Beruflich Dokumente
Kultur Dokumente
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Notacin: El Evento interseccin de los eventos E y F se denotar
como EF .
Ejs.
En el ejemplo del lanzamiento del dado si E = { 1, 3, 5 } y
F = { 1, 2, 3 } entonces EF = { 1, 3 } .
En el ejemplo del lanzamiento de una moneda si E = { C } y
F = { S } entonces el evento EF es el conj. vaco.
Def. ( Eventos mutuamente excluyentes )
Si EF es el conjunto vaco entonces se dir que ambos eventos
son mutuamente excluyentes.
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
7
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Def. ( Evento Unin de ms de dos eventos )
La definicin del evento unin de dos eventos se extiende de
manera natural a la unin finita de n eventos.
Def. ( Evento Interseccin de ms de dos eventos )
La definicin del evento interseccin de dos eventos se extiende
de manera natural a la interseccin finita de n eventos.
Def. ( Evento Complemento )
La definicin del evento complemento de un evento E cualquiera
que denotamos como E
c
tal que este evento ocurrir si E no
ocurre.
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
8
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ejs.
En el ejemplo del lanzamiento del dado si E = { (1,6), (2,5),
(3,4),(4,3), (5,2), (6,1 ) } entonces el evento E
c
ocurrir si la
suma de las componentes de sus elementos es distinto de 7 .
Si S es el espacio muestral de un experimento cualquiera
entonces S
c
es igual al conjunto vaco.
Def. ( Probabilidad definida sobre eventos )
Consideremos un experimento cualquiera cuyo espacio muestral
denotamos por S . Entonces para todo evento E de S se define el
nmero el cual denotamos como P(E) , mediante:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
9
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
i) 0 <= P(E) <= 1
ii) P(S) = 1
iii) Para toda coleccin de eventos de S, a saber, E
1
, E
2
, ., E
n
los cuales son mutuamente excluyentes se tiene que:
P(E
1
U E
2
U . U E
n
) = P(E
1
)+ P(E
2
) + . + P(E
n
)
Nota: P(E) se lee probabilidad de E .
Ejs.
En el ejemplo del lanzamiento de la moneda se tiene que
P( { C } ) = P( { S } ) = .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
10
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Por otra parte, si en el experimento manipulan el lanzamiento
de tal forma que por cada lanzamiento existe la posibilidad de
que salga el doble nmero de sellos entonces P( { C } ) = 2/3 y
P( { S } ) =1/3 .
En el ejemplo del lanzamiento del dado se tiene que:
P( { 1 } ) = P( { 2 } ) = P( { 3 } ) = P( { 4 } ) = P( { 5 } ) =
P( { 6 } ) = 1/ 6 .
P( { 2, 4, 6 } = P( { 2 } ) + P( { 4 } ) + P( { 6} ) = 3/6 = 1/2
1 = P ( E U E
c
) = P(S) = P( E ) + P(E
c
)
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
11
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P(E U F) = P( E ) + P( F ) - P ( EF )
Nota: Si E y F son eventos mutuamente excluyentes entonces
P(EF) = Conj. Vaco.
Luego se tiene que P(E U F) = P( E ) + P( F ) .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
12
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ej.
Supongamos el ejemplo del lanzamiento de dos monedas.
Entonces S = { (C,C), (C,S), (S,C) , (S,S) }. Supongamos que cada
uno de los resultados es equiprobable entonces la probabilidad
de cada uno de ellos es igual a .
Sean E = { (C,C) , (C,S) } y F = { (C,C), (S,C) } . Luego:
P(E U F ) = P(E) + P(F) P(EF)
= + - = .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
13
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
En forma directa .
P(E U F) = P( { (C,C), (C,S), (S,C) } = .
Generalizaremos el resultado de la probabilidad de la unin de
ms de dos eventos.
P( E U F U G ) = P( (E U F ) U G )
= P ( E U F ) + P( G ) P ( (E U F )G )
= P( E U F ) + P (G ) P ( EG U FG )
= P(E) + P(F) P(EF) + P(G) P(EG) P(FG) + P(EFG)
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
14
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Se puede generalizar el resultado anterior a la probabilidad de la
unin finita de n eventos E
i
, i = 1, 2, , n .
P( N = n ) = P ( { (S,S,S,.,S,C) } ) = (1-p)
(n-1)
p
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
32
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P( N = 0 ) + P ( N = 1 ) + + P( N = n )
= p ( 1 / ( 1 ( 1-p ))) = 1 .
Def. ( Funcin de distribucin de probabilidades acumulada )
Se define la Funcin de distribucin de probabilidades
acumulada que denotamos por F, mediante:
F
X
(t) = P ( X <= t ) , para todo t en R .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
33
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Propiedades:
i) F
X
(t) es una funcin no decreciente.
ii) LimF
X
(t) = 1 , para t tendiendo a + inf.
iii) LimF
X
(t) = 0 , para t tendiendo a - inf.
Def. ( Variable aleatoria discreta )
Una v.a. discreta es una v.a. que puede tomar a lo ms un
nmero contable de posibles valores.
Def. ( Funcin masa de probabilidad )
Dada una v.a. discreta X se define la funcin masa de
probabilidad de X, que denotamos p(t) mediante:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
34
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
p(x) = P( X = x )
p(x
1
) + p(x
2
) + + p(x
n
) + = 1
F
X
(a) =
Ej Sea X una v.a. tal que la funcin masa de probabilidad se
define mediante:
p(1) = , p(2) = 1/3 , p(3) = 1/6
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
35
s a
i
x
)
i
p(x
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
F(a)
Variable Aleatoria Bernoulli
Supongamos que tenemos un experimento que solo tiene los
resultados xito o fracaso. Entonces podemos definir la v.a. X
mediante:
X = 1 : xito
X = 0 : fracaso
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
36
{1
s
s s
s s
<
=
a 3 , 1
3 a 2 , 5/6
2 a 1 , 1/2
1 a , 0
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
p(0) = P( X = 0 ) = 1 p
p(1) = P( X = 1 ) = p
Variable Aleatoria Binomial
Sean n ensayos independientes cda uno de los cuales resulta
como xito con probabilidad p y como un fracaso con
probabilidad 1 p . Entonces podemos definir la variable
aleatoria X mediante:
X : nmero de xitos que ocurren en n ensayos.
X se denomina v.a. binomial de parmetros ( n,p ). Luego:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
37
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
p(i) = P( X = i ) =
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
38
i - n
p) - (1
i
p
i
n
|
|
.
|
\
|
1
n
p)) 1 ( p (
0 i
i - n
p) - (1
i
p
n
0 i
i
n
p(i) = + =
=
=
= =
|
|
|
.
|
\
|
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Variable aleatoria Uniforme
Una v.a. X continua se llamar uniformemente distribuda
sobre el intervalo cerrado de extremos a , b con a < b si su
funcin de densidad de probabilidades viene dada por:
f
X
(t) =
Ej Sea la v.a. X la cual distribuye uniforme en el intervalo cerrado
de extremos 0 y 10 . Entonces:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
39
< <
no si , 0
b t a ,
a b
1
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P( X < 3 ) = 3/10
P( 1 < X < 6 ) = 1/2
P( X > 7 ) = 3/10
Def. ( Variable aleatoria continua )
Sea X una v.a. cuyo posible conjunto de valores que puede tomar
es no contable. Diremos que X es una v.a. continua si existe una
funcin f(x) no negativa definida para todo x en R tal que:
para todo subconjunto B de R se tiene que :
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
40
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P( x en B ) =
P( x en R ) = 1
F
X
(a) = P( X <= a ) =
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
41
}
B
(t)dt
X
f
}
a
(t)dt
X
f