Jose Antepara
Jueves, 9 de noviembre de 2017
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
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.
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.
2
Figure 1: alt text
3
Probabilidad Condicional
1.1.1 PERMUTACIONES
##
## 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
library(gtools)
x <- c('rojo', 'azul', 'verde')
## [,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)
TEORIA DE PROBABILIDADES
Probabilidades Condicionales
Teorema de bayes
Programacion (Opcional)
6
#Ingresar datos
dato1 <- (scan())
datoEscogido <- (scan())
for (i in 1:h) {
probConjunta <- probConjunta + dato1[i]*datoEscogido[i]
}
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
## [1] 18 21 4 19 20 7 23 12 14 15 1 6 2 8 5 13 17 9 22 3 11 10 16