Explora Libros electrónicos
Categorías
Explora Audiolibros
Categorías
Explora Revistas
Categorías
Explora Documentos
Categorías
Probabilidad
M.C. Nancy Toriz Robles
2020 -2021 II Semestre
Objetivo
Identificar y
manejar variables
aleatorias y sus
distribuciones con
aplicación en el
campo de acción
de la agroindustria
Contenido
1. Introducción a la probabilidad.
3. Modelos probabilísticos.
Estrategias
Gottfried Leibniz
Blaise Pascal
James Bernoulli
Pierre de Fermat
¿Qué es la Probabilidad?
¿Dónde se aplica?
Teoría que estudia fenómenos naturales con el fin de descubrir
regularidades en la ocurrencia de los mismos
Probabilidad
Enfoque Clásico
Enfoque Frecuentista
𝟎 ≤ 𝑷(𝑨) ≤ 𝟏
𝑷(𝝓) = 𝟎
Si 𝑨𝟏 ⊂ 𝑨𝟐 , entonces:
𝑷 𝑨𝟏 ) ≤ 𝑷(𝑨𝟐 y 𝑷 𝑨𝟐 − 𝑨𝟏 = 𝑷 𝑨𝟐 − 𝑷 𝑨𝟏
Si 𝐴′ es el complemento de 𝑨, entonces:
𝑷 𝑨′ = 𝟏 − 𝑷 𝑨
𝑷 𝑨 = 𝑷(𝑴) = 𝟏
Teoremas de la Probabilidad
Dos eventos 𝑨𝟏 y 𝑨𝟐 son mutuamente excluyentes o disjuntos
si 𝑨𝟏 ∩ 𝑨𝟐 = 𝝓; es decir, si 𝑨𝟏 y 𝑨𝟐 no tienen elementos en
común.
𝑷 𝑨𝟏 ∪ 𝑨𝟐 ∪ ⋯ ∪ 𝑨𝒌 = 𝑷 𝑨𝟏 + 𝑷 𝑨𝟐 + ⋯ + 𝑷 𝑨𝒌
𝒌
𝒌
𝑷 ራ 𝑨𝒊 = 𝑷 𝑨𝒊
𝒊=𝟏
𝒊=𝟏
Probabilidad condicional
Sea 𝑨 y 𝑩 dos eventos en un espacio muestral 𝑼. Si
𝑷 𝑨 , 𝑷(𝑩) ≠ 𝟎, se define la probabilidad condicional como:
𝑷(𝑨 ∩ 𝑩)
𝑷 𝑩𝑨 =
𝑷(𝑨)
𝑷(𝑨 ∩ 𝑩)
𝑷 𝑨𝑩 =
𝑷(𝑩)
Eventos Independientes
Si la probabilidad de que ocurra 𝑩 no está afectada
por la ocurrencia o no de 𝑨 o viceversa, entonces se
dice que 𝑨 y 𝑩 son eventos independientes.
Por lo tanto:
𝑷 𝑨 ∩ 𝑩 = 𝑷(𝑨) ∙ 𝑷(𝑩)
Probabilidad Total
Si se tiene una partición de sucesos 𝑨𝒊 que son un conjunto de
sucesos mutuamente excluyentes y que cubren todo el espacio
muestral y sucede que 𝑃 𝐴𝑖 ≠ 0 ∀ 𝐴𝑖 .
Si ocurre un suceso 𝑩 dentro del mismo espacio muestral.
𝐴2
𝐴1
𝑼
𝐵
𝐴𝑛
Entonces se cumple:
𝑃 𝐵 = 𝑃 𝐴1 ∩ 𝐵 + 𝑃 𝐴2 ∩ 𝐵 + ⋯ + 𝑃(𝐴𝑛 ∩ 𝐵)
𝑷 𝑩 = 𝑷 𝑩 𝑨𝟏 𝑷 𝑨𝟏 + 𝑷 𝑩 𝑨𝟐 𝑷 𝑨𝟐 + ⋯ + 𝑷 𝑩 𝑨𝒏 𝑷 𝑨𝒏
𝑷 𝑩 𝑨𝒊 𝑷 𝑨𝒊
𝑷 𝑨𝒊 𝑩 =
σ𝒏𝒊=𝟏 𝑷 𝑩 𝑨𝒊 𝑷 𝑨𝒊
Teorema de Bayes
Ejemplo: tres maquinas producen el 𝑃 𝐴 = 0.45 𝑃 𝐴2 = 0.30 𝑼
1
45%, 30% y 25% respectivamente del
total de productos en una fábrica.
Los porcentajes de producción
defectuosa de estas máquinas son 𝑃 = 0.03 𝑃 = 0.04 𝑃 = 0.05
del 3%, 4% y 5%. 𝐵 = 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠
𝑃 𝐴3 = 0.25
Tarea #1
Tarea en parejas.
2. Variables aleatorias y
sus distribuciones
Variable Aleatoria
Recordemos que…
𝒇𝑿 𝒙 = 𝑷(𝑿 = 𝒙)
0.50
Ejemplo: se lanza una moneda 0.50
fX(x)
0.30
0.25 0.25
¿Cuál es la 𝒇𝑿 𝒙 = 𝑷(𝑿 = 𝒙)? 0.20
0.10
-
0 1 2
x
Función de Densidad de
Probabilidad 𝒇𝑿 (𝒙)
La 𝒇𝑿 (𝒙) para una V.A. Continua
Inconvenientes para
determinar 𝒇𝑿 (𝒙)
Función de Densidad de
Probabilidad 𝒇𝑿 (𝒙)
La 𝒇𝑿 (𝒙) para una V.A. Continua
tiene las siguientes propiedades:
La curva siempre se
encuentra sobre el eje de las
abscisas. Es decir, 𝒇𝑿 𝒙 ≥ 𝟎.
𝑥
𝑭𝑿 (𝒙) = 𝑷 𝑿 ≤ 𝒙 = න 𝑓𝑋 𝑥 𝑑𝑥
−∞
Además, se cumple:
𝒅𝑭𝑿 𝒙
= 𝑓𝑋 𝑥
𝒅𝒙
Función de Distribución de
Probabilidad 𝑭𝑿 (𝒙)
Ejemplo: suponga que el error en la temperatura de
reacción, en °C, en un experimento de laboratorio
controlado, es una variable aleatoria continua 𝑿 que tiene la
función de densidad de probabilidad:
𝒙𝟐
𝒇𝑿 (𝒙) = ൞ 𝟑 , −𝟏 < 𝒙 < 𝟐
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
𝐸 𝑋 𝑟 = 𝑥 𝑟 𝒇𝑿 (𝒙)
𝑥
Si es continua
𝑥
𝐸 𝑋𝑟 = න 𝑥 𝑟 𝒇𝑿 𝒙 𝒅𝒙
−∞
𝐸 𝑐1 = 𝑐1
𝐸 𝑐1 𝑋 = 𝑐1 𝐸(𝑋)
𝐸 𝑋 + 𝑐1 = 𝐸 𝑋 + 𝑐1
𝐸 𝑐1 + 𝑐2 𝑋 = 𝑐1 + 𝑐2 𝐸(𝑋)
Momentos de Variables
Aleatorias
Momentos respecto a la media (momento central)
Sea 𝑿 una variable aleatoria, con función de probabilidades
𝒇𝑿 (𝒙), y sea 𝒓 un entero positivo. El 𝑟-ésimo momento arededor
de la media de X se define por:
Si es discreta
Si es continua
𝑥
𝐸(𝑋 − 𝜇)𝑟 = න (𝑥 − 𝜇)𝑟 𝒇𝑿 𝒙 𝒅𝒙
−∞
Momentos de Variables
Aleatorias: Varianza
Momentos respecto a la media (momento central)
El momento central cero de cualquier variable aleatoria es uno,
dado que:
𝐸(𝑋 − 𝜇)0 = 𝐸 1 = 1
El primer momento central de cualquier variable aleatoria es
cero, dado que:
𝐸(𝑋 − 𝜇)1 = 𝐸 𝑋 − 𝜇 = 0
El segundo momento central, recibe el nombre de varianza de la
variable aleatoria, dado que:
𝑉𝑎𝑟 𝑋 = 𝐸(𝑋 − 𝜇)2 = 𝐸 𝑋 2 − 2𝑋𝜇 + 𝜇2
= 𝐸 𝑋 2 − 2𝜇2 + 𝜇2 = 𝐸 𝑋 2 − 𝜇2
Momentos de Variables
Aleatorias: Varianza
Momentos respecto a la media (momento central)
𝑉𝑎𝑟 𝑋 ≥ 0
𝑉𝑎𝑟 𝑐 = 0
𝑉𝑎𝑟(𝑐𝑋) = 𝑐 2 𝑉𝑎𝑟(𝑋)
𝑉𝑎𝑟 𝑋 + 𝑐 = 𝑉𝑎𝑟(𝑋)
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸(𝑋) 2
Actividad 4
Distribución Conjunta
Se ha estudiado variables
aleatorias y sus distribuciones ¿Qué pasa cuando la
de probabilidad restringidas situación amerita registrar los
por espacios muestrales Pero… resultados simultáneos de dos
unidimensionales (resultados o más variables aleatorias?
de un experimento)
P[(X=x,Y=y) ∈ 𝑨] =
𝒇𝑿,𝒀 (𝒙, 𝒚)=P(X=x,Y=y) 𝑿𝒇 𝑨 ,𝒀 (𝒙, 𝒚) 𝒅𝒙𝒅𝒚, para
cualquier región A en el
plano xy
Distribución Marginal
Dada la distribución de probabilidad conjunta 𝒇𝑿,𝒀 (𝒙, 𝒚) de las
variables aleatorias 𝑿 y 𝒀.
Definimos 𝒈(𝒙) y 𝒉(𝒚) como distribuciones marginales de 𝑿 y 𝒀,
respectivamente.
𝒈(𝒙) se obtiene sumando 𝒇𝑿,𝒀 (𝒙, 𝒚) sobre los valores de 𝒀.
𝒉(𝒚) se obtiene sumando 𝒇𝑿,𝒀 (𝒙, 𝒚) sobre los valores de 𝑿.
∞
𝒈 𝒙 = 𝒇𝑿,𝒀 (𝒙, 𝒚) 𝒈 𝒙 = න 𝒇𝑿,𝒀 (𝒙, 𝒚) 𝒅𝒚
𝒚 −∞
∞