 1300
    𝑃(𝑚á𝑠 𝑑𝑒 30 𝑎ñ𝑜𝑠 𝑦 𝑝𝑜𝑐𝑜 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒) = = 0,2633
    6190
    𝑃(20 𝑦 30 𝑜 𝑝𝑜𝑐𝑜 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒)
    = 𝑃(20 𝑦 30 ) + 𝑃(𝑝𝑜𝑐𝑜 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒) − 𝑃(20 𝑦 30 𝑦 𝑃(𝑝𝑜𝑐𝑜 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒)

    2400 1880 250


    = + − = 0,651
    6190 6190 6190

    900
    𝑃(𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒 𝑦 30 𝑦 40) 6190 900
    𝑃( 𝑝𝑜𝑐𝑜 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒/30 𝑦 39) = = = = 0,5056
    𝑃(30 𝑦 40) 1780 1780
    6190

    𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵)

    750
    𝑃(𝐴 ∩ 𝐵) = 6190
    = 0,12

    2400 1510
    𝑃(𝐴) ∙ 𝑃(𝐵) = + = 0,0946
    6190 6190

    𝑃(𝐴 ∩ 𝐵) ≠ 𝑃(𝐴) ∙ 𝑃(𝐵)


    𝑃(𝐷) = 𝑃(𝐴) ∙ 𝑃(𝐷⁄𝐴) + 𝑃(𝐵) ∙ 𝑃(𝐷⁄𝐵) = 0,7 ∗ 0,1 + 0,3 ∗ 0,2 = 0,13


    ∩ ∩ ∩ ∩
    ∩ ∩ ∩ ∩

    𝑃(𝐷) = 0,13
    𝑃(𝐵)∙𝑃(𝐷⁄𝐵) 0,3∙0,2
    𝑃(𝐵/𝐷) = 𝑃(𝐷)
    = 0,13
    = 0,46

    P(Ai B)
    P(A | B) =
    i P(B)
    ## Fórmula para calcular el Teorema de Bayes

    ThoremBayes <- function(apr, post){


    AyD <- round(apr[1]*post[1],4)
    AynoD <- round(apr[1]*(1-post[1]),4)
    ByD <- round(apr[2]*post[2],4)
    BynoD <- round(apr[2]*(1-post[2]),4)
    AdadoD <- round(AyD/(AyD+ByD),4)
    BdadoD <- round(ByD/(AyD+ByD),4)
    AdadonoD <- round(AynoD/(AynoD+BynoD),4)
    BdadonoD <- round(BynoD/(AynoD+BynoD),4)
    return(list(c("P(AyD)" = AyD, "P(AynoD)" = AynoD,
    "P(ByD)" = ByD, "P(BynoD)" = BynoD,
    "P(A/D)" = AdadoD, "P(B/D)" = BdadoD,
    "P(A/noD)" = AdadonoD, "P(B/noD)" = BdadonoD)))
    }

    # Probabilidad apriori, cada proveedor


    apr <-c(0.65,0.35)
    # Probabibida de pieza defectuosa de cada proveedor
    post <- c(0.02,0.05)
    ThoremBayes(apr,post)

    ## [[1]]
    ## P(AyD) P(AynoD) P(ByD) P(BynoD) P(A/D) P(B/D) P(A/noD) P(B/noD)
    ## 0.0130 0.6370 0.0175 0.3325 0.4262 0.5738 0.6570 0.3430

    También podría gustarte