TRABAJO 1 PROBABILIDAD I. CONCEPTOS BSICOS Probabilidad. Es el estudio de los fenmenos de los que no estamos seguros de su ocurrencia. Fenmeno.

Es la ocurrencia de un hecho o suceso. Experimento. Es un fenmeno observable perfectamente definido. Los fenmenos observables se pueden clasificar en: a) Deterministicos. Se puede predecir el resultado. b) Aleatorios. No se puede predecir el resultado. Espacio Muestral (Resultados). Es el conjunto de todos los posibles resultados que hay en un fenmeno aleatorio. El espacio muestral se clasifica en: a) Espacio muestral Discreto. Es aquel donde se puede contar el nmero de posibles resultados. b) Espacio muestral Continuo. No se puede enumerar los posibles resultados, debido a que, el espacio muestral continuo esta definido sobre la recta de los nmeros reales. Evento. Es un conjunto de resultados que tiene cierta caracterstica comn. Los eventos pueden ser: a) Evento seguro. Es aquel que tiene todos los posibles resultados. b) Evento imposible. Es aquel que no tiene un posible resultado. c) Evento complementario. Es aquel evento que esta compuesto por los eventos que no estn en este evento. d) Eventos mutuamente excluyentes. Para que un evento sea mutuamente excluyente debe cumplirse que AB=. e) Evento colectivamente exhaustivo. Un conjuntos de eventos E1, E2,...En son colectivamente exhaustivos cuando E1U E2.... UEn= S, donde S es el espacio muestral. TCNICAS DE CONTEO Principio fundamental del conteo.

Si un evento puede realizarse de n1 maneras diferentes y si continuo con el procedimiento n2 maneras diferentes y si despus de efectuados estos, n3 otro procedimiento de maneras diferentes y as sucesivamente, entonces el nmero de formas o maneras en los que los eventos pueden realizarse en el orden indicado es el producto de n1n2 n3 nr =nT. El nmero total (nT) de formas o maneras en que puede realizarse un evento es n1n2 n3 nr =nT Diagrama de rbol Es un dibujo que se usa para numerar los resultados de un experimento, cuento con los siguientes elementos: Nodo inicial. Puede o no representar un evento. Nodos finales o terminales. Son el nmero de alternativas. Ramas. Une a dos nodos.

PERMUTACIONES Es un arreglo en orden particular que forma un conjunto. El nmero de permutaciones de r objetos escogidos de un conjunto de n objetos distintos es
n Pr = n( n 1)( n 2 ) ( n r +1)

o, en forma factorial
n Pr =

donde: n = tamao de la poblacin r = tamao de la muestra

( n r )!

n!

Permutaciones con repeticin

n1 n2 n3 n = n r
rveces

nPRrn = n r

COMBINACIONES Una combinacin es una seleccin de objetos en donde no importa el orden sino la pertenencia al grupo.

n C C [ nr ] r El nmero de formas en que r objetos pueden elegirse de un conjunto de n objetos distintos es

Crn =

TEOREMA DEL BINOMIO

n! r!( n r )!

( a + b)n

n n = r =0 r

n r r a b

2. FUNDAMENTOS DE LA TEORA DE LA PROBABILIDAD PROBABILIDAD CLSICA Sea un experimento un espacio de resultados (S), con n resultados igualmente posibles en el cual define un evento A con nA resultados posibles en l, entonces
P ( A) = nA nS

PROBABILIDAD FRECUENTISTA Repeticin de un experimento bajo las mismas condiciones muchas veces y repetirlo casi hasta que llegue a la probabilidad clsica, entonces
P( A) = lim nA n n S

PROBABILIDAD SUBJETIVA Un punto de vista alternativo que actualmente ha tenido popularidad es interpretar las probabilidades como evaluaciones personales o subjetivas. Tales probabilidades expresan una creencia sobre las incertidumbres involucradas, y se aplican especialmente cuando poca o ninguna evidencia; as que no hay otra opcin que considerar evidencias paralelas (indirectas), conjeturas fundamentadas y quizs intuicin u otros factores subjetivos. Entonces

Probabilidad = O el evento no ocurrir Probabilidad = 1 seguro el evento ocurre AXIOMAS Y TEOREMAS DE LA PROBABILIDAD Axiomas 1. P(A) 0 2. P(S) = 1 3. Si AB = entonces, P(AUB)=P(A) + P(B) Teoremas 1. 2. 3. 4. 5. 0 P(A) 1 P() = 0 P(A) = 1-P(A) P(A) P(B) P(AUB)=P(A) +P(B) P(AB)

PROBABILIDAD CONJUNTA
P( A B) = n A B ns

PROBABILIDAD CONDICIONAL Probabilidad condicional es la probabilidad de un evento dado que ocurri otro.
P( A / B ) = P( A B ) P( B )

Ahora

P( A B) = P( A / B) P( B)

a lo anterior se le conoce como propiedad multiplicativa de ocurrencia conjunta. EVENTOS INDEPENDIENTES A y B son independientes s y slo s cumplen con las siguientes condiciones

P(A/B) = P(A) P(AB) = P(A)P(B) PROBABILIDAD TOTAL Si B1,B2, B3, ...Bn, son eventos mutuamente excluyentes, uno de los cuales debe ocurrir, entonces P ( A) = P ( A / Bi ) P ( Bi )
i =1 n

TEOREMA DE BAYES
P ( A7 B ) = P ( B / A) P ( A) P( B)

III. VARIABLES ALEATORIAS Una variable aleatoria es una funcin que va a relacionar cada uno de los resultados de los experimentos con los nmeros reales. Las variables aleatorias se clasifican a) Variables aleatorias discretas. Se puede contar el nmero de resultados posibles b) Variables aleatorias continuas. No se puede saber el nmero de resultados posibles, ya que esta dentro de la recta de los nmeros reales. VARIABLE ALEATORIA DISCRETA Funcin o distribucin de probabilidad

Una funcin de probabilidad es una funcin que asigna un nmero P(x) a cada valor posible de x. Propiedades: 1) P(xi) = 1 2) P(xi) 0; Funcin de probabilidad acumulada

Propiedades: 1) 0 F(xi) 1 2) F(xi) F(xj) V xi xj 3) P(x>x) = 1 F(x) VARIABLE ALEATORIA CONTINUA Funcin densidad de probabilidad

La funcin densidad debe cumplir: 1) f(x) 0

2)

f ( x)dx

=1

3) P(a xb)=

f ( x)dx
a

Funcin de distribucin acumulada

Propiedades: a)

f ( x)dx

= F ( x)

b) 0 F(xi)1 c) P(a xb)= F(b) F(a) VALOR ESPERADO Caso discreto E(x) = xP(x) Caso continuo

E(x) =

Propiedades: 1) E(c) = cte 2) E(cx) = cE (x) 3) La esperanza de una suma = la suma de las esperanzas Esperanza de una funcin de variable aleatoria Sea g(x) una funcin de x

xf ( x)dx

Caso discreto E[g(x)] = g(x)P(x) Caso continuo

E[g(x)] = Variancia Caso discreto

g ( x) f ( x)dx

2 = E {( x ) 2 } = ( x ) 2 p( x)
x

Caso Continuo

= E {( x )
2

} = ( x )

f ( x)dx

MOMENTOS 1) Momentos con respecto al origen () Caso discreto Caso continuo

r = x f ( x)dx

= xr P(x)

2) Momentos con respecto a la media Caso discreto Caso continuo

r = ( x ) p( x ) = 0
r = ( x ) f ( x)dx = E ( x x)

IV. VARIABLES ALEATORIAS CONJUNTAS VARIABLES ALEATORIAS CONJUNTAS DISCRETAS

Funcin de probabilidad conjunta

Propiedades: 1) P(x,y) 0 2)

px
1 2 x y

, y2 ( x1 , y2 ) =1

Funcin de distribucin acumulativa conjunta

F ( x, y ) =

x i x

x yP ( x , y )
yi y i i

Funciones marginales de probabilidad Px(x) =Pxy(x,y) ; Vy

Esperanza
E ( x, y ) = xyP ( x, y )
x y

Covarianza

C ( x, y ) = E ( x, y ) x y ov

Coeficiente de correlacin
xx =
Cov ( x, y )

x y

Distribucin de probabilidad condicional

P( x / y) = P ( x, y ) Py ( y )

Independencia estadstica P(x/y)=Px(x) ; V x,y

P(x,y)= Px(x)Py(y) VARIABLE ALEATORIA CONJUNTA CONTINUA Funcin de densidad acumulativa conjunta

Propiedades: a) f(x,y) 0

b)

f(x,y) dxdy =1
b1 b2

c) P(a1x1b1, a2y2b2) =

a1 a 2

x1 , y 2

( x1 , y2 ) dx1dy 2

Funcin de distribucin acumulativa conjunta

F ( x, y ) = P ( X x, Y y ) =

F ( x, y)dxdy

Funciones marginales de probabilidad

f x ( x) =

f ( x, y )dx

Esperanza
E[ g ( x )] =

g ( x, y ) f ( x, y )dxdy

Variancia

( x, y ) = E ( x 2 ) 2 =
Covarianza

f x ( x) 2

Cov ( x, y ) = E ( x, y ) E ( x ) E ( y )

Coeficiente de correlacin
xx =
Cov ( x, y )

x y

Independencia estadstica f(x/y)=fx(x) F(x,y) = fx(x)fy(y)

Distribucin de probabilidad condicional

f ( x / y) =

f ( x, y ) f y ( y)

V. MODELOS ANALTICOS CONTINUOS PROCESO DE BERNULLI P(xito) = P P(fracaso)= q= 1 P DISTRIBUCIN BINOMIAL Cuntos xitos en n intentos?
P ( x; n, p ) =

DE

FENMENOS

ALEATORIOS

n! P x q n x x!( n x )!

E(x) =x = nP 2x =nPq DISTRIBUCIN GEOMTRICA P(x;P) = Pqx-1 E(x) = 1/P 2= q/p2 DISTRIBUCIN DE PASCAL
P ( x; k , P ) = ( x 1)! P n q x k ( k 1)! ( x k )!

* si k = 1 , entonces es Dist. Geomtrica E(x) = k/p 2x =qk/p2 DISTRIBUCIN HIPERGEOMTRICA Cuntos xitos en n intentos?

 k N k p ( x; N , n, k ) = x Nn x n
=
nk N

2x =

nk ( N k )( N n ) N 2 ( N 1)

DISTRIBUCIN DE POISSON
P ( x; ) = ex x!

E(x) =

2= = t= frecuencia media DISTRIBUCIN EXPONENCIAL Es la distribucin de probabilidad en el tiempo, espacio o distancia en la que ocurre el primer evento.
F (t ) =1 e t

f (t ) =

dF (t ) = e t dt
1

1 2

2x =

DISTRIBUCIN NORMAL (DE GAUSS)

1 f ( x; , ) = e 2

( x ) 2
2 2

1 P ( a < x < b) = e a 2

( x ) 2
2 2

dx

DISTRIBUCIN NORMAL ESTANDARIZADA

x x x

z=

f ( z) =

1 e 2

Z2 2

BIBLIOGRAFA M.I. Marina esastigue R. Apuntes de probabilidad (semstre 2000-3) UNAM-FI Mxico, 20000