PROBABILIDAD Y ESTADÍSTICA

CLASE 3

Teorema de Bayes:
Sea A1 , A2 , . . . , Ak un conjunto eventos mutuamente excluyentes (disjuntos) y exhaustivos,
es decir A1 ∪ A2 ∪ . . . ∪ Ak = S. Entonces para cualquier otro evento B, tal que P (B) > 0, se
tiene que la probablidad posterior de que ocurra Aj (para algún j = 1, . . . , k) dado que ocurrió
B, es igual a

P (Aj ∩ B) P (B|Aj )P (Aj )

P (Aj |B) = = Pk
P (B) i=1 P (B|Ai )P (Ai )
Ejemplo:
Un ingeniero biomédico dispone de tres equipos electrónicos para realizar ecosonogramas.
El uso que le da a cada equipo es de 25 % al primero, 35 % al segundo y 40 % al tercero. Se sabe
que los aparatos tienen probabilidades de error de 1 %, 2 % y 3 %, respectivamente. Un paciente
busca el resultado de una ecografı́a y observa que tiene un error. Determine la probabilidad de
que se ha usado el primer aparato. (0.1162791)

Independencia de eventos:

Definición:
Decimos que los eventos A y B son independientes si y solo si alguna de las siguientes
propiedades se cumple:

P (A|B) = P (A)

P (B|A) = P (B)

P (A ∩ B) = P (A)P (B)

Ejemplo:
La probabilidad de que una máquina produzca un elemento defectuoso es igual a 2 %. Si
se seleccionan de manera independiente dos elementos que produjo la máquina, cuál es la
probabilidad de que ambos estén defectuosos. (0.0004)

Independencia de más de dos eventos:

Los eventos A1 , . . . , Ak son mutuamente independientes si por cada r (r = 2, 3, . . . , k) y
cada subconjunto de ı́ndices i1 , i2 , . . . , ir

P (Ai1 ∩ Ai2 ∩ . . . ∩ Air ) = P (Ai1 ) × P (Ai2 ) × . . . × P (Air ).

Ejemplo: En el ejemplo anterior, suponga que se seleccionan de manera independiente diez

elementos que produjo la máquina, cuál es la probabilidad de que todos estén defectuosos.
(1.024 × 10−17 )
 Variables aleatorias:

En la mayorı́a de problemas a los que comúnmente nos enfrentamos, la descripción del con-
junto de posibles resultados de un experimento aleatorio puede ser complicada y por lo tanto
el cálculo de probabilidades también se dificulta.

Por ejemplo, si una persona es seleccionada de una población, diversas caracterı́sticas pue-
den ser de interés y cada una aporta al entendimiento de un fenómeno en especial, como son, el
tiempo que emplea en transportarse de su casa al lugar de trabajo, qué tan lejos esté de su casa
el sitio donde trabaja, cuántos hijos tiene, cuántas horas duerme, cuántas personas conforman
su grupo familiar, cuánto gana, cuánto gasta, cuánto paga por servicios, cuántas llamadas hace
diariamente, etc.

Cada vez que seleccionemos una persona de esta población, las caracterı́sticas antes mencio-
nadas pueden variar. Asociadas a estas caracterı́sticas podemos establecer una regla que asigne
a cada sujeto u objeto un valor real que está asociado a lo que se desea conocer. Por ejemplo:
El # de hijos, horas que duerme, estrato, gastos etc. Esta asociación o regla se conoce como
Variable Aleatoria.

Definición:

Una Variable Aleatoria es una función definida en un espacio muestral S que asigna a
cada resultado de un experimento aleatorio un valor real. Usualmente son denotadas con letras
mayúsculas como (X , Y , Z , T, etc). Sea X una variable aleatoria definida sobre un espacio
muestral S, gráficamente se tiene que:

X: S → R
s → X (s) = x , x∈R

Al conjunto de todos los posibles resultados de una variable aleatoria se le llamará Rango de la
variable y es usualmente denotado AX .

Ejemplo.
Tres monedas no cargadas son lanzadas al tiempo. Hallar el espacio muestral S y analice la
variable aleatoria X: el # de caras observadas.
Solución
El espacio muestral está dado por:

S = {CCC , CCS , CSC , SCC , CSS , SCS , SSC , SSS} .

La variable aleatoria de interés es X: # caras en cada lanzamiento. En este caso los valores
que se pueden observar en cuanto al número de caras son {0, 1, 2, 3}. Si se denota por AX el
conjunto de todos los posibles valores que toma la v.a X, se tiene que AX = {0, 1, 2, 3}. La
función X asigna acada resultado del espacio muestral un vaor real que pertenece a AX , tal
como se muestra a continuación:
CCC CCS CSC SCC CSS SCS SSC SSS
X: ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ .
3 2 2 2 1 1 1 0

Es decir,
S → R
X:
s → X (s)
Por ejemplo,

X (CCC) = 3 , X (SCC) = 2 , X (SSS) = 0 , X (SSC) = 1 .

Ejemplo
Se lanzan un par de dados cúbicos no cargados. Halle el espacio muestral y analize las variables
aleatorias X: suma de los 2 resultados.

Solución
El espacio muestral para este experimento es:

S = {(1 , 1) , (1 , 2) , . . . , (5 , 6) , (6 , 6)} .

Para la variable aleatoria X, que corresponde a la suma de los dos resultados, la asignación
para los diferentes pares de resultados se muestra ası́:

(1, 1) → 2 , (3, 2) → 5 , (4, 3) → 7

(1, 2) → 3 , (3, 5) → 8 , (6, 2) → 8 etc.
(5, 6) → 11 , (6, 6) → 12 , (2, 5) → 7

En este caso X el rango de la variable aleatoria X, está dado por

AX = {2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 , 12} .

Algunos ejemplos de variables aleatorias

Un grupo de n sujetos es sometido a cierto tratamiento y después de un tiempo se

registra cuantos logran mejorar con dicho tratamiento. Sea X la variable aleatoria que
cuenta cuántos sujetos mejoran con el tratamiento. Entonces el rango de X será AX =
{0, 1, 2, · · · , n}.

En una gran población se encuestan de manera aleatoria sujetos hasta encontrar el prime-
ro que responde afirmativamente a una pregunta de interés. Si X es la variable aleatoria
que cuenta el número de sujetos encuestados hasta encontrar el primero que responde
afirmativamente, entonces el rango de X está dado por AX = {1, 2, 3, · · · }.

De la producción diaria de jabones se escoge uno al azar y se mide su PH. Sea X: el

Ph del jabón. El rango de la variable aleatoria X es cualquier valor entre 0 y 14. Ası́:
AX = [0 , 14].
 El desgaste de una llanta en un perı́odo de un año es una variable aleatoria. Si X es
la variable aleatoria que representa el desgaste en décimas de milı́metros, AX = (0 , a),
donde a representa la profundidad mı́nima de la llanta estando nueva.

Estos ejemplos representan variables las cuales son observadas en dos tipos de escalas las cuales
implican Conteos o Mediciones. A las primeras se les conoce como Variables Aleatorias Discre-
tas, a las segundas como Variables Aleatorias Continuas. La diferencia principal entre ellas, es
que para las primeras, el rango es un conjunto contable (discreto o numerable); en las segundas,
el rango es un intervalo o la unión de intervalos reales disjuntos.

Variables Aleatorias Discretas

Considere de nuevo el ejemplo del lanzamiento de tres monedas no cargadas y sea X la
variable aleatoria que representa el número de caras obtenidas. El espacio muestral para este
experimento es

S = {CCC , CCS , CSC , SCC , CSS , SCS , SSC , SSS}

El rango de X es AX = {0, 1, 2, 3}. Suponga que se quiere calcular la probabilidad de

obtener dos caras. Para esto defina el evento A: Se obtienen dos caras al lanzar las tres monedas.
Entonces
1 1 1 3
A = {CCS , CSC , SCC} y P (A) = + + = .
8 8 8 8
El evento A es equivalente a que la v.a X tome el valor 2. El evento X = 2 estará conformado
por todos los resultados del espacio muestral s ∈ S, tales que X(s) = 2. Ası́ P (A) = P (X = 2).
En general, el evento “X = x” estará conformado por todos los resultados de S a los cuales
X asigna el valor x. Haciendo B = {s ∈ S | X(s) = x}, entonces los eventos B y X = x son
equivalentes y por lo tanto:
P (X = x) = P (B) .

Con esto, P (X = 2) = P (A), donde A = {CCS, CSC, SCC}.

Similarmente,
1
P (X = 0) = P ({SSS}) =
8
3
P (X = 1) = P ({CSS, SCS, SSC}) =
8
3
P (X = 2) = P ({CCS, CSC, SCC}) =
8
1
P (X = 3) = P ({CCC}) =
8
Observe que: P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 1.
 ¿Cómo calcular la probabilidad de obtener a lo más dos caras?. Esto es equivalente a calcular
la probabilidad de que X sea inferior o igual a 2, es decir, de que X tome los valores {0, 1, 2},
o equivalentemente que X ≤ 2. Haciendo C = {0, 1, 2} se tiene que:

7
P (X ≤ 2) = P (C) = .
8

 
 
C= SSS , SSC , SCS , CSS , SCC , CSC , CCS
| {z } | {z } | {z }
0 1 2
X=0 X=1 X=2

7
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = 8

P (X > 2) = P (X = 3) = 18 .
De manera similar es posible calcular probabilidades de eventos más complejos, usando una
variable aleatoria y las probabilidades asociadas a los posibles valores de dicha variable (sub-
conjuntos del rango de la variable aleatoria).

Definición
La Distribución de Probabilidad ó p.m.f. de una v.a discreta X definida en un espacio
muestral S, se denotará p(x) y se define como:

p(x) = P (X = x) ; ∀x ∈ AX .

Esta función debe satisfacer las siguientes condiciones:

1. p(x) ≥ 0 , ∀x ∈ AX

P
2. p(x) = 1
x

P
3. Si A ⊆ AX , entonces P (X ∈ A) = p(x).
x∈A

Ejemplo
Para el ejemplo de las monedas, si X representa el número de caras, la p.m.f. de X se obtiene
como:

x 0 1 2 3 Suma
1 3 3 1
p (x) 8 8 8 8 1

En la figura 1 se muestra el gráfico de la p.m.f. de X.

 3/8 3/8
0.4

0.3
p(x)

0.2
1/8 1/8

0.1

0.0
0 1 2 3

Fig. 1: Distribución para el número de caras

Ejemplo
De la producción diaria de una empresa se seleccionan artı́culos uno a uno hasta encontrar el
primero defectuoso. Por experiencia se sabe que la proporción de defectuosos diaria es del 5 %.
Sea X la variable aleatoria que representa el número de artı́culos revisados hasta encontrar el
primero defectuoso. El rango de X está dado por AX = {1, 2, 3, · · · }. Para hallar la p.m.f. de
X, defina los siguientes eventos: Di : el i-ésimo artı́culo revisado es defectuoso; i = 1, 2, 3, · · ·
Ni : el i-ésimo artı́culo revisado no es defectuoso; i = 1, 2, 3, · · ·
Ası́:
p(1) = P (D1 ) = 0.05 ; p(2) = P (N1 D2 ) = (0.95) (0.05) = 0.0475 ;

p(3) = P (N1 N2 D3 ) = (0.95) (0.95) (0.05) = (0.05) (0.95)2 = 0.045125 ;

y ası́ sucesivamente. La p.m.f. para X está dada por:

x−1
p(x) = (0.05) (0.95) , x = 1, 2, 3, · · · .

0.06

0.05

0.04
p(x)

0.03

0.02

0.01

0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Fig. 2: Distribución para el número de artı́culos revisados hasta el primer defectuoso

Definición
Sea X una v.a discreta con p.m.f p(x). La Distribución Acumulada (c.d.f.) de X, denotada F (x)
se define como: X 0
F (x) = P (X ≤ x) = p(x ) , ∀x ∈ R .
x0 ≤ x

Propiedades

1. 0 ≤ F (x) ≤ 1.

2. P (X > x) = 1 − F (x).

3. Si X < Y ⇒ F (x) < F (y).

4. P (a ≤ X ≤ b) = F (b) − F (a − 1).

5. P (a < X ≤ b) = F (b) − F (a).

6. p(x) representa el salto en el gráfico de F (x) el punto x.

Ejemplo
Se lanza un dado cúbico no cargado. Sea X: resultado del lanzamiento del dado, halle la c.d.f
de X.
Solución El gráfico de la p.m.f de X se muestra en la figura 3.

0.30

0.25

0.20 1/6 1/6 1/6 1/6 1/6 1/6

p(x)

0.15

0.10

0.05

0.00
1 2 3 4 5 6

Fig. 3: Distribución para el lanzamiento de un dado

Usando el gráfico de la figura 4 se tiene que:

1
p (x) = , x=1, 2, 3, 4, 5, 6.
6
Ahora:
Si x < 1 ⇒ F (x) = 0
1
Si 1 ≤ x < 2 ⇒ F (x) =
6
 2
Si 2 ≤ x < 3 ⇒ F (x) =
6
3
Si 3 ≤ x < 4 ⇒ F (x) =
6
4
Si 4 ≤ x < 5 ⇒ F (x) =
6
5
Si 5 ≤ x < 6 ⇒ F (x) =
6
Si x ≥ 6 ⇒ F (x) = 1

La distribución acumulada para X, puede escribirse como:





 0
 ; x<1
F (x) = [[x]] .
 ; x ∈ [1, 6)
 6


x≥6

1 ;

Donde [[x]] denota la parte entera de x. El gráfico para la c.d.f de X se muestra en la figura 4.

1 ●

5/6 ● ●

4/6 ● ●
F(x)

3/6 ● ●

2/6 ● ●

1/6 ● ●

0 1 2 3 4 5 6 7

Fig. 4: Distribución Acumulada para lanzamiento de un dado

Ejemplo
Suponga que una v.a X tiene p.m.f dada por,

X 0 1 2 3
1 3 3 1
p(x) 8 8 8 8

Halle la función de distribución acumulada de la variable aleatoria X y grafı́quela.

Solución

Si x < 0 entonces F (x) = 0

1
Si 0≤x<1 entonces F (x) =
8
 1 3 1
Si 1≤x<2 entonces F (x) =
+ =
8 8 2
1 3 3 7
Si 2 ≤ x < 3 entonces F (x) = + + =
8 8 8 8
Si x ≥ 3 entonces F (x) = 1 .

El gráfico de la c.d.f. para X se muestra en la figura 5.

1 ●

7/8 ● ●
F(x)

4/8 ● ●

1/8 ● ●

0 1 2 3 4 5

Fig. 5: Distribución Acumulada para X

En el gráfico de esta distribución, la longitud del salto que da la función en x = 2 es exactamente

igual a la probabilidad en ese punto.