Teoría de la probabilidad

1. Introducción.
2. Variables aleatorias.
3. Funciones de probabilidad.
4. Funciones de distribución.
Espacio muestral: Dependiendo del número de
elementos del espacio muestral distinguiremos 3
tipos de espacios muestrales:
i) Espacio muestral discreto finito. Consta de un
número finito de elementos. (el ejemplo Lanzar un
dado).
ii) Espacio muestral discreto infinito. Consta de
un número infinito numerable de elementos.
(lanzar un dado hasta que salga un “6”)
iii)Espacio muestral continuo. Consta de un
número infinito no numerable de elementos.
(número posible de puntos alcanzables en un
experimento de “lanzar flecha a diana”)
Suceso. Es cualquier subconjunto de un espacio muestral
Tipos de sucesos (de acuerdo con el número de
elementos del espacio muestral):
i) Suceso simple (o elemental), que es el que consta de
un único elemento
ii) Suceso compuesto, que consta de dos o más
elementos
iii) Suceso seguro (o cierto), que consta de todos los
elementos del espacio muestral
iv) Suceso imposible, que es el que no consta de ningún
elemento del espacio muestral
Representación de los sucesos---Diagramas de Venn son útiles
Probabilidad:
ENFOQUE FORMAL
Axioma 1. La probabilidad del suceso
seguro es 1 P( E )  1
Axioma 2. La probabilidad de cualquier
suceso S es no negativa P(S )  0
Axioma 3. La probabilidad de la unión de
dos sucesos (S1 y S2), mutuamente
excluyentes, es la suma de sus
probabilidades P( S S )  P( S )  P( S )
1 2 1 2
Teorema. La probabilidad de la unión de un conjunto infinito
numerable de sucesos mutuamente excluyentes es igual a la
suma de sus probabilidades

P(S1 S2 ... Sn )  P(S1 )  P(S2 )  ...  P(Sn )

Probabilidad condicional
Llamamos probabilidad condicional de A dado/supuesto B a la
expresión P( A / B)
P( A B)
P( A / B) 
P( B)
Teorema del producto
P( A B)  P( B)  P( A / B )
Sucesos independientes. Dos sucesos A y B son estadísticamente
independientes si y sólo si se verifica
P( A B)  P( A)  P( B)
2. Variables aleatorias
Una variable aleatoria es toda función que atribuye un
número real, y solo uno, a cada suceso elemental de
Ω; es decir, toda función real definida sobre Ω.
Notación: las vv.aa. se designan con letras mayúsculas
latinas, mientras que los valores atribuidos a los
sucesos estarán con letras minúsculas latinas.
Variable aleatoria discreta
Aquella que sólo puede tomar un número finito o infinito
numerable de valores
Variable aleatoria continua
Aquella que puede tomar un número infinito no numerable
de valores
3. Funciones de probabilidad y Funciones de distribución
Función de probabilidad de X (v. a. discreta)
Es aquella función que asigna a todo número real, xi, la
probabilidad de que la variable aleatoria X asuma ese valor,
salga xi
f ( xi )  P( X  xi )
Propiedades
1. x1 , x2 ,..., xk son los valores asumibles por la v.a. X

 f ( x )  P( X  x )  P( X  x )  ...  P( X  x )  1
i 1 2 k

2. f ( xi )  0

3. Siendo a<b<c, el suceso A={a≤X≤b} y el suceso

B={b<X≤c} son mutuamente excluyentes. Se cumple
P(a  X  c)  P(a  X  b)  P (b  X  c )
Función de distribución de X (v.a. discreta)
Es aquella función que asigna a todo número real, xi, la
probabilidad de que la v.a. X sea igual o menor que xi

F ( xi )  P( X  xi )
Propiedades

1. F ()  limF ( xi )  0 4. 0  F ( xi )  1
xi 

5. F (a  X  b)  F (b)  F (a )
2. F ()  limF ( xi )  1
xi 

3. F ( xi ) es una función no decreciente

Función de densidad de probabilidad (v.a. Continua)
Es aquella función, f(x), que verifica las siguientes dos condiciones

1. f ( x)  0 La curva, que es la
representación de f(x),
no tiene puntos por

debajo del eje de


2. f ( x)dx  1 abscisas


El área TOTAL bajo la

curva vale 1

Observar que con vv. aa. continuas f(x) no es una probabilidad, es

una DENSIDAD de probabilidad.
Función de densidad de probabilidad (v.a. Continua).
Ejemplo
Examinar si f(x) es una verdadera función de densidad de probabilidad

f ( x)  3 x 3  1/ 4 0  x 1
0 en otro caso

Es claro que f(x) será siempre mayor o igual que 0

1
 3x 4   x 
1 1
3 1 Observar que f(x) puede ser
0      1
3
(3 x 1/ 4) dx  4  4 mayor que 1: f(1)=3’25
 0  0 4 4

Luego sí lo es.
 Función de distribución de X (v.a. Continua)

Es aquella función que asigna a todo número real, x, la probabilidad de que

la v.a. X sea igual o menor que x
x
F ( x)  P( X  x)  

f (t )dt

Propiedades

1. F ()  limF ( xi )  0 4. 0  F ( xi )  1
xi 

F ()  limF ( xi )  1 5. F (a  X  b)  F (b)  F (a )

2. xi 

3. F ( xi ) es una función no decreciente

 COMPARACIÓN
VV.AA. Discretas vs. VV.AA. Continuas.
1. En una v. a. discreta, P(X=x)≥0 para todo x.
En una v. a. continua, P(X=x)=0 para todo x.
2. En una v. a. discreta, f(x) representa una probabilidad, en
concreto, P(X=x) y, nunca puede valer más de 1.
En una v. a. continua, f(x) no representa la probabilidad,
sino la densidad de probabilidad (esto es, puede valor más
que 1).
3. En una v. a. discreta, empleamos puntos para introducir la
probabilidad.
En una v. a. continua empleamos intervalos (recordar que la
probabilidad de cada punto es 0).
4. En una v. a. discreta, cualquier probabilidad es la suma de
probabilidades asociadas a puntos.
En una v. a. continua, cualquier probabilidad es una integral
definida, asociada a un intervalo.