REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA
DE LA FUERZA ARMADA
NUCLEO MIRANDA
EXTENSION OCUMARE DEL TUY
C.CBI301N14

Nombre del Instructor Integrante

Obdulio Prez . Yonaira del V. Escobar C

C.I. 15.540.833

Juan B Brito C

C.I. 16.130.084

Ocumare del Tuy Marzo de 2014.

 Introduccin

La probabilidad y la estadstica son las ramas de las Matemticas y tienen

una aplicabilidad en todos los aspectos y ciencias, especialmente en las
Ciencias Sociales, puesto que aquellas variables que influyen en dichas
ciencias, econmicas, demogrficas, suelen tener carcter aleatorio, es decir,
no son deterministas, y se fundamentan en predicciones a partir de datos
conocidos. Todo aquello que implique prediccin que lleva al terreno de la
probabilidad.

La variable aleatoria de un valor numrico que corresponde al resultado

de un experimento aleatorio, es el nmero de lanzamientos de un dado hasta
que aparece el seis. Las variables aleatorias, como las estadsticas, pueden
ser discretas o continuas, y permiten definir la probabilidad como una funcin
numrica de variable real en lugar de como una funcin de un conjunto dado.

Las distribuciones de probabilidad estn relacionadas con las

distribuciones de frecuencias. Una distribucin de frecuencias terica es una
distribucin de probabilidades que describe la forma en que se espera que
varen los resultados. Debido a que estas distribuciones tratan sobre
expectativas de que algo suceda, resultan ser modelos tiles para hacer
inferencias y para tomar decisiones en condiciones de incertidumbre.

Las distribuciones de probabilidad pueden basarse en consideraciones

tericas o en una estimacin subjetiva de la posibilidad. Se pueden basar
tambin en la experiencia.
 Experimento aleatorio

Es aquel que bajo el mismo conjunto aparente de condiciones iniciales,

puede presentar resultados diferentes, es decir, no se puede predecir o
reproducir el resultado exacto de cada experiencia particular. (Ej:
Lanzamiento de un dado).

Este tipo de fenmeno es opuesto al fenmeno determinista, en el que

conocer todos los factores de un experimento nos hace predecir
exactamente el resultado del mismo. Por ejemplo, conociendo la altura desde
la que se arroja un mvil es posible saber exactamente el tiempo que tardar
en llegar al suelo en condiciones de vaco.

Propiedades
Es toda aquella situacin que debe llevarse a cabo para saber cul es el
resultado. Un experimento se dice aleatorio si verifica las siguientes
condiciones:

Si los resultados se pueden contar se le llama experimento aleatorio

numerable; y si no se pueden contar, se le llama experimento aleatorio
no numerable.
Si es posible conocer previamente todos los posibles resultados (el
espacio muestral, constituido por diferentes sucesos) o por lo menos
nombrar al ltimo resultado se le llama experimento aleatorio finito; y
si no se puede nombrar al ltimo resultado, se le llama experimento
aleatorio infinito.
Es imposible predecir el resultado exacto del mismo antes de
realizarlo.
A cada realizacin de un experimento se le llama experiencia o prueba
 Espacio muestral

En la teora de probabilidades, el espacio muestral o espacio de muestreo

(denotado E, S, o U) consiste en el conjunto de todos los posibles
resultados individuales de un experimento aleatorio.

Los espacios de muestreo aparecen de forma natural en una

aproximacin elemental a la probabilidad, pero son tambin importantes en
espacios de probabilidad. Un espacio de probabilidad (, F, P) incorpora un
espacio de muestreo de resultados, , pero define un conjunto de sucesos
de inters, la -lgebra F, por la cual se define la medida de probabilidad P.

Tipos de espacio muestral

Podemos diferenciar entre dos tipos de espacios mustrales: discretos y

continuos.

Discretos

Son aquellos espacios donde el nmero de sucesos elementales es finito

o infinito numerable.

Espacio probabilstico discreto

Es aquel cuyo espacio maestral es discreto. Podemos diferenciar varios

tipos de espacio probabilstico discreto:

Espacio Probabilstico Discreto Equiprobable

Su espacio muestra es finito de tamao n.

La probabilidad de cualquier suceso elemental E es

 ,

De aqu se deduce que para todo suceso A la probabilidad es:

Espacio Probabilstico Finito

Su espacio muestral es discreto finito.

Hay al menos 2 sucesos elementales que cumplen:

Procesos Estocsticos Finitos Y Diagramas de rbol

Un proceso estocstico es una sucesin finita de experimentos aleatorios,

cada uno de ellos con un n finito de resultados posibles. Se representan con
diagrama de rbol.

Por ejemplo, imaginemos que se lanza una moneda y un dado de seis

caras. La probabilidad de obtener un resultado particular corresponde a la
multiplicacin de sus probabilidades. Es decir, la probabilidad de obtener
cara y un tres ser:

Ahora bien, la probabilidad de un suceso cualquiera es la suma de las

probabilidades de los distintos resultados aislados posibles. As, la
probabilidad de sacar siempre un resultado impar en los dados,
independientemente del resultado de la moneda, ser:
 Espacio Probabilstico Infinito Contable

Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo

La probabilidad de que salga cara en la primera tirada ---->

La probabilidad de que salga nuevamente cara en la segunda tirada --

-->

La probabilidad de que salga nuevamente cara en la tercera tirada ----

>

Continuos

Son aquellos espacios donde el nmero de sucesos elementales es infinito

incontable.

Espacio probabilstico continuo

Espacio muestral infinito no numerable. -No es posible observar

puntos concretos del espacio.

Tiene sentido hablar de intervalos observados. - No es posible asignar

probabilidad a un punto concreto, se asigna a intervalos.

Por tanto la funcin P est definida sobre intervalos P(Ki Exp > Ke)

Habitualmente cuando trabajamos con magnitudes fsicas.

 Particiones

Es posible definir particiones sobre el espacio muestral. Formalmente

hablando, una particin sobre se define como un conjunto numerable:

Tal que:

1.
2.

3.

Eventos mutuamente excluyentes.

Es uno en el que la aceptacin de una alternativa automticamente

excluye otras posibles alternativas. Un ejemplo comn de esto es lanzar una
moneda. La moneda caer de cara o cruz. Debido a que la moneda que
caiga de cara significa que no caer de cruz, lanzar una moneda es un
evento mutuamente excluyente. Es o de un lado o del otro, no pueden ser
ambos.

Principio de multiplicacin y adicin.

Principio de la multiplicacin:

Si una primera operacin puede realizarse de m maneras y una segunda

operacin puede realizarse de n maneras, entonces ambas operaciones
pueden efectuarse juntas de mn maneras.

Principio de la suma:

Si una primera operacin puede realizarse de m maneras y una segunda

operacin puede realizarse de n maneras, entonces una operacin o la otra
pueden efectuarse de m + n maneras.
 Probabilidad condicional

Es la probabilidad de que ocurra un evento A, sabiendo que tambin

sucede otro evento B. La probabilidad condicional se escribe P(A|B), y se lee
la probabilidad de A dado B.

No tiene por qu haber una relacin causal o temporal entre A y B. A

puede preceder en el tiempo a B, sucederlo o pueden ocurrir
simultneamente. A puede causar B, viceversa o pueden no tener relacin
causal. Las relaciones causales o temporales son nociones que no
pertenecen al mbito de la probabilidad.

Pueden desempear un papel o no dependiendo de la interpretacin que

se le d a los eventos. Un ejemplo clsico es el lanzamiento de una moneda
para luego lanzar un dado. Pues eso se escribira como P (Cara | 6).

El condicionamiento de probabilidades puede lograrse aplicando el

teorema de Bayes.

Teorema de multiplicacin de probabilidad

Si A y B son eventos contenidos en el mismo espacio muestral S, donde

P(A) > 0 y P(B) >0, entonces P(A B) = P(A) P(B | A).

Ya vimos que la probabilidad condicional est definida por

. Despejando P(A B) se obtiene:

P(A B) = P(B) P(A | B)

En forma similar y partiendo de P(B | A) se llega a:

P(A B) = P(A) P(B | A)

 La regla de la multiplicacin tambin se puede generalizar. Veamos el
caso de tres eventos.

Sean los eventos A, B y C del mismo espacio muestral S, donde P(A) >
0, P(B) > 0 y P(C) > 0.

Si tenemos P(A B C), aplicando la ley asociativa del lgebra de

conjuntos y la Regla de la Multiplicacin se obtiene P(A B C) = P[A (B
C)] = P(B C) P(A | B C).

Aplicando nuevamente la Regla de Multiplicacin en P(B C) = P(C) P(B

| C) llegamos a P(A B C) = P(C) P(B | C) P(A | B C).

Cuando se tienen n eventos, la regla de multiplicacin queda:

P(A1 A2 . . . An) = P(A1) P(A2 | A1) P(A3 | A1 A2) . . . P(An | A1 A2 .

. . An-1)

Sucesos independientes

Dos sucesos son independientes si y slo si p(A B) = p(A) p(B).

Si dos sucesos son independientes

Y del mismo modo p(B|A) = p(B).

Esta propiedad coincide ms con la idea intuitiva de independencia y

algunos textos la dan como definicin. Hay que notar, sin embargo, que
ambas definiciones no son estrictamente equivalentes.
 Teorema de Bayes

En la teora de la probabilidad el teorema de Bayes es un resultado

enunciado por Thomas Bayes en 17631 que expresa la probabilidad
condicional de un evento aleatorio A dado B en trminos de la distribucin de
probabilidad condicional del evento B dado A y la distribucin de probabilidad
marginal de slo A.

En trminos ms generales y menos matemticos, el teorema de Bayes

es de enorme relevancia puesto que vincula la probabilidad de A dado B con
la probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener
un dolor de cabeza dado que se tiene gripe, se podra saber (si se tiene
algn dato ms), la probabilidad de tener gripe si se tiene un dolor de
cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en
cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin
ntima con la comprensin de la probabilidad de aspectos causales dados los
efectos observados.

Frmula de Bayes

Con base en la definicin de Probabilidad condicionada, obtenemos la

Frmula de Bayes, tambin conocida como la Regla de Bayes:

Variable aleatoria
Es una variable estadstica cuyos valores se obtienen de mediciones en
algn tipo de experimento aleatorio. Formalmente, una variable aleatoria es
una funcin, que asigna eventos (p.e., los posibles resultados de tirar un
dado dos veces: (1, 1), (1, 2), etc.) a nmeros reales (p.e., su suma).
 Los valores posibles de una variable aleatoria pueden representar los
posibles resultados de un experimento an no realizado, o los posibles
valores de una cantidad cuyo valor actualmente existente es incierto (p.e.,
como resultado de medicin incompleta o imprecisa). Intuitivamente, una
variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo
pero puede tomar diferentes valores; una distribucin de probabilidad se usa
para describir la probabilidad de que se den los diferentes valores.

Las variables aleatorias suelen tomar valores reales, pero se pueden

considerar valores aleatorios como valores lgicos, funciones... El trmino
elemento aleatorio se utiliza para englobar todo ese tipo de conceptos
relacionados. Un concepto relacionado es el de proceso estocstico, un
conjunto de variables aleatorias ordenadas (habitualmente por orden o
tiempo).

Variables aleatorias discretas

Es aquella que slo puede tomar un nmero finito de valores dentro de un

intervalo. Por ejemplo, el nmero de componentes de una manada de lobos,
pude ser 4 5 6 individuos pero nunca 5,75 5,87. Otros ejemplos de
variable discreta seran el nmero de pollos de gorrin que llegan a volar del
nido o el sexo de los componentes de un grupo familiar de babuinos.

Densidad

Se denomina densidad discreta a la probabilidad de que una variable

aleatoria discreta X tome un valor numrico determinado (x). Se representa:

f(x) = P[X=x]

La suma de todas las densidades ser igual a 1

 Funcin de probabilidad de una variable aleatoria discreta

Dada una variable aleatoria , su funcin de distribucin, , es

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el

subndice y se escribe, simplemente, F(x). Donde en la frmula anterior:

Prob: es la probabilidad definida sobre un espacio de probabilidad y

una medida unitaria sobre el espacio muestral.
: es la medida sobre la -lgebra de conjuntos asociada al espacio
de probabilidad.
: es el espacio muestral, o conjunto de todos los posibles sucesos
aleatorios, sobre el que se define el espacio de probabilidad en
cuestin.
X : R: es la variable aleatoria en cuestin, es decir, una funcin
definida sobre el espacio muestral a los nmeros reales.

Propiedades

Como consecuencia casi inmediata de la definicin, la funcin de

distribucin:

Es una funcin continua por la derecha.

Es una funcin montona no decreciente.

Adems, cumple
 Y

Para dos nmeros reales cualesquiera y tal que , los sucesos

y , son mutuamente excluyentes y su unin es el

suceso , por lo que tenemos entonces que:

Y finalmente

Por lo tanto una vez conocida la funcin de distribucin F(x) para todos
los valores de la variable aleatoria conoceremos completamente la
distribucin de probabilidad de la variable.

Para realizar clculos es ms cmodo conocer la distribucin de

probabilidad, y sin embargo para ver una representacin grfica de la
probabilidad es ms prctico el uso de la funcin de densidad.

Variables aleatorias continuas

Una variable aleatoria X es continua si su funcin de distribucin es una

funcin continua.

En la prctica, se corresponden con variables asociadas con

experimentos en los cuales la variable medida puede tomar cualquier valor
en un intervalo: mediciones biomtricas, intervalos de tiempo, reas, etc.
 Dentro de las variables aleatorias continuas tenemos las variables
aleatorias absolutamente continuas.

Diremos que una variable aleatoria X continua tiene una distribucin

absolutamente continua si existe una funcin real f, positiva e integrable en el
conjunto de nmeros reales, tal que la funcin de distribucin F de X se
puede expresar como

Una variable aleatoria con distribucin absolutamente continua, por

extensin, se clasifica como variable aleatoria absolutamente continua.

En el presente manual, todas las variables aleatorias continuas con las

que trabajemos pertenecen al grupo de las variables absolutamente
continuas, en particular, los ejemplos y casos expuestos.

Distribuciones Discretas
En R es posible calcular valores relacionados con las distribuciones de
probabilidad de las principales variables aleatorias discretas. Los nombres
reservados a algunas de esas distribuciones son:

Binomial: binom.
Hipergeomtrica: hyper.
Poisson: pois.
Binomial negativa: nbinom.
Geomtrica: geom.
Los nombres anteriores, sin embargo, no son sentencias de R que
produzcan una salida vlida. Es necesario anteponerles los prefijos d para
la funcin de masa o funcin de probabilidad, p para la funcin de
distribucin acumulada, r para generar valores aleatorios y q para la
funcin cuantil (inversa de la funcin de distribucin).

DISTRIBUCIONES CONTINUAS
En R tambin es posible calcular valores asociados a las distribuciones de
probabilidad de las principales variables aleatorias continuas. Los nombres
reservados a las distribuciones continuas ms importantes son:

Uniforme: unif
Exponencial: exp
Normal: norm
X2: chisq
t de Student: t
F de Snedecor: f

Los nombres anteriores, igual que para las distribuciones discretas, no

son sentencias de R que produzcan una salida vlida. Es necesario
anteponerles los prefijos d para la funcin de densidad, p para la funcin
de distribucin acumulada, r para generar valores aleatorios y q para la
funcin cuantil (inversa de la funcin de distribucin)
 Conclusin

La probabilidad es la posibilidad u oportunidad de que suceda un evento

particular. La probabilidad involucrada es una porcin o fraccin cuyo valor
vara entre cero y uno exclusivamente. Se observa un evento que no tiene
posibilidad de ocurrir se puede decir que el evento es nulo, tiene una
probabilidad de cero, mientras que un evento que seguramente ocurrir, es
decir, el evento es cierto, tiene una probabilidad de uno.

La regla ms evidente para las probabilidades es que deben variar en

valor de 0 a 1. Un evento imposible tiene una probabilidad cero de ocurrir, y
un evento cierto tiene una probabilidad uno de ocurrir. La probabilidad simple
se refiere a la probabilidad de ocurrencia de un evento simple.
 Glosario

Aleatorio: depende de la suerte o del azar.

Continuas: Es aquella para la cual, intuitivamente, para puntos cercanos del

dominio se producen pequeas variaciones en los valores de la funcin.

Cuantil: son puntos tomados a intervalos regulares de la funcin de

distribucin de una variable aleatoria.

Diagrama de rbol: Dispositivo grfico til para definir puntos maestrales de

un experimento donde se presentan varias etapas.

Discretas: Son un rea de las matemticas encargadas del estudio de los

conjuntos discretos: finitos o infinitos numerables.

Estadstica: Ciencia de la recopilacin, organizacin, anlisis e

interpretacin de datos numricos con objeto de tomar decisiones ms
efectivas.

Estocstico: Es aquel cuyo comportamiento es intrnsecamente no

determinista

Equiprobable: Cuando la probabilidad de ocurrencia de ambos sucesos es

la misma.

Evento: Uno o ms de los posibles resultados al hacer algo, o bien uno de

los posibles resultados que se producen al efectuar un experimento.

Eventos Independientes: Dos eventos son independientes si la ocurrencia

de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro.

Eventos Dependientes: Dos eventos son dependientes si la ocurrencia de

un evento si tiene efecto sobre la probabilidad de ocurrencia del otro.
Muestral: Es un subconjunto de casos o individuos de una poblacin
estadstica.

Probabilidad: Medida de la posibilidad de ocurrencia de un evento

Variable: Una caracterstica de inters de los elementos.

Yonaira Escobar
 Bibliografa

http://es.wikipedia.org

www.itmorelia.edu.mx

www.redalyc.org

www.bioestadistica.uma.es

www.virtual.unal.edu.com