Repaso Teora de Probabilidades

Facultad de Ingeniera y Ciencias Aplicadas

Agosto 2016
.
.

1. Conceptos b
asicos.
1.1 Definici
on. Se define el espacio muestral como el conjunto de todos los resultados posibles de
un experimento. Dada F una colecci
on de eventos de interes, definimos una medida de probabilidad
como una funcion P : F R tal que
(a) 0 P(A) 1, A F
(b) P() = 1
(c) Si (An )nN F es una colecci
on de eventos disjuntos. Entonces
!

X
[
P (An )
P
An =
n=1

n=1

Se dice que los elementos de F son eventos y as, la probabilidad de ocurrencia de un evento A F est
a
dada por P (A).

1.2 Proposici
on. Dada una probabilidad P y dos eventos A y B, se cumple que:
(a) P (A) + P (Ac ) = 1
(b) P () = 0
(c) P (A B) = P (A) + P (B) P (A B)
(d) P (A) P (B), si A B.
1.3 Definici
on. Sea P una probabilidad. Supongamos que A y B dos eventos tales que P (B) 6= 0.
Definimos la probabilidad condicional de ocurrencia para A dado que ocurre B como
P (A|B) =

P (A B)
P (B)

Diremos que A es independiente de B si

P (A|B) = P (A)
o equivalentemente
P (A B) = P (A)P (B)
1.4 Definici
on. Una colecci
on de eventos (Hn )nN es una partici
on de si
(a) Hn SHm = si n 6= m

(b) = n=1 Hn

1.5 Teorema (Probabilidades Totales). Sea (Hn )nN una particion de . Entonces, para cada evento
A, se tiene que

X
P (A|Hn )P (Hn )
P (A) =
n=1

1.6 Teorema (Bayes). Sea (Hn )nN una particion de . Entonces, para cada evento A, se tiene que
P (Hn |A) =

P (A|Hn )P (Hn )
P (A|Hn )P (Hn )
= P
P (A)
n=1 P (A|Hn )P (Hn )

2. Variables Aleatorias
2.1 Definici
on. Una variable aleatoria es una funcion X : R. Denotaremos su recorrrido por RX .
Dada una variable aleatoria X, definimos su funci
on de distribuci
on acumulada como
FX (x) = P (X x), x R.

De esta forma, si FX es continua, diremos que X es una variable aleatoria continua. En caso contrario, sera una variable aleatoria discreta (solo toma valores en alg
un conjunto numerable).
Si X es una variable aleatoria discreta definimos su funci
on de densidad de probabilidad como
pX (x) = P (X = x), x R
Analogamente, si X es una variable aleatoria continua, su densidad queda dada por una funcion fX (x) :
R R+ tal que
Z x
fx (s)ds, x R
FX (x) =

2.2 Ejemplo uso variable aleatoria. Supogamos el experimento de lazar una moneda 2 veces.
= {(c, c), (c, s), (s, c), (s, s)}
Luego nuestra variable aleatoria sera:
X : N de sellos obtenidos

X((c, c)) = 0
X((c, s)) = X((s, c)) = 1
X((s, s)) = 2
Luego podemos calcular probabilidad: Determine la probabilidad de obtener 1 sello.
P (X = 1) = P ((c, s), (s, c)) =

1
2
=
4
2

2.3 Definici
on. Sea X una v.a. y g : R R continua. Definimos la esperanza de g(X) como
X
g(x)P (X = x)
E(g(X)) =
xRX

si X es discreta; o como
E(g(X)) =

g(x)fX (x)dx

si X es continua.

.
Adem
as, en cualquiera de los dos casos, se define la varianza de X como
V(X) = E((X E(X))2 ) = E(X 2 ) E2 (X)
2.4 Proposici
on Sea X una v.a. y a, b R, entonces
(a) E(aX + b) = aE(X) + b
(b) V(aX + b) = a2 V
2.5 Definici
on. Sean X e Y dos variables aleatorias. Se define la funci
on de densidad condicional
de X dado que Y = y como
fX,Y (x, y)
fX|Y =y (x) =
, x, y R
fY (y)
Obs: Notar que fY (y) 0.
De esta forma, X se dice independiente de Y si
fX|Y =y (x) = fX (x), x, y R
o equivalentemente, si
fX,Y (x, y) = fX (x)fY (y)

2.6 Proposici
on. Sean X e Y v.as. Entonces para x R, se tiene que
X
pX|Y =y (x) pY (y)
fX (x) =
yRX

si es discreta; o
fX (x) =

fX|Y =y (x)fY (y)dy

si es continua.
2.7 Definici
on. Sean X, Y v.as. Definimos la esperanza condicional de X dado que Y = y como
X
x pX|Y =y (x)
E(X|Y = y) =
xRX

si X es discreta; o como
E(X|Y = y) =

xfX|Y =y (x)dx

si X es continua.
2.8 Proposici
on. Sean X, Y v.as. Entonces se cumple que
X
E(X|Y = y)pY (y)
E(X) =
yRY

si Y es discreto; o
E(X) =

E(X|Y = y)fY (y)dy

si Y es continua.

3. Distribuciones importantes
3.1 Definici
on. Diremos que X sigue una distribuci
on binomial de par
ametros n y p, denotado por
X Bin(n, p), si
 
n k
P (X = k) =
p (1 p)nk , k N0
k
En este caso, la esperanza y varianza de X vienen dadas por
E(X) = np,

V(X) = np(1 p)

3.2 Definici
on. Diremos que X sigue una distribuci
on geom
etrica de par
ametro p, denotado por
X Geo(p) si
P (X = K) = (1 p)k1 p, k N
En este caso, la esperanza y varianza de X vienen dadas por
E(X) =

1
,
p

V(X) =

1p
p2

3.3 Definici
on. Diremos que X sigue una distribuci
on de Poisson de par
ametro , denotado por
X P oisson(), si
k e
, k N0
P (X = k) =
k!
En este caso, la esperanza y varianza de X vienen dadas por
E(X) = , V(X) =
3.4 Definici
on. Diremos que X sigue una distribuci
on exponencial de par
ametro , denotado por
X Exp(), si
fX (x) = ex , x 0
En este caso, la esperanza y varianza de X vienen dadas por
E(X) =

1
1
, V(X) = 2