Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.1 INTRODUCCIÓN
1
Definición informal de probabilidad:La probabilidad de un evento es una medida
(número) de la probabilidad con la que podemos esperar el evento a ocurrir. Asignamos un
número entre 0 y 1 inclusive a la probabilidad de un evento. Una probabilidad de 1 significa
que estamos 100% seguros de la ocurrencia de un evento, y una probabilidad de 0 significa
que estamos 100% seguro de la no ocurrencia del evento. La probabilidad de cualquier evento
A en el espacio muestral S se denota por P (A).
Ejemplo 2.2.1
Se lanza un dado equilibrado (con todos los resultados igualmente probables). Sea A el evento
de que un número par ocurre. Entonces hay tres resultados favorables (2, 4, 6) en A, y el
espacio muestral tiene seis elementos, 1, 2, 3, 4, 5, 6. Por tanto, P (A) = 3/6 = 1/2.
1. No es negativo, (A) ≥ 0
Ejemplo 2.2.3
Se carga un dado (no todos los resultados son igualmente probables) de modo que la prob-
abilidad de que aparezca el número i es Ki, i = 1, 2,. . . , 6, donde K es una constante.
Encontrar
(a) el valor de K.
(b) la probabilidad de que aparezca un número mayor que 3.
Solución:
2
(a) Aquı́, el espacio muestral S tiene seis resultados 1, 2,. . . , 6. Por tanto, utilizando los
axiomas (2) y (3) tenemos P(1) + P(2) + . . . + P(6) = 1. Dado que P (i) = Ki, tenemos
(K) (1) + (K) (2) +. . . + (K) (6) = 1 ó (K) (1 + 2 +... + 6) = (K) (21) = 1.
Por tanto, K = 1/21. La probabilidad de, digamos, que aparezca el número 5 es 5/21.
(b) Sea A el evento de que aparezca un número mayor que 3. Entonces los resultados en A
son 4, 5, 6 y son mutuamente excluyentes. Por lo tanto, P (A) = P (4) + P (5) + P (6) =
4 5 6
24
+ 21 + 24 = 15
24
Ejemplo 2.2.4
En una universidad grande, el perfil de estudiante de primer año para la admisión de otoño
de un año dice que el 40% de los estudiantes estaban en el 10% superior de su clase de la
escuela secundaria, y que el 65% son blancos, de los cuales el 25% estaban en el 10% superior
de su clase clase de secundaria. ¿Cuál es la probabilidad de que un estudiante de primer año
seleccionado al azar de esta clase ¿Estaba en el 10% superior de su clase de secundaria o es
blanco?
Solución:
Sea E1 el evento de que una persona elegida al azar estuviera en el 10% superior de su
clase de secundaria, y sea E2 el evento de que el estudiante sea blanco. Se nos da P (E1 ) =
0.40, P (E2 ) = 0.65 y P (E1 ∩ E2 ) = 0, 25. Luego, el evento de que el estudiante elegido es
blanco o estaba en el 10% superior de su clase de educación superior está representada por
E1 ∪ E2 . Por lo tanto, P (E1 ∪ E2 ) = P (E1 ) + P (E2 ) − P (E1 ∩ E2 ) = 0.40 + 0.60 − 0.25 = 0.80
En un espacio muestral con una gran cantidad de resultados, determinar el número de resul-
tados asociados con los eventos a través de la enumeración directa podrı́a ser tedioso.
Ejemplo 2.3.1
3
¿De cuántas formas diferentes puede un club de estudiantes de una gran universidad con 500
miembros elegir a su presidente? y vicepresidente?
Solución:
El presidente puede elegirse de 500 maneras y el vicepresidente puede elegirse entre las 499
formas restantes. Por tanto, según el principio de multiplicación, hay (500) (499) = 249,500
formas en las que la elección completa Puede ser hecho.
Cuando se toma una muestra aleatoria de tamaño k con reemplazo de un total de n ob-
jetos, Hay 4 tipos de muestreo:
¿Cuántos números distintos de tres dı́gitos se pueden formar usando los dı́gitos 2, 4, 6 y 8 si
no se puede ¿repetido?
Solución:
El número de números distintos de tres dı́gitos será el número de permutaciones de tres
números del conjunto de cuatro números 2, 4, 6, 8. Por lo tanto, el número de números
distintos de tres dı́gitos será 4 P3 = 4!/1! = 24.
4
20
Los cuatro estudiantes extranjeros pueden ser elegidos en 4
maneras, y los tres estudiantes
estadounidenses pueden ser elegidos en 10 formas. Ahora, por el principio de multiplicación,
3
toda la selección se puede hacer en 20
4
10
3
= 581400 vı́as.
Ejemplo 2.3.4
Una urna contiene 15 bolas numeradas del 1 al 15. Si se extraen cuatro bolas al azar, con
reposición y sin Respecto al pedido, ¿cuántas muestras son posibles?
Solución:
Usando la fórmula anterior, el número de muestras posibles es
!
15 + 4 − 1 18!
= = 3060 (4)
4 4!4!
Si necesitamos dividir n objetos en más de dos grupos, podemos usar el siguiente resultado.
5
De ahı́ la probabilidad de que un grupo de siete seleccionados al azar consista en cuatro
extranjeros y tres estadounidenses. los estudiantes es
20 10
4 3 581400
30
= = 0.2856
2035800
7
P (E|A) = 1 = P (E c |A)
Ejemplo 2.4.2
Una canasta de frutas contiene 25 manzanas y naranjas, de las cuales 20 son manzanas. Si
se recogen dos frutas al azar secuencia, ¿cuál es la probabilidad de que ambas frutas sean
manzanas?
Solución:
Dejar
A = { evento de que la primera fruta sea una manzana }
6
B = { caso de que la segunda fruta sea una manzana }.
Necesitamos encontrar P (A ∩ B). Tenemos
P(A) = 20/25, P(B —A) = 19/24.
Ahora, usando el principio de multiplicación para probabilidades condicionales,
20 19
P (A ∩ B) = P (A)P (B|A) = ( )( ) = 0.633
25 24
Por tanto, la probabilidad de que ambas frutas sean manzanas es 0,633.
Ejemplo 2.4.6
Durante una epidemia en una ciudad, el 40% de sus habitantes se enfermaron. De cada
100 personas enfermas, 10 necesitarán ser admitido en una sala de emergencias. ¿Cuál es la
probabilidad de que una persona elegida al azar de esta ciudad será admitido en una sala de
emergencias?
Solución:
Dejar
A = {la persona está sana}
Y
B = {la persona ingresa en una sala de emergencia}
Esta dado
P (Ac ) = 0.4
Por eso
P (A) = 0.6
Queremos encontrar P (B). Ahora P (B — A) = 0, porque una persona sana no será admitida
en una emergencia pabellón. También,
10
P (B|Ac ) = = 0.1
100
Por lo tanto, según la regla de probabilidad total,
7
Regla de Bayes
Suponga que S = A1 ∪ A2 ∪ ... ∪ An , donde P (Ai ) > 0, i = 1, 2, ..., n y Ai ∩ Aj = ϕ para I=
j. Entonces, para cualquier evento B, con P (B) > 0
P (Aj P (B|Aj
P (Aj |B) = Pn
i=1 P (Ai P (B|Ai )
Ejemplo 2.4.7
Suponga que una clase de estadı́stica contiene un 70% de estudiantes varones y un 30%
mujeres. Se sabe que en una prueba, el 5% de los varones y el 10% de las mujeres obtuvo
una calificación de ”A”. Si un estudiante de esta clase es seleccionado al azar y observado
tiene una calificación de ”A”, ¿cuál es la probabilidad de que sea un estudiante?
Solución:
Sea A1 que el alumno seleccionado es un hombre y A2 que el alumno seleccionado es una mujer.
Aquı́ el espacio muestral S = A1 ∪ A2 . Sea D para indicar que el estudiante seleccionado
tiene una calificación de ”A”. Se nos da P (A1 ) = 0, 7, P (A2 ) = 0, 3, P (D|A1 ) = 0, 05 y
P (D|A2 ) = 0, 10. Entonces, por la regla de probabilidad total,
P (A1 )P (D|A1 )
P (A1 |D) =
P (A1 )P (D|A1 ) + P (A2 )P (D|A2 )
(0.7)(0.05) 7
= = = 0.538
(0.065) 13
Esto muestra que, aunque la probabilidad de que un estudiante obtenga una calificación de
”A” es menor que la de una estudiante, debido al mayor número de estudiantes varones en
la clase, un estudiante con una ”A” grado tiene una mayor probabilidad de ser seleccionado
que una estudiante con una calificación ”A”.
8
Un experimento puede contener numerosas caracterı́sticas que se pueden medir. Sin em-
bargo, en la mayorı́a de los casos, un experimentador se centrará en algunas caracterı́sticas
especı́ficas del experimento.
En general, cada resultado de un experimento se puede asociar con un número especificando
una regla de asociación. El concepto de una variable aleatoria nos permite pasar de los re-
sultados experimentales a una función numérica de la resultados, a menudo simplificando el
espacio muestral.
Una variable aleatoria (r.v.) X es una función definida en un espacio muestral, S, que asocia
un número real, X (ω) = x, con cada resultado ω en S.
Ejemplo 2.5.1
Se lanzan dos monedas balanceadas y se anotan los valores nominales. Luego, el espacio
muestral S = {HH, HT, TH, TT}. Defina la variable aleatoria X (ω) = n, donde n es el
número de caras y ω representa un evento simple como HH. Luego
X(ω) =
0, siω = (T T )
1, siωεHT, T H
2, siω = (H, H)
Se puede observar que X (ω) = 0 o 2 con probabilidad 1/4 (p.p. 1/4) y X (ω) = 1 p.p. 1/2
Definición: Se dice que la variable aleatoria X es discreta si sólo puede asumir un valor
finito o contable. número infinito de valores distintos
Ejemplo 2.5.2
En el lanzamiento de tres monedas justas, deje que la variable aleatoria X se defina como X
= número de cruces. Entonces X puede asumir valores 0, 1, 2 y 3. Podemos asociar estos
valores con probabilidades de la siguiente manera:
P (X = 0) = P (H, H, H) = 1/8
P (X = 1) = P (H, H, T ∪ H, T, H ∪ T, H, H) = 3/8
P (X = 2) = P (T, T, H ∪ T, H, T ∪ H, T, T ) = 3/8
P (X = 3) = P (T, T, T ) = 1/8.
9
Lo podemos escribir en forma de tabla.
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8
Sea X una variable aleatoria discreta asumiendo valores x1 , x2 , x3 , .... Tenemos lo siguiente.
Hemos visto que una variable aleatoria discreta asume un valor finito o infinito numerable. A
diferencia de, definimos una variable aleatoria continua como aquella que asume incontables
valores, como el puntos en una lı́nea real. Ahora damos la definición de una variable aleatoria
continua.
Definición 2.5.4 Sea X una variable aleatoria. Supongamos que existe una función de valor
real no negativa: f : R −→ [0, ∞) tal que para cualquier intervalo [a, b],
Z b
P (Xϵ[a, b]) = f (t)dt
a
0 ≤ F (x) ≤ 1
10
Definición: Sea X una variable aleatoria discreta con pf p (x). Entonces el valor esperado de
X, denotado por E (X), se define por
X X
µ = E(X) = xp(x)proporcionado |x|p(x) < ∞
todax todox
Definición: El valor esperado de una variable aleatoria continua X con pdf f (x) está
definido por
Z ∞ Z ∞
µ = E(X) = xf (x)dx, proporcionando |x|f (x)dx < ∞
−∞ −∞
Ejemplo 2.6.1
Dejar
X=
1, con − una − probabilidad1/2
2, con − una − probabilidad1/2
Luego E(X) = 1(1/2) + 0(1/2) = 1/2.
E[g(X)] =
X
g(x)p(x), siXes − discreta
x
Z ∞
g(x)f (x)dxsiXes − continua
−∞
E(c) = c
11
E[cg(X)] = cE[g(X)]
E[
P P
i gi (X)] = i E[gi (X)]
V ar(X) = E(X 2 ) − µ2
Definición: El k-ésimo momento sobre el origen de una variable aleatoria X se define como
EX k y denotado por µk , siempre que exista. El k-ésimo momento respecto a su media
(también llamado k-ésimo momento central) de una variable aleatoria X se define como
E[(X − µ)k ] y denotado por µk , k = 2, 3, 4, ..., siempre que exista.
E(X − µ)3 µ3
α3 = 3
= 3/2
σ µ2
se llama asimetrı́a de la distribución de X. El cuarto momento estandarizado sobre la
media
E(X − µ)4
α4 =
σ4
se llama curtosis de la distribución.
dk Mx (t)
= |t=0 = Mx(k) (0) = µk
dtk
Ejemplo 2.6.12
12
Encuentre el mgf de X : N (µ, σ 2 )
Solución:
Sea Y: N (0, 1) y sea X = σY + µ. Entonces, por la propiedad anterior (3), y el ejemplo
2.6.11, el mgf de X es
MX (t) = eµt My (σt)
1 2 t2 1 2 t2
= eµt e 2 σ = eµt+ 2 σ
13