Probabilidades

Jose Antepara
Jueves, 9 de noviembre de 2017

ESTADISTICA APLICADA A LA INVESTIGACION

Introducción
La habilidad matemática en el área de la probabilidad contribuirá en gran medida al éxito en la comprensión
de los procedimientos de inferencia estadística.
• Un médico dice que un paciente tiene un 50% de probabilidad de sobrevivir a una cierta operación.
• Otro médico puede decir que está en un 95% seguro de que un paciente tiene una determinada
enfermedad.
• Una enfermera de salud pública puede decir que nueve de diez veces un cierto paciente cancelará una
cita.

Imposibilidad certeza
0 1
0% 100%

Nunca apostamos a la certeza absoluta ni la certeza absoluta. Video: Evaluación de pruebas diagnósticas:
Sensibilidad y Especificidad

La probabilidad: Tipos
• Probabilidad clásica o a priori
• Concepto de probablidad de frecuencia relativa o a posteriori

Probabilidad clásica o a priori

Es una probabilidad que sabemo de entrada, cual va a ser. Ejemplo Lanzar un dado probabilidad de 1/6
cada lado. La probabilidad de sacar una carta de corazones en una baraja es de 13/52, como puede notarse,
no se necesita tener un dado o una baraja o que el evento suceda, pues sabemos a priori su probabilidad que
en este caso es uniforme.

número de eventos probables

P (A) ==
T otal número de eventos posibles

frecuencia relativa o a posteriori

Es la que ocurre después del que el evento ocurra. Estas son simplemente las tasas. De 100 personas, se sabe
que 12 tienen un tipo de Enfermedad cardiaca (A) y 88 no tienen enfermedad cardiaca (Ä), fueron elejidos al
azar.
12
P (A) =
100

1
 P (A) = 0.12 ∗ 100 = 12%
Tasa de Incremento Periodico de crecimiento Anual (IPA), corresponde a lo que el árbol creció en promedio
en un determinado número de años.
V olumen de soluto
Concentración de una solución = ∗ 100
V olumen de solución
Las tasas en realidad son probablidades a posteriori.

Propiedades o Axiomas de probablidad:

• Sea S el espacio muestral de un experimento. Entonces P [S] = 1
• P [A] > 0 para todo suceso A.
• Sea A1 , A2 , A3 , ... un conjunto finito o infinito de sucesos mutuamente excluyentes, es decir, son eventos
que no pueden ocurrir simultaneamente. Entonces P [A1 o A2 o A3 o ...] = P [A1 ] + P [A2 ] + P [A3 ] + ....
La suma de las probabilidades de todos los resultados es igual a 1.
• La probabilidad de que ocurra dos eventos mutuamente expluyentes Ai , Aj , es decir P [Ai o Aj ] es igual
a la suma de sus probabilidades individuales P [Ai ] + P [Aj ]. Si no fueren mutuamente excluyentes, es
decir que los eventos ocurrieran a vez, se traslaparía

Teoría de conjuntos y notación de conjuntos (Nociones básicas)

Un Conjunto es un grupo de objetos definidos y distintos. Los objetos que constituyen un conjunto se conocen
como elementos o miembros del conjunto. Se utilizarán letras mayúsculas para designar un conjunto. Se
describen de la siguientes formas:

I. PARTE: ¿Cómo se describen?

1. Enumerando todos los elementos:

Conjunto Todos los elementos del conjunto A = {paciente 1, paciente 2,. . . , paciente n} B = {animal 1,
animal 2,. . . , animal n}
2. Describiendo el tipo de elementos: Conjunto Tipo de elemento A = {Todos los pacientes en estado
crítico del cuarto piso} B = {Todos los animales utilizados en cierto experimento}

II. PARTE: ¿Cómo se identifican?

1. Conjunto Unitario. Sólo un elemento.

2. Conjunto vacío o nulo. Ningún elemento.
3. Conjunto Universal. Todos los elementos.
4. Si todo elemento de A es un elemento de B, entonces decimos que A es subconjunto de B.
5. Se dice que dos conjunto son iguales si, y sólo si, contienen los mismos elementos.

III. PARTE: ¿Que hago con ellos?

S S
1. UNIÓN. se utiliza el símbolo , e.g. A B hay de dos tipos.
2. INTERSECCIÓN.
3. COMPLEMENTO

2
Figure 1: alt text

Figure 2: alt text

3
Probabilidad Condicional

Suma de propiedades complementarias

1.1 PERMUTACIONES Y COMBINACIONES

1.1.1 PERMUTACIONES

MuestraS <- c(1 ,1, 1, 1, 0, 1, 1, 0, 1, 1)

#instalar paquete
library(combinat)

##
## Attaching package: 'combinat'
## The following object is masked from 'package:utils':
##
## combn
# resPer <- permn(MuestraS)
#
# matresPer <-
# matrix(unlist(resPer),
# nrow = factorial(length(MuestraS)),
# ncol = length(MuestraS))
# head(matresPer)
# length(matresPer)
#Cuidado que el objeto "resPer" es una lista de 3628800 elementos... 609.1Mb
#que como matriz solo ocupa 276.9Mb.

#otro ejemplo
muto <- c(5,8,2)
mutoPer <- permn(muto)
mutoPer

## [[1]]
## [1] 5 8 2
##
## [[2]]
## [1] 5 2 8
##
## [[3]]
## [1] 2 5 8
##
## [[4]]
## [1] 2 8 5
##
## [[5]]
## [1] 8 2 5
##
## [[6]]
## [1] 8 5 2

4
mutoCom <- combn(muto,2,simplify = F)
mutoCom

## [[1]]
## [1] 5 8
##
## [[2]]
## [1] 5 2
##
## [[3]]
## [1] 8 2
unlist(mutoPer)

## [1] 5 8 2 5 2 8 2 5 8 2 8 5 8 2 5 8 5 2
length(mutoPer)

## [1] 6
length(mutoCom)

## [1] 3
choose(3,2)

## [1] 3
fuentes: https://stat.ethz.ch/pipermail/r-help-es/2015-March/008554.html

1.1.2. COMBINATORIA

#Combinatoria Simple mCn

#--------- Ejemplo de Combinaciones con repeticion (gtools) -----

#Y con el parametro "repeats.allowed" controlas si son con o sin repetcion:

library(gtools)
x <- c('rojo', 'azul', 'verde')

# Combinaciones con repeticion

combinations(n=3, r=2, v=x, repeats=T)

## [,1] [,2]
## [1,] "azul" "azul"
## [2,] "azul" "rojo"
## [3,] "azul" "verde"
## [4,] "rojo" "rojo"
## [5,] "rojo" "verde"
## [6,] "verde" "verde"
# Combinaciones sin repeticion
combinations(n=3, r=2, v=x, repeats=FALSE)

## [,1] [,2]
## [1,] "azul" "rojo"
## [2,] "azul" "verde"

5
## [3,] "rojo" "verde"
#Permutaciones *con repeticion*
permutations(n=3, r=3, v=x, repeats.allowed=TRUE)

## [,1] [,2] [,3]

## [1,] "azul" "azul" "azul"
## [2,] "azul" "azul" "rojo"
## [3,] "azul" "azul" "verde"
## [4,] "azul" "rojo" "azul"
## [5,] "azul" "rojo" "rojo"
## [6,] "azul" "rojo" "verde"
## [7,] "azul" "verde" "azul"
## [8,] "azul" "verde" "rojo"
## [9,] "azul" "verde" "verde"
## [10,] "rojo" "azul" "azul"
## [11,] "rojo" "azul" "rojo"
## [12,] "rojo" "azul" "verde"
## [13,] "rojo" "rojo" "azul"
## [14,] "rojo" "rojo" "rojo"
## [15,] "rojo" "rojo" "verde"
## [16,] "rojo" "verde" "azul"
## [17,] "rojo" "verde" "rojo"
## [18,] "rojo" "verde" "verde"
## [19,] "verde" "azul" "azul"
## [20,] "verde" "azul" "rojo"
## [21,] "verde" "azul" "verde"
## [22,] "verde" "rojo" "azul"
## [23,] "verde" "rojo" "rojo"
## [24,] "verde" "rojo" "verde"
## [25,] "verde" "verde" "azul"
## [26,] "verde" "verde" "rojo"
## [27,] "verde" "verde" "verde"
#Permutaciones *sin repeticion*
permutations(n=3, r=3, v=x, repeats.allowed=FALSE)

## [,1] [,2] [,3]

## [1,] "azul" "rojo" "verde"
## [2,] "azul" "verde" "rojo"
## [3,] "rojo" "azul" "verde"
## [4,] "rojo" "verde" "azul"
## [5,] "verde" "azul" "rojo"
## [6,] "verde" "rojo" "azul"
Fuente: https://stat.ethz.ch/pipermail/r-help-es/2015-March/008646.html

TEORIA DE PROBABILIDADES

Probabilidades Condicionales
Teorema de bayes

Programacion (Opcional)

6
#Ingresar datos
dato1 <- (scan())
datoEscogido <- (scan())

Bayes <- function(dato1,datoEscogido){

probConjunta <- 0.00
h <- length(dato1)

for (i in 1:h) {
probConjunta <- probConjunta + dato1[i]*datoEscogido[i]
}

resultado <- 0.00

y <- c()

for (i in 1:h) {
resultado <- dato1[i]*datoEscogido[i] / probConjunta
y <- c(y,resultado)
}
return(y)
}

print(Bayes(dato1,datoEscogido))

## numeric(0)
fuente: https://www.youtube.com/watch?v=dQQs2DL1JZg

Generar numeros aleatorios

Generar números aleatorios enteros

sample(x = 1:23,size = 23,replace = F)

## [1] 18 21 4 19 20 7 23 12 14 15 1 6 2 8 5 13 17 9 22 3 11 10 16

Generar numeros aleatorios decimales

runif(n = 23, min = 1, max = 23)

## [1] 14.457749 22.950234 3.523596 18.270132 22.859742 16.364567 19.973082

## [8] 14.663600 13.592953 9.397645 22.039921 6.932453 14.786289 4.787954
## [15] 4.853152 12.626934 16.358933 22.082871 2.595510 12.370112 20.168123
## [22] 4.985560 7.246252
Fuente: http://vivaelsoftwarelibre.com/genera-numeros-aleatorios-r/