Unidad I: Teora de Probabilidades.

Experimentos aleatorios y no aleatorios: se llama experimento aleatorio a aquel que cada vez que se realiza,
hay un conjunto determinado de resultados posibles, pero en ningn caso es posible predecir el resultado del
experimento. Ejemplo: se arroja un dado y se anota el resultado; en un grupo de 10 alumnos, se cuenta
cuntos de ellos tienen ojos azules; se arroja un dardo sobre una superficie plana y se observa la marca dejada.
A la coleccin de resultados que se obtiene en los experimentos aleatorios se le llama espacio muestral. En los
experimentos no aleatorios, es posible predecir el resultado. Ejemplo: se invierte un recipiente sin tapa, que
contiene lquido, se deja caer un objeto desde cierta altura y se calcula el tiempo que tarda en tocar el piso
(esto puede calcularse con la frmula correspondiente y predecir el resultado).

Espacio muestral: es el conjunto formado por todos los resultados posibles de un experimento o fenmeno
aleatorio. Lo denotamos con la letra E. Determine el espacio muestral en cada experimento. - Al arrojar un
dado. E = {1, 2, 3, 4, 5, 6} (conjunto finito) - Un grupo de diez alumnos. E = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
(conjunto finito) - Lanzamiento de una moneda. E = {cara, sello} E = {c, s} - Una caja contiene tres tarjetas
blancas y 5 rojas. Seleccione muestra de tamao 2. 3 tarjetas blancas E = {(1B, 1B), (1B, 1R), (1R, 1B), (1R,
1R)} 5 tarjetas rojas - Lanzamiento de dos dados.

Eventos: un evento o suceso es un subconjunto de un espacio muestral, es decir, un conjunto de posibles

resultados que se pueden dar en un experimento aleatorio. Es posible que un evento sea un subconjunto que
incluya el espacio muestral E en su totalidad, o que un subconjunto de E, llamado conjunto nulo y
representado por el smbolo , no contenga elemento alguno. Por ejemplo, si A es el evento de detectar un
organismo microscpico a simple vista en un experimento biolgico, entonces A = .

El complemento de un evento A con respecto a E es el conjunto de todos los elementos de E que no

estn en A. Denotamos el complemento de A por el smbolo A
La interseccin de dos eventos A y B, que se representa por el smbolo A B, es el evento que
contiene a todos los elementos comunes a A y a B.
Dos eventos A y B son mutuamente excluyentes si A B = , esto es, si A y B no tienen elementos
en comn.

Regla de adicin de probabilidades:

Sea S un espacio muestral que contiene a dos eventos cualesquiera A y B, entonces:

P (AUB)= P(A)+P (B)
Pero, en el caso que ambos eventos tengan elementos comunes se suman ambos eventos y se resta el nmero
de elementos repetidos:

P(AUB)= P(A)+P(B) P(AB)

Principio de la Multiplicacin: El principio de multiplicacin requiere que dos eventos A y B sean

independientes. Dos eventos A y B son independientes si la ocurrencia de una no afecta la probabilidad de
ocurrencia del otro. La regla especial se escribe: P(A y B) = P(A) x P (B). Ejemplo: Chris posee dos
inventarios independientes uno de otro. La probabilidad de que el inventario A aumente su valor el prximo
ao es 0.5. La probabilidad de que el B aumente el suyo es 0.7. Cul es la probabilidad de que ambos
aumenten su valor el prximo ao? P(A y B) = (0.5)(0.7) = 0.35.

Probabilidad condicional: a la probabilidad de que un evento B se d cuando se sabe que algn otro evento A
se ha presentado se llama probabilidad condicional y se le escribe P(B |A). Esta expresin, por lo comn, se
lee la probabilidad de que B ocurra dado que ocurri A, o simplemente la probabilidad de B, dado A.
Una consecuencia inmediata de lo visto anteriormente es la llamada Regla de Multiplicacin que dice:

Si A y B son eventos contenidos en el mismo espacio muestral S, donde P(A) > 0 y P(B) >0, entonces
P(A B) = P(A) P(B | A).

Ya vimos que la probabilidad condicional est definida por . Despejando

P(A B) se obtiene:

P(A B) = P(B) P(A | B)

En forma similar y partiendo de P(B | A) se llega a:

P(A B) = P(A) P(B | A)

Sucesos independientes: Decimos que dos sucesos A y B son independientes entre s si la ocurrencia de uno
de ellos no modifica la probabilidad del otro, es decir, si

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

Teorema de Bayes: se apoya en el proceso inverso al que hemos visto en el Teorema de la probabilidad total.

Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad de que llueva o de
que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente).

Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las
probabilidades del suceso A (estaba lloviendo o haca buen tiempo?).
Unidad II:

Variable aleatoria: Una funcin que asocia un nmero real, perfectamente definido, a cada punto muestral. A veces las
variables aleatorias (v.a.) estn ya implcitas en los puntos mustrales. Ejemplo : Experiencia consistente en medir la
presin sistlica de 100 individuos. Un punto muestral (resultado de un experimento) es ya un nmero (presin sistlica).
La v.a. est implcita.

Variables aleatorias discretas: Una variable aleatoria es discreta cuando puede tomar un nmero finito o infinito contable
de valores, es decir, que pueden ordenarse en secuencia. Son ejemplos de variables aleatorias discretas: El nmero de
accidentes de trnsito que ocurren en una autopista en un lapso de tiempo determinado. El nmero de artculos
defectuosos que se encuentran en una muestra aleatoria de 10 artculos producidos por una mquina.

Funcin de probabilidad de una variable aleatoria discreta: Se denomina funcin de una v.a (variable aleatoria) discreta X
al conjunto formado por los valores x que puede tomar esa variable y las correspondientes probabilidades P(X=x) con que
X puede tomar esos valores. En toda funcin de probabilidad de una variable aleatoria discreta debe cumplirse: a.- que
todas las probabilidades deben estar entre 0 y 1, y b.- que la suma de ellas es igual a la unidad, es decir,

a.- 0 P(X=x) 1 x
b.- P(X=x)= 1

La funcin de probabilidad de una v.a. describe tericamente la forma en que varan los resultados de un experimento
aleatorio. Intuitivamente se tratara de una lista de los resultados posibles de un experimento con las probabilidades que se
esperaran ver asociadas con cada resultado.

Variables aleatorias continas: Una variable aleatoria es continua cuando puede tomar cualquier valor en un intervalo de
nmeros reales. La estatura, el nivel de colesterol en la sangre, el ingreso diario en un hotel, el volumen de lluvia en una
regin, etc. Son ejemplos de variables continuas. Si bien algunas de ellas son medidas usando algn tipo de redondeo que
puedan hacerlas parecer como variables discretas, en realidad conceptualmente son continuas y deben tratarse como tal.

Funcin de densidad de una variable aleatoria contina: Funcin de densidad (v.a.continua) Es una funcin f : R R que
describe la probabilidad de X de la siguiente manera: si tenemos un subconjunto de nmeros reales A R, la probabilidad
de que la variable aleatoria continua X tome un valor en dicho conjunto es:

No hay que confundir la probabilidad P(X = a) con el valor de la funcin de densidad en a, f (a) Propiedades:

Esperanza matemtica para variables discretas y continuas.

Esperanza matemtica para una variable aleatoria discreta: Dada una variable aleatoria X que toma valores x1,x2,x3....xn
con distribucin de probabilidad P(x=xi) =Pi, se define la esperanza matemtica de una variable aleatoria como:

Esperanza matemtica para una variable aleatoria continua: Sea X una variable aleatoria continua con funcin de densidad
f(x), se define la esperanza matemtica de esa variable aleatoria como:

Propiedades de la esperanza matemtica

Esperanza de una funcin de una variable aleatoria

Variable discreta:

Variable contina:

Linealidad de la esperanza matemtica

E(X + Y) = E(X) + E(Y)

E(k X) = k E(X) para todo nmero real k.

E(k) = k para todo nmero real k.

E(a X + b) = a E(X) + b para todo par de nmeros reales a y b.

Esperanza del producto

E(X Y) = E(X) E(Y) nicamente en el caso de que X e Y sean variables aleatorias independientes.