Science">
Unidad N°2 - Probabilidad y Variables Aleatorias 2022
Unidad N°2 - Probabilidad y Variables Aleatorias 2022
Unidad N°2 - Probabilidad y Variables Aleatorias 2022
PROBABILIDAD Y
VARIABLES
ALEATORIAS
Temario
O Espacio muestral
O Variables aleatorias
O Probabilidad
O Variables aleatorias discretas y continuas
O Teorema de Bayes
O Momentos: esperanza y varianza
Para tener en cuenta.....
-¿Qué tal van las clases,
Bartolo? Me pregunta mi
barbero.
-Bien... Dando probabilidad
y estadística... Respondo.
-¡Ah! Probabilidad... Yo
suelo jugar a la lotería...
Dice mientras me pasa la
cuchilla.
EXPERIMEN
TOS
ALEATORI
OS
EXPERIMENTO ALEATORIO
El término “experimento aleatorio” se utiliza en la
teoría de la probabilidad para referirse a un
proceso cuyo resultado no es conocido de
antemano con certeza.
“Suma de valores en el lanzamiento de 2 dados.”
Espacios muestrales
En estadística, al conjunto de todos los resultados posibles
de un experimento se le denomina espacio muestral, ya
que suele constar de todas las cosas que pueden resultar
cuando se toma una muestra. Se acostumbra denotar los
espacios muestrales con la letra S (o ).
EVENTO:
Un evento es un subconjunto del espacio muestral de un
experimento aleatorio.
Ya que los eventos son subconjuntos, entonces es posible utilizar las
operaciones básicas de conjuntos, tales como uniones, intersecciones y
complementos, para formar otros eventos de interés. A continuación se
proporciona un resumen de algunas operaciones básicas de conjuntos, en
términos de eventos:
La unión de dos eventos es el evento que está formado por todos los
resultados contenidos en cualquiera de los dos eventos.
La unión se denota por E1 E2.
La intersección de dos eventos es el evento que está formado por los
resultados contenidos en ambos eventos.
La intersección se denota por E1 E2.
El complemento de un evento en un espacio muestral es el conjunto de
resultados en el espacio muestral que no están en el evento.
Este componente del evento E se denota por E', EC o E
EJEMPLO:
Dado el experimento, lanzar un dado legal
= {1, 2, 3, 4, 5, 6}
EVENTO
S:
A: al lanzar un dado salga 1 A = {1}
Conjunto vacío: Ø
Subconjunto: B ⊂ A
OPERACIONES DE
CONJUNTO
Unión de conjuntos: A ∪ B
Intersección de conjuntos: A ∩ B
Diferencia de conjuntos:
PROBABILIDAD
O El principio de la estadística es sacar tantas
conclusiones confiables como sea posible a partir de
los resultados de los experimentos.
A Posteriori (después
de)
Definiciones de
Probabilidad
Concepto clásico de probabilidad
Si hay n resultados igualmente posibles, todos los
cuales ocurren y s son considerados favorables a un
evento A o como un “éxito”, entonces la probabilidad
de un “éxito” está dada por:
s
P( A)
n
Concepto empírico de probabilidad
Solución
Dado que todas las posibilidades se excluyen mutuamente, la simple
sustitución directa en la formula del teorema 2.4. da el resultado
0.07 + 0.12 + 0.17 + 0.32 = 0.68 para la parte a) y
0.32 + 0.21 + 0.11 = 0.64 para la parte b).
Algunos teoremas elementales
Respuesta
10 ! 10 !
10 𝑃 4= = =10 × 9× 8 ×7=5040 𝑚𝑎𝑛𝑒𝑟𝑎𝑠
( 10 − 4 ) ! 6 !
Permutaciones con repeticiones
Cuando se desea conocer el número de permutaciones de un
conjunto de objetos, algunos de los cuales son iguales.
9 9!
𝑃 3,2,4 = =1260 𝑠𝑒 ñ 𝑎𝑙𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠
3 !2 ! 4 !
COMBINACIONES
Si se tiene un conjunto de n objetos diferentes, las combinaciones son
subconjuntos de r objetos, en donde una combinación es distinta de
otra si difiere en al menos un elemento, sin importar el orden de éstos.
()
𝑛 =𝐶 𝑛 =𝐶 ( 𝑛 , 𝑟 )= 𝑛!
𝑟
𝑟 𝑟 ! ( 𝑛 −𝑟 ) !
Condición: r < n.
Ejemplo
En un sorteo cada participante debe elegir cuatro números distintos del 1 al 25.
Durante el sorteo se sacan cuatro números sin repetición y ganan quienes
acierten a los cuatro números sin importar el orden en que salgan.
¿Cuántos posibles resultados puede tener el sorteo?
=12650
DIAGRAMAS DE ÁRBOL
Condiciones Sanitarias
Número de visitas Total
Buenas Malas
2 o menos 700 100 800
más de dos 800 400 1200
Total 1500 500 2000
Si se elije una persona al azar
¿Cuál es la probabilidad de que asista 2 o menos al centro de salud?
Condiciones Sanitarias
Número de visitas Total
Buenas Malas
2 o menos 700 100 800
más de dos 800 400 1200
Total 1500 500 2000
800 1500
𝑃 ( 2 𝑜 𝑚𝑒𝑛𝑜𝑠 )= 𝑃 ( 𝐵𝑢𝑒𝑛𝑎𝑠 ) =
2000 2000
Probabilidad Marginal
Si se elije una persona al azar
¿Cuál es la probabilidad de que asista 2 o menos al centro de salud y
que la condición sanitaria de su vivienda sea buena?
Condiciones Sanitarias
Número de visitas Total
Buenas Malas
2 o menos 700 100 800
más de dos 800 400 1200
Total 1500 500 2000
700
𝑃 ( 2 𝑜 𝑚𝑒𝑛𝑜𝑠 𝑦 𝐵𝑢𝑒𝑛𝑎𝑠 ) =
2000
Probabilidad Conjunta
Si se elije una persona al azar y se sabe que la
condición sanitaria de la vivienda es buena
Condiciones Sanitarias
Número de visitas Total
Buenas Malas
2 o menos 700 100 800
más de dos 800 400 1200
Total 1500 500 2000
700
𝑃 ¿ ¿
2000
1500
=
𝑃 (2 𝑜 𝑚𝑒𝑛𝑜𝑠 𝑦 𝐵𝑢𝑒𝑛𝑎𝑠)
𝑃 ( 𝐵𝑢𝑒𝑛𝑎𝑠 )
2000
Probabilidad
Condicional
Sean A y B dos eventos, la probabilidad condicional de A dado B se
denota y define de la manera siguiente:
P(A B)
P(A / B) , P( B) 0
P(B)
Igualmente se tiene
P(A B)
P(B / A ) , P( A ) 0
P(A )
EJEMPL
O
Una urna contiene tres bolas negras y siete bolas rojas. Se efectúa el siguiente
juego. Se extrae una bola, se observa su color y luego se devuelve a la urna
con dos bolas adicionales del mismo color. Si se realizan tres extracciones una
a continuación de otra, halle la probabilidad de que en cada una de ellas se
extraiga una bola negra. Definimos los eventos Ai: una bola negra que es
seleccionada en la escogencia i, i = 1, 2, 3
Una vez definidos los eventos queda claro que la probabilidad pedida
es P(A1 A2 A3), que de acuerdo con el teorema de multiplicación
nos queda:
P(A1 A2 A3) = P(A1) P(A2/A1) P(A3/A1 A2)
o El teorema de Bayes proporciona una fórmula para calcular
la probabilidad de que el “efecto” A fue “causado” por el
evento Br. Las probabilidades P(Bi) se denominan las
probabilidades “previas” o “a priori”, de las “causas” Bi y
en la práctica suele ser difícil asignarles valores numéricos.
o Por muchos años el teorema de Bayes fue visto con recelo
debido a que se usó con la suposición, frecuentemente
errónea, de que las probabilidades a priori eran siempre
iguales.
o Una buena parte de la controversia en torno al teorema de
Bayes ha sido aclarada al comprenderse que las
probabilidades P(Bi) deben determinarse en cada caso
separadamente de la naturaleza del problema, de
preferencia con base en la experiencia.
Variables Aleatorias
Función que asigna a cada punto del
espacio muestral un número real
X: R
Ejemplo N°1: =falla, no falla
X(no falla) = 0
X(falla) = 1
Variables Aleatorias
falla
A cada s
le corresponde
Espacio Muestral no falla exactamente
un valor X(s)
Conjunto
X({no falla}) = 0 Números
X({falla}) = 1
Reales
IR
-¥ 0 1 +¥
X: Rx
IR
X-1(-, x Á Familia de eventos elementales
Variables Aleatorias
si
A X(s) = b; s
sk
X(s) = a
RX
a b
0 P(X(s) = x ) = f(x) 1
f(x)
1
W
f: R [0, 1]
0
RX
X(s) = x
s
X: W RX
Distribución de Probabilidad
O Una distribución o densidad de probabilidad de una
variable aleatoria x es la función de distribución de la
probabilidad de dicha variable
O Área de curva entre 2 puntos representa la probabilidad de que
ocurra un suceso entre esos dos puntos.
O Distribuciones probabilidad pueden ser discretas o
continuas, de acuerdo al tipo de.
O Hay infinidad distribuciones probabilidad, (1 c/población),
pero hay ciertas distribuciones “modelo”:
O Normal
O Binomial
O Ji-cuadrado
O "t" de Student,
O F de Fisher
-1 0 +1
Variable aleatoria: Definición
O Una variable aleatoria es una descripción numérica
del resultado de un experimento
51
Ejemplos variable aleatoria discreta
53
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A
54
Distribución de dos variables
aleatorias
Cuando el resultado de un suceso puede clasificarse más de una forma,
la función de densidad o de cuantía es una función de más de una
variable.
Así, al extraer una carta e una baraja ordinaria, puede caracterizar se
según su palo y según su denominación.
1/52
-2*x^2-y^2
Func tion
-2
-7
-12
-17
-22 23
-27 0 1
-1
-2
-3 -2 -1 0
1 2 3 -3 Y
X
a b
P(0 x a , 0 y b) f(x , y)dydx
0 0
f(x,y) 0 y f(x , y)dydx 1
Distribución marginal
Considerando f(x, y) podemos encontrar la distribución
marginal:
Caso discreto:
n m
f( x ) f(x, y)
y0
f( y) f(x, y)
x 0
Caso continuo:
b
P(a X b) f(x, y)dydx
a
f1( x ) f(x , y)dy
f2 ( y) f(x, y)dx