Professional Documents
Culture Documents
Evento simple:
B:Que salgan tres soles; B ={ (S,S,S) } , N(B) = 1
Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, N(E) = 4
2
6 C
A – B = ={ 1, 3, 5 } - { 3, 4 } = { 1, 5 },
N(A – B) = 2
A – C = { 1, 3, 5 } - { 2,4,6 } = { 1,3,5 } = A,
N( A – C) = N(A) = 3
B – C = { 3, 4 } - { 2,4,6 } = { 3 },
N(B-C) = 1
S
A B
3 C
1 4
5 2
6
Ac = { 2, 4, 6} = C N(Ac ) = N( C )= 3
Bc = {1, 2, 5, 6 } N(Bc ) = 4
Cc = {1, 3, 5 } = A N(Cc ) = N(A) = 3
PROBABILIDAD Y ESTADISTICA
PROBABILIDAD
PROBABILIDAD
El concepto de probabilidad es manejado por
mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuación:
¿ Cuál es la probabilidad de que me saque la
lotería o el melate ?
¿ Qué posibilidad hay de que me pase un
accidente automovilístico ?
¿ Qué posibilidad hay de que hoy llueva ? para
llevar mi paraguas o no.
¿ Existe alguna probabilidad de que repruebe el
primer parcial ?,
PROBABILIDAD
Estas preguntas en el lenguaje coloquial esperan
como respuesta una medida de confianza
representativa o práctica de que ocurra un
evento futuro, o bien de una forma sencilla
interpretar la probabilidad.
Fenómenos Aleatorios y
Fenómenos Deterministicos.
Fenómeno Aleatorio.-
Es un fenómeno del que no se sabe que es lo que
va a ocurrir, están relacionados con el azar o
probabilidad.
Fenómeno Determinista.-
Es el fenómeno en el cual de antemano se sabe
cual será el resultado.
PROBABILIDAD
Experimento aleatorio.-
Una acción que se realiza con el propósito de
analizarla. Tiene como fin último determinar
la probabilidad de uno o de varios
resultados.
Se considera como aleatorio y estocástico, si
sus resultados no son constantes.
Puede ser efectuado cualquier número de veces
esencialmente en las mismas condiciones.
PROBABILIDAD
Un experimento es aleatorio si se
verifican las siguientes condiciones:
1. Se puede repetir indefinidamente,
siempre en las mismas condiciones;
2. Antes de realizarlo, no se puede
predecir el resultado que se va a
obtener;
3. El resultado que se obtenga, s,
pertenece a un conjunto conocido
previamente de resultados posibles.
PROBABILIDAD
Ejemplos:
Tirar dardos en un blanco determinado
Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda
PROBABILIDAD
Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas de
interés, que caiga sol o que caiga águila. (Si
cae de canto no es de interés y se repite el
lanzamiento).
S = { s, a }
PROBABILIDAD
En el experimento 1,
S = { s, a }, s y a son sucesos elementales
N(S) = 2
En el experimento 2,
S = { 1, 2, 3, 4, 5, 6 }, 1, 2, 3, 4, 5 y 6 son
sucesos elementales, y
N(S) =6
A = Que caiga un uno = { 1 }
B = Que caiga un dos = { 2 }
: : :
F = Que caiga un seis = { 6 }
PROBABILIDAD
Evento Compuesto.- Es el evento E que contiene
más de un punto muestral de S, por tanto
N(E) > 1
Evento simple:
B:Que salgan tres soles; B ={ (S,S,S) } , N(B) = 1
Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, N(E) = 4
A B
A B
A B S
1
3
4
5
2 C
6
S
B
A 3
4
C
S
B
1
A 3
5
C
A – B = ={ 1, 3, 5 } - { 3, 4 } = { 1, 5 }, N(A – B) = 2
A – C = { 1, 3, 5 } - { 2,4,6 } = { 1,3,5 } = A, N( A – C) = N(A) = 3
B – C = { 3, 4 } - { 2,4,6 } = { 3 }, N(B-C) = 1
PROBABILIDAD
S
B
1
A 3
4
5
C
2
6
Ac = { 2, 4, 6} = C N(Ac ) = N( C )= 3
Bc = {1, 2, 5, 6 } N(Bc ) = 4
Cc = {1, 3, 5 } = A N(Cc ) = N(A) = 3
PROBABILIDAD
Esto es:
N ( A)
P( A) (2)
N ()
donde
N(A) = número de elementos del evento A
N(Ω) = número de elementos del espacio
muestral Ω.
PROBABILIDAD
Probabilidad clásica.-
Sea S un espacio muestral cualquiera y A un evento de
ese espacio. Se define la probabilidad P del evento
A, como:
NCF
P( A) (1)
donde NCT
NCF - número de casos favorables
NCT - número de casos totales
PROBABILIDAD
Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
águila.
Calcular la probabilidad de A:
S = { A, S}, N(Ω) = 2
A = { A }, N(A) = 1
N ( A) 1
P( A) .5
N () 2
PROBABILIDAD
Leyes De La Probabilidad
Las relaciones que se dan entre los
eventos al ser aplicadas las
operaciones que se presentaron, se
facilitan y comprenden mejor haciendo
uso de los axiomas y teoremas de
probabilidad (Leyes de Probabilidad).
Axioma.- es una verdad evidente que no
requiere demostración.
Teorema.- Es una verdad que requiere
ser demostrada.
PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado
Si A =Ω, es decir si el evento A coincide o es igual al
espacio muestral, entonces.
N ( A) N (S )
P( A) 1
N () N ()
PROBABILIDAD
A B
A B
PROBABILIDAD
Ejemplo:
Experimento: Se lanzan dos monedas
Ω = { ss, aa, sa, as}
N(Ω) = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos soles exactamente
B: el evento de que al lanzar un par de monedas caiga un
sol exactamente.
Los elementos de A y B son
A = { ss }
B = {sa, as}
Se puede ver que A B = , no hay elementos en común,
por lo que los eventos son mutuamente exclusivos o
disjuntos, por tanto
P(A B) = P(A) + P(B)
PROBABILIDAD
N ( A) 1
P( A)
N () 4
N ( B) 2
P( B)
N () 4
1 2 3
P( A B) P( A) P( B)
4 4 4
PROBABILIDAD
Axioma 4.-
Sean A1, A2, A3, A4, ..., An eventos mutuamente
exclusivos:
P(A1 A2 A3 A4, ... An) =
P(A1) + P(A2) + P(A3) + P(A4) + ...+ P(An)
P( A1 A2 ... An ) P( A1 ) P( A2 ) ... P( An )
n n
P( A
i j
i Aj ) P( Ai Aj Ak ) ... P( A1 A2 ... Ak )
i j k
PROBABILIDAD
Ejemplo:
Experimento: Se lanza un dado
Sean
Evento A: que al lanzar un dado salga el 2 o el 4
Evento B: que al lanzar un dado salga un número
mayor a 4
Evento C: que salga el 1 o 3
A B
PROBABILIDAD
Diferencia
Sean A y B dos eventos:
A-B = { x | x A y x B }
A- B
PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A B = { 2s } N(A B ) = 1
P(A B) = P(A) + P(B) - P(A B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
PROBABILIDAD
P(Ac) = 1 – P(A)
PROBABILIDAD
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12
PROBABILIDAD
Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral Ω, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:
P( A E)
P( A / E)
P( E)
PROBABILIDAD
Eventos Independientes:
P( A / E ) P( A)
P( E / A) P( E )
P( A B) P( A) P( B)
Si no se cumplen, se dice que los eventos son
dependientes.
PROBABILIDAD
Probabilidad Condicional.
P( A E )
P( A / E )
P( E )
P( E A)
P( E / A)
P( A)
P( A E ) P( A / E ) P( E )
P( E/A ) P( A )
PROBABILIDAD
Probabilidad Condicional.
Si A y B son independientes:
P( A E ) P( A / E ) P( E ) P( A) P( E )
P( E/A ) P( A ) P(E)P(A)
P( A E ) P( A) P( E )
P( A / E ) P( A)
P( E ) P( E )
P( E A) P( E ) P( A)
P( E / A) P( E )
P( A) P( A)
PROBABILIDAD
Ejemplo:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 3
E: que al lanzar un dado salga un impar
Ω = {1,2,3,4,5,6}
A = {3}, E = { 1,3,5}, (AE) = {3},
P(A) = 1/6
P(A/E) = P(AE)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
PROBABILIDAD
B Bc Total
A AB ABc A
Ac AcB AcBc Ac
Total B Bc Ω
Tabla de número de elementos de A, B y sus
complementos Ac, Bc
B Bc Total
B Bc Total
Probabilidades condicionales:
Ejemplo.-
En cierta ciudad, las mujeres representan el 50%
de la población y los hombres el otro 50%. Se
sabe que el 20% de las mujeres y el 5% de
hombres están sin trabajo. Un economista
estudia la situación de empleo, elige al azar una
persona desempleada. Si la población total es
de 8000 personas,
¿ Cuál es la probabilidad de que la persona
escogida sea ?:
PROBABILIDAD
a).- Mujer
b).- Hombre
c).- Mujer dado que está empleado
d).- Desempleado dado que es hombre
e).- Empleado dado que es mujer
D E Total
M 800/8000 = .1 3200/8000= .4 4000/8000= .5
P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(M/E) = P(ME)/P(E) = .40/.875 = .4571
P(D/H) = P(DH)/P(H) = .025/.5 = .05
P(E/M) = P(ME)/P(M) = .40/.5 = .8
P(M/D) = P(MD)/P(D) = .10/.125 = .8
P(H/D) = P(HD)/P(D) = .025/.125 = .2
PROBABILIDAD
INDEPENDENCIA DE n EVENTOS
Probabilidad total.-
Sean A1, A2, A3..., An eventos disjuntos
(mutuamente excluyentes), que forman una
partición de Ω. Esto es Ai Aj = para
toda i y toda j, y además
Ω = A1 A2 A3 An
A2
A5
A3
A1 A4
A6
An
PROBABILIDAD
A2
A5
A3
A1 A4
E
A6
An
E
PROBABILIDAD
Entonces
E = Ω E = (A1 A2 A3 An) E
= (A1 E) (A2 E) (A3 E)
(An E)
Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Si se selecciona un artículo al azar,
¿ Cuál es la probabilidad de que el artículo sea
defectuoso ?
PROBABILIDAD
Sea
D el evento: Que sea un artículo defectuoso.
P(M1) = .50 P(D/M1) = .03
P(M2) = .30 P(D/M2) = .04
P(M3) = .20 P(D/M3) = .05
P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND
P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.20 M3
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
PROBABILIDAD
P( Ai )P(E / AI )
P( Ai / E)
P( A1 )P(E / A1 ) P( A2 )P(E / A2 ) P( An )P(E / An )
PROBABILIDAD
Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Supóngase que se selecciona un artículo
al azar y resulta ser defectuoso. ¿Cuál sería
la probabilidad de que el artículo haya sido
producido por la máquina M1?
PROBABILIDAD
Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Supóngase que se selecciona un artículo
al azar y resulta ser defectuoso. ¿Cuál sería
la probabilidad de que el artículo haya sido
producido por la máquina M1?
PROBABILIDAD
Sea
D: Que el artículo sea defectuoso
ND: Que el artículo no sea defectuoso
M1: Que haya sido producido por la máquina 1
M2: Que haya sido producido por la máquina 2
M3: Que haya sido producido por la máquina 3
P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND
P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.20 M3
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
PROBABILIDAD
Por teorema de Bayes se tiene:
P(M1 )P(D / M 1 )
P(M1 / D)
P(M 1 )P(D / M 1 ) P(M 2 )P(D / M 2 ) P(M 3 )P(D / M 3 )
P(M 1 )P(D / M 1 ) (.5 0)(.0 3)
.4 0 5 4
P(D) .0 3 7
NCF
P( A) (1)
NCT
donde
NCF - número de casos favorables
NCT - número de casos totales
Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
águila.
Calcular la probabilidad de A:
S = { A, S}, N(Ω) = 2
A = { A }, N(A) = 1
N ( A) 1
P( A) .5
N () 2
Leyes De La Probabilidad
Las relaciones que se dan entre los
eventos al ser aplicadas las
operaciones que se presentaron, se
facilitan y comprenden mejor haciendo
uso de los axiomas y teoremas de
probabilidad (Leyes de Probabilidad).
Axioma.- es una verdad evidente que no
requiere demostración.
Teorema.- Es una verdad que requiere
ser demostrada.
Axioma 1.- Sea S un espacio muestral
cualquiera y A un evento, tal que A S,
entonces se cumple que
0 P(A) 1 (3)
Ejemplo.-
Experimento.- Se lanza un dado
Si A =Ω, es decir si el evento A coincide o es igual al
espacio muestral, entonces.
N ( A) N (S )
P( A) 1
N () N ()
Teorema 1.- Si es el conjunto vacío,
entonces la probabilidad de es igual a 0
N ()
P() 0
N ()
Ejemplos:
a) Una persona que quiere ganar la lotería
nacional, pero no compra boleto.
b) Que aparezca un siete al lanzar un dado
c) Que una persona viva 250 años
d) En estos casos los eventos son vacíos
Axioma 3.- Sea Ω un espacio muestral
cualquiera y sean A y B dos eventos tales que
A Ω, B Ω y A B = , es decir, dos
eventos mutuamente exclusivos, entonces
P(A B) = P(A) + P(B).
A B
A B
Ejemplo:
Experimento: Se lanzan dos monedas
Ω = { ss, aa, sa, as}
N(Ω) = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos soles exactamente
B: el evento de que al lanzar un par de monedas caiga un
sol exactamente.
Los elementos de A y B son
A = { ss }
B = {sa, as}
Se puede ver que A B = , no hay elementos en común,
por lo que los eventos son mutuamente exclusivos o
disjuntos, por tanto
P(A B) = P(A) + P(B)
N ( A) 1
P( A)
N () 4
N ( B) 2
P( B)
N () 4
1 2 3
P( A B) P( A) P( B)
4 4 4
Axioma 4.-
Sean A1, A2, A3, A4, ..., An eventos mutuamente
exclusivos:
P(A1 A2 A3 A4, ... An) =
P(A1) + P(A2) + P(A3) + P(A4) + ...+ P(An)
A B
Diferencia
Sean A y B dos eventos:
A-B = { x | x A y x B }
A- B
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A B = { 2s } N(A B ) = 1
P(A B) = P(A) + P(B) - P(A B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
Teorema 3.- Sea A un evento cualquiera y Ω
un espacio muestral, tal que AS, si Ac es el
complemento del evento A, entonces la
probabilidad de Ac es igual a 1 menos la
probabilidad de A, es decir
P(Ac) = 1 – P(A)
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12
Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral Ω, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:
P( A E)
P( A / E)
P( E)
Eventos Independientes:
Se dice que los eventos A y E son independientes si
se cumplen:
P( A / E ) P( A)
P( E / A) P( E )
P( A B) P( A) P( B)
Si no se cumplen, se dice que los eventos son
dependientes.
Ley Multiplicativa de la Probabilidad.
P( A E )
P( A / E )
P( E )
P( E A)
P( E / A)
P( A)
P( A E ) P( A / E ) P( E )
P( E/A ) P( A )
Si A y B son independientes:
P( A E ) P( A / E ) P( E ) P( A) P( E )
P( E/A ) P( A ) P(E)P(A)
P( A E ) P( A) P( E )
P( A / E ) P( A)
P( E ) P( E )
P( E A) P( E ) P( A)
P( E / A) P( E )
P( A) P( A)
Ejemplo 01:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 3
E: que al lanzar un dado salga un impar
Ω = {1,2,3,4,5,6}
A = {3}, E = { 1,3,5}, (AE) = {3},
P(A) = 1/6
P(A/E) = P(AE)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
Ejemplo 02:
La probabilidad de que un comerciante
venda dentro de un mes un lote de radios
es de ½ y un lote de tv es ¼ . Hallar la
probabilidad de que el mes siguiente:
a) Venda radios y tv.
b) Venda al menos uno de los 2 lotes.
c) No venda ninguno de los lotes.
d) Solamente venda el lote de radios y no
de tv.
EJERCICIOS PROPUESTOS
1. Se lanza un dado. ¿Cual es la probabilidad
que salga 3?
2. Si en una urna hay 6 bolas rojas; 4 blancas y 5
azules. Si se extrae un al azar. ¿Cuál es la
probabilidad de obtener una bola roja o
blanca?
3. ¿Cual es la probabilidad de obtener As ó
Corazón en una baraja de 52 cartas?
4. ¿Calcular la probabilidad de extraer 2 veces
cara en el lanzamiento de una moneda?
5. En una caja hay 8 bolas rojas, 3 blancas y 2
azules, si se extraen 3 al azar, determinar la
probabilidad de que:
a) Los 3 sean rojos
b) Los 3 sean blancos
5. Se lanza un par de dados y la suma de a+b=6.
Hallar la probabilidad de que uno sea 2.
PROBABILIDAD Y ESTADISTICA
VARIABLES ALEATORIAS.
Introducción
Normalmente, los resultados posibles (espacio muestral E) de un
experimento aleatorio no son valores numéricos. Por ejemplo, si el
experimento consiste en lanzar de modo ordenado tres monedas al aire,
para observar el número de caras (C) y cruces (R) que se obtienen, el
espacio muestral asociado a dicho experimento aleatorio seria:
E = {CCC, CCR, CRC, CRR, RCC, RCR, RRC, RRR}
En estadística resulta mas fácil utilizar valores numéricos en lugar de
trabajar directamente con los elementos de un espacio muestral como el
anterior. Así preferimos identificar los sucesos {CRR, RCR, RRC} con el
valor numérico 1 que representa el numero de caras obtenidas al realizar
el experimento. De este modo aparece el concepto de variable aleatoria
unidimensional como el de toda función que atribuye un único numero
real x e, a cada suceso elemental e, del espacio muestral E.
X :E R
e X (e) xe
Por ejemplo, en el ejemplo anterior, se define la variable aleatoria (v.a.
en adelante) X: número de caras del siguiente modo:
X : E R
X (CCC) 3
X (CCR) X (CRC) X ( RCC) 2
X (CRR) X ( RCR) X ( RRC) 1
X ( RRR) 0
•En función de los valores que tome la variable, esta puede ser clasificada
en discreta o continua del siguiente modo:
•v.a. discreta es aquella que solo puede tomar un número finito o infinito
numerable de valores. Por ejemplo, X : E IN
•v.a. continua es la que puede tomar un número infinito no numerable de
valores. X : E IR
•Vamos a estudiar los conceptos más importantes relacionados con la
distribución de probabilidad de una v.a., diferenciando entre los casos de
v.a. discreta y v.a. continua.
Variables aleatorias discretas
•Dada una v.a. discreta X : E IN, su función de probabilidad f, se define de
modo que f(x i) es la probabilidad de que X tome ese valor:
f : N [0,1]
f ( xi ) P[ X xi ] P[e / X (e)] xi
•Si xi no es uno de los valores que puede tomar X, entonces f(xi) = 0. La
representación gráfica de la función de probabilidad se realiza mediante un
diagrama de barras análogo al de distribución de frecuencias relativas para
variables discretas.
1) f xi 0, i
.
2) f (x ) 1
1
i
Xi x1 x2 x3 ….. xn
F : R [0,1]
F ( x1 ) P[ X xi ] P[e / X (e) xi ]
Esta función se representa gr´aficamente del mismo modo que la
distribución de frecuencias relativas acumuladas .
Volviendo al ejemplo de las tres monedas, se tiene que:
1
F (0) P[ X 0] P[ x 0] f (0)
8
1 3 4
F (1) P[ X 1] f (0) f (1)
8 8 8
F (2) ..... F (3) ....
F (4) .... F (17) ....
F (1) .....
DEFINICION DE LA FUNCION DE DISTRIBUCION DEL EJEMPLO DE LAS
TRES MONEDAS.
0 si x0
1
8 si 0 x 1
F ( x) 4 si 1 x 2
8
7 8 si 2 x3
1 si x3
Variable aleatoria continua.
•Es aquella que puede tomar infinitos valores dentro de un intervalo de la
recta real.
1) f ( x) 0
2)
f ( x) dx 1
y que además verifica que dado a < b, se tiene que
b
P[a x b] f ( x)dx
a
La función de distribución de la v.a. continua, F, se define de modo que
dado x real, F(x) es la probabilidad de que X sea menor o igual que x, es
decir
F : R [0,1]
x
F ( x) P[ X x] f (u )du
EJEMPLO:
F ( x) p( X x) 2 xdx x
x
0
2 x
0 x2
x. f ( x).dx x.2 x.dx
b 1 2
a 0 3
0 si x 0 Cálculo de la varianza:
F ( x) x 2 si 0 x 1 4 1
2 x 2 f ( x)dx 2 x 2 .2 x.dx
b 1
1 para x 1 a 0 9 18
GRAFICOS DE FUNCIONES DE PROBABILIDAD Y FUNCIONES
DE DISTRIBUCION PARA V.A. DISCRETAS Y CONTINUAS.
Media y varianza de una v.a. continua.
Existe cierta correspondencia entre la variable aleatoria discreta y la continua:
n xi E[ X ]2 f ( xi )
Var[ X ] E[( X E[ X ]) ]
n
E[ X ] xi f ( xi )
2
; X : disc
1 i 1
E[ X ] x f ( x) dx Var[ X ] E[( X E[ X ]) 2 ] .......
2 xi2 pi 2 x 2 f ( x)dx 2
b
2
a
PROPIEDADES DE LA ESPERANZA MATEMATICA
PROP.1: Si X=c (constante), entones E(X)=c
PROP.2: Si Y=X+c, entonces E(Y) = E(x)+c
PROP 3: Si Y=c X, entonces E(Y) =c E(x)
PROP 4: Si Y=X1+X2+. . .+Xn, entonces E(Y)= E(X1)+E(X2)+. . . +E(Xn)
PROP 5: Si Y=X1 X2 y ambas variables son idependientes, entonces
E(Y)= E(X1) E(X2).
PROPIEDADES DE LA VARIANZA.
PROP.1: Si X=c, entonces V(X)=0
PROP.2: Si Y=X+c , entonces V(Y)= V(X)
PROP.3: Si Y=c X, entonces V(Y)= c2 V(X)
PROP.4: Si Y=X1+X2 y ambas son independientes, entonces V(Y) =
V(X1)+V(X2)
EJEMPLO:
P( X k ) 1 o
k2
P( X k ) 1 1 2
k
Esta segunda desigualdad, podemos leerla como: dado un
número k mayor o igual a 1 y un conjunto n de observaciones, al
menos 1-1/k2 % de las observaciones caen dentro de k
desviaciones estándares de la media.
DISTRIBUCIÓN DE PROBABILIDADES
DE UNA VARIABLE ALEATORIA
DISCRETA Y CONTINUA
1/4
• 0 1 2
Ejemplo 03
• En una clínica la atención del cáncer mamario
se registro en un día cualquiera. Distribuir la
probabilidad entre el numero de pacientes y el
numero de días que se atendió.
# pacientes # días de atención
100 5
101 1
102 8
103 2
104 8
105 10
106 6
107 4
Resolución
• Se determinara la variable aleatoria y la
frecuencia absoluta, para así determinar la
probabilidad
x f f/n
100 5 5/44
101 1 1/44
102 8 8/44
103 2 2/44
104 8 8/44
105 10 10/44
106 6 6/44
107 4 4/44
n=44 1
VARIABLE ALEATORIA DISCRETA
Es variable aleatoria es discreta si
puede asumir solo ciertos valores,
con frecuencia números enteros y
resulta principalmente del conteo.
Ejemplo:
El numero de caras en el lanzamiento
de una moneda.
DISTRIBUCIÓN DE PROBABILIDAD DE
UNA VARIABLE ALEATORIA DISCRETA
La distribución de probabilidad de
una variable aleatoria discreta es una
tabla, grafica o formula que
especifica todos los valores posibles
de una variable aleatoria discreta
junto con sus respectivas
probabilidades.
• La probabilidad de que la variable aleatoria
discreta X tome algún valor especifico “xi”, se
escribe como:
P(xi)=P(X=xi) y se llama función probabilidad.
A la colección de pares (xi;P(xi)) es llamada
distribución probabilidad.
Propiedades
a) 0≤P(X=xi) ≤1
b) ∑ P(X=xi)=1
VALOR ESPERADO O ESPERANZA
MATEMATICA
Es la sumatoria del producto de las variables
aleatoria y la probabilidad, conocido como el
nombre de promedio.
E(x)=∑x.p(x)
VARIANZA
• Es la dispersión que existe con respecto a la
media aritmética, cuya formula es:
2
V ( x) x . p( x) ( x. p( x)) 2
O
V ( x) ( xi u ) 2 P( xi )
DESVIACIÓN ESTANDAR
Se llama desviación estándar de una variable
aleatoria X a la raíz cuadrada positiva de la
varianza, es decir:
D.E( x) x 2. p( x) ( x. p( x))2
Ejemplo 01
Hallar la esperanza matemática, varianza y
desviación estándar de lanzar una moneda
tres veces y observar el numero de caras
Resolución
1) El espacio muestral es el conjunto dde
posibles resultados
S={ccc, ccs, csc, css, scc, scs, ssc, sss}
2) El recorrido es X={0,1,2,3} (variable
aleatoria)
3) Ordenamos en una tabla de la siguiente
manera:
x 0 1 2 3 ∑
x2 0 1 4 9
Donde
X: Es el numero de éxitos, x=0,1,2,3,4….,n
N: número de ensayos
π: probabilidad del éxito
1- π: probabilidad de fracaso
Ejemplo 01
Un gerente de crédito de una tarjeta de
crédito ha descubierto que n=10% de los
usuarios de tarjeta no paga el monto
completo de la deuda durante un mes dado. El
desea determinar la probabilidad que de n=20
cuentas seleccionadas de manera aleatoria,
x=5 de las cuentas no sean pagadas.
RESOLUCIÓN
Se puede expresar como:
P(X=5 /n=20 , π =0.10) lo cual indica la probabilidad de 5
éxitos dado que hay 20 ensayos y la probabilidad de un
éxito de cualquier ensayo es de 10%.
20!
𝑃(𝑥 = 5) = 0.105 (1 − 0.10)20−5 = 0.0319
5! 20 − 5 !
7!
• P(x=1)= 1! 7 − 1 ! 0.40 (1 − 0.40) = 0.1306
1 7−1
• P(x=3)=
7! 3 7−3
0.40 (1 − 0.40) = 0.2903
3! 7 − 3 !
• P(x≤3)=0.0280+0.1306+0.2613+0.2903=0.7102
DISTRIBUCIÓN DE
POISSON
Donde :
x: número de veces que ocurre un evento
u: es el número promedio de ocurrencias por
unidad de tiempo o de espacio, o tasa promedio
de llegada o tasa de arribo.
e: 2.71828 base del logaritmo natural
Ejemplo 01
Supongamos que se esta interesado en la
probabilidad de que exactamente 5 clientes
lleguen durante la siguiente hora ( o en
cualquier hora dada) laboral. La observación
simple de las ultimas 80 horas ha demostrado
que 800 clientes han entrado al negocio.
SOLUCIÓN
• u=800 clientes / 80 horas = 10 clientes por 1 hora
• Nos piden : P(5) = P(x=5clientes por 1 hora/ u=10
clientes por una hora) 5 −10
10 .2.71828
𝑃 5 = 𝑃 𝑥 = 5/𝑢 = 10 = 5!
=0.0378