Unidad 2

Fundamentos de la teora de
probabilidad

2.1 Teora elemental de

probabilidad.
Las probabilidades son muy tiles, ya que pueden
servir para desarrollar estrategias. Por ejemplo,
algunos automovilistas parecen mostrar una mayor
tendencia a aumentar la velocidad si creen que existe
un riesgopequeo de ser multados; los inversionistas
estarn ms interesados en invertirse dinerosi las
posibilidades de ganar son buenas. El punto central en
todos estos casos es la capacidad de cuantificar cuan
probable es determinado evento. En concreto decimos
que las probabilidades se utilizan para expresar cuan
probable es un determinado evento

2.2 Probabilidad de Eventos:

Se llama espacio muestral o espacio de muestreo, a
menudo denotado por S, o U (por "universo"), al
conjunto de todos los posibles resultados individuales de
un experimento aleatorio.
Por ejemplo, si el experimento consiste en lanzar dos
monedas, el espacio de muestreo es el conjunto {(cara,
cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento
o suceso es cualquier subconjunto del espacio muestral,
llamndose a los sucesos que contengan un nico
elemento sucesos elementales. En el ejemplo, el suceso
"sacar cara en el primer lanzamiento", o {(cara, cara),
(cara, cruz)}, estara formado por los sucesos
elementales {(cara, cara)} y {(cara, cruz)}.

Definicin de un evento:
En estadstica, 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.
Formalmente, sea un espacio muestral,
entonces un evento es un subconjunto , donde
(w1,w2,...) son una serie de posibles resultados.
Se dice que un evento A ocurre, si el resultado
del experimento aleatorio es un elemento de A.

Simbologa, unin, interseccin, diagramas de Venn.

Diagrama de Venn

Diagrama de Venn mostrando la interseccin de dos conjuntos. Los

diagramas de Venn son ilustraciones usadas en la rama de la
Matemtica y Lgica de clases conocida como teora de conjuntos.
Estos diagramas se usan para mostrar grficamente la agrupacin
de cosas elementos en conjuntos, representando cada conjunto
mediante un crculo o un valo. La posicin relativa en el plano de
tales crculos muestra la relacin entre los conjuntos. Por ejemplo,
si los crculos de los conjuntos A y B se solapan, se muestra un
rea comn a ambos conjuntos que contiene todos los elementos
contenidos a la vez en A y en B. Si el crculo del conjunto A aparece
dentro del crculo de otro B, es que todos los elementos de A
tambin estn contenidos en B.

Diagrama de dos conjuntos

Conjuntos A y Considrese el ejemplo a la derecha: supngase que el
conjunto A (el crculo naranja) representa, por ejemplo, a todas las
criaturas vivas con solo dos piernas motrices y que el conjunto B (el
crculo azul) contiene a todas las criaturas que pueden volar. El rea
donde ambos crculos se superponen (que recibe el nombre de
interseccin entre A y B, o interseccin A - B) contendra por tanto
todas las criaturas que, al mismo tiempo, pueden volar y tienen slo
dos piernas motrices.

El diagrama de Venn representado en el ejemplo 1 puede describirse

como la relacin entre el conjunto A y el conjunto B. El rea
combinada de ambos conjuntos recibe el nombre de unin de los
conjuntos A y B. La unin en este caso contiene todos los tipos de
criaturas que tienen dos piernas, pueden volar, o ambas cosas a la
vez. El rea donde los conjuntos A y B se solapan se define como la
interseccin de A y B. Contiene todos los tipos de criaturas que
pertenecen a la vez a A y a B, es decir, que tienen dos piernas y
pueden volar.

Diagrama de Venn:

Interseccin
Conjunto A y B

Diagrama de Venn mostrando todas las intersecciones posibles entre

tres conjuntos A, B y C.Un diagrama de Venn de dos conjuntos
define 4 reas diferentes (la cuarta es la exterior), que pueden
unirse en 6 posibles combinaciones:
A (dos patas)
B (vuelan)
A y B (dos patas y vuelan)
A y no B (dos patas y no vuelan)
no A y B (ms o menos de dos patas, y vuelan)
no A y no B (ni tienen dos patas ni vuelan)
A veces se incluye un rectngulo alrededor del diagrama de Venn,
que recibe el nombre de universo de discurso (antes se crea en la
existencia de un conjunto universal pero Bertrand Russell
descubri que con tal concepto el sistema es inconsistente vase
paradoja de Russell). Se usa para representar el conjunto de
todas las cosas posibles. La definicin del universo, al igual que la
de los conjuntos, depende del diagrama sobre el que se
representa. La idea de conjunto universal, aunque fue apuntada
por el propio Venn, se atribuye habitualmente a Charles Dodgson,
ms conocido como Lewis Carroll.

2.3 Probabilidad con Tcnicas de Conteo: Axiomas

Teoremas probabilidad.
PROBABILIDAD CONDICIONAL
En esta seccin examinaremos como la probabilidad de
ciertos eventos depende o se ve influida por la
ocurrencia de otros. Para ello veremos algunos
ejemplos.
Ejemplo 27: Se seleccionan dos semillas
aleatoriamente, una por una, de una bolsa que contiene
10 semillas de flores rojas y 5 de flores blancas. Cul
es la probabilidad de que:
La primera semilla sea roja?
La segunda semilla sea blanca dado que la primera fue
roja?

Solucin:
La probabilidad de que la primera semilla sea roja es , puesto que
hay 10 semillas de flores rojas de un total de 15. Escrito con
notacin de probabilidad tenemos:
La probabilidad de que la segunda semilla sea blanca se ve
influida por lo que sali primero, es decir esta probabilidad est
sujeta a una condicin, la de que la primera semilla sea roja. Este
tipo de probabilidad se le llama probabilidad condicional y se
denota por
, y se lee: la probabilidad de B2 dado R1.
Esta probabilidad , puesto que todava hay 5 semillas blancas en
un total de 14 restantes.
Veamos la situacin en un diagrama de rbol:
Definicin de Probabilidad Condicional: Para dos eventos
cualesquiera A y B en un espacio muestra S, tales que P(A) > 0
con P(A) 0, la probabilidad del evento B dado el evento A, se
define por :

Diagramas de rbol:

2.5 Ley multiplicativa.

ley multiplicativa
Al multiplicar la formula P(B/A) =P( A B)/ P(A)
por P( A); obtenemos la siguiente regla
multiplicativa, esta es importante por que nos
permite calcular la probabilidad de que ocurran dos
eventos.
Teorema: si un experimento pueden ocurrir los
eventos A y B, entonces P( A B)= P( A) P(B/A).
as la probabilidad de que ocurran A y B es igual a
la probabilidad de que ocurra A multiplicada por la
probabilidad de que ocurra B, dado que ocurre A.
Como los eventos ( A B) y (BA) son
equivalentes, que tambin lo podemos escribir
como

2.6 Eventos independientes: Regla

de Bayes.
La regla de Bayes es un caso especial de la
probabilidad condicional que se aplica cuando se
desea calcular la probabilidad condicional de un
evento que ocurri primero dado lo que ocurri
despus. Para llegar a establecer tan til regla
vamos a estudiar una proposicin previa.
Proposicin 3.8: Sean Al, A2, ,Ak, una particin
de S, esto es
Ai Aj = , y . Entonces para cualquier evento
B se tiene que: P(B) = P(A1) P(B/A1) + P(A2)
P(B/A2) + + P(Ak)P(B/Ak)

 Demostracin: Considrese el siguiente

diagrama:

 (B) = P(B S)
= P[B (A1 A2 Ak )]
= P[(B A1) (B A2) (B Ak )] (unin
de eventos mutuamente excluyentes)
= P(B A1) + P(B A2) + +P(B Ak) (por el
axioma 3)
= P(A1)P(B/A1)+ P(A2)P(B/A2)+
+P(Ak)P(B/Ak) (por ecuacin [3.3])

Regla de Beyes:
Sean Al, A2, ,Ak, una particin de S y B
un evento cualquiera en S. Entonces:

2.7 Variable aleatoria.

Se llama variable aleatoria a toda funcin que asocia
a cada elemento del espacio muestral E un nmero
real.
Se utilizan letras maysculas X, Y, ... para designar
variables aleatorias, y las respectivas minsculas (x,
y, ...) para designar valores concretos de las mismas.
Variable aleatoria discreta
Una variable aleatoria discreta es aquella que slo
puede tomar valores enteros.
Ejemplos
El nmero de hijos de una familia, la puntuacin
obtenida al lanzar un dado.

 Variable aleatoria continua

Una variable aleatoria continua es aquella
que puede tomar todos los valores
posibles dentro de un cierto intervalo de la
recta real.

2.8 Variables aleatorias conjuntas.

1.- Variables aleatorias discretas conjuntas
Rango: RX;Y = fx1; x2; :::; xng fy1; y2; :::; ymg = RX RY
Funcion de probabilidad conjunta: PXY (x; y) = P[X = x \ Y = y]; x; y 2 RXY
Propiedades fundamentales de PXY (x; y
a) 0 PXY (x; y) 1: Consideraremos que si x; y =2 RXY ) PXY (x; y) = 0
b)
Xn
i=1
Xm
j=1
PXY (xi; yj) = 1; xi 2 RX; yj 2 RY
Funcion de distribucion acumulada conjunta: FXY (x; y) = P[X x \ Y y]; x; y
2 IR
Propiedades fundamentales de FXY (x; y)
a) 0 FXY (x; y) 1
b) FXY (1; y) = FXY (x;1) = 0; FXY (1;1) = 1

M as propiedades pueden deducirse de forma obvia a partir de la definicin de

la funcin.
Relaciones entre ambas funciones.
FXY (x; y) =
X
8xix
X
8yjy
PXY (xi; yj); xi; yj 2 RXY ; 8x; y 2 IR

Funciones marginales.
PX(x) =
X
8y2RY
PXY (x; y); PY (y) =
X
8x2RX
PXY (x; y)
FX(x) = FXY (x;1); FY (y) = FXY (1; y)
2.- Variables aleatorias continuas conjuntas
Rango: RXY , conteniendo un numero innito de puntos.
Funcion de distribucion acumulada conjunta: FXY (x; y) = P[X x \ Y y]; x; y 2 IR
Propiedades fundamentales de FXY (x; y) : las mismas que en el caso discreto.
Funcion de densidad de probabilidad conjunta: fXY (x; y) = @2FXY (x; y)
@x@y
; x; y 2 RXY
Propiedades fundamentales de fX(x)
a) fX(x) 0: Consideraremos que si x; y =2 RXY ) fXY (x; y) = 0
b)
RR
RXY
fXY (x; y) = 1.

Relaciones entre ambas funciones.

fXY (x; y) = @2FXY (x;y)
@x@y ; x; y 2 RXY (denicion de fXY (x; y))
FXY (x; y) =
Rx
1
Ry
1 fXY (x; y)dydx; 8x; y 2 IR

2.9 Modelos analticos de

fenmenos aleatorios discretos.

Distribucin Normal.
La Distribucin de Probabilidad Continua ms Importante de la Estadstica.
Su grafica es una curva acampanada llamada Curva Normal deriva la distribucin de conjuntos
de datos que ocurra en la naturaleza, industria e investigacin.
Abraham Moiure (1733): desarrollo expresin matemtica base de la estadstica inductiva.
Karl Frigdrich Gauss (1777): dedujo la ecuacin Af la curva a partir de errores en mediciones
repetidas.
Curva o distribucin Caussiana.
Variable Aleatoria Normal.
La v.a. contina x que tiene la distribucin, su forma acampanada depende de los parmetros y
.
Se designan los valores de la funcin de densidad de x (f d p) por n(x, , ).
n(x,,)=1/(2) e^(-1/2) [((x-))/],- z1) = 0.9
Z = 1.96

Dada una distancia normal determine k de modo que:

P(z < k) = 0.0427
K = - 1.72
P(z > k) = 0.2946
P (z > x) = 1 P (z < k)
= 1 0.2946 = 0.7054
Z = 0.54
P (-0.93 < z < k) = 0.7235
P (z < k) P (z < -0.93) = 0.7235
P (z < k) - 0.1762 = 0.7335
P (z < k) = 0.7235 + 0.1762 = 0.9013
Z = 1.29
Dada una distancia normal con = 30 y r = 6 obtener el rea bajo la curva
normal.

2.10 Modelos analticos de fenmenos aleatorios

continuos.

Distribucin Normal.
La Distribucin de Probabilidad Continua ms Importante de la Estadstica.
Su grafica es una curva acampanada llamada Curva Normal deriva la distribucin de conjuntos
de datos que ocurra en la naturaleza, industria e investigacin.
Abraham Moiure (1733): desarrollo expresin matemtica base de la estadstica inductiva.
Karl Frigdrich Gauss (1777): dedujo la ecuacin Af la curva a partir de errores en mediciones
repetidas.
Curva o distribucin Caussiana.
Variable Aleatoria Normal.
La v.a. contina x que tiene la distribucin, su forma acampanada depende de los parmetros y
.
Se designan los valores de la funcin de densidad de x (f d p) por n(x, , ).
n(x,,)=1/(2) e^(-1/2) [((x-))/],- z1) = 0.9
Z = 1.96

Dada una distancia normal determine k de modo que:

P(z < k) = 0.0427
K = - 1.72
P(z > k) = 0.2946
P (z > x) = 1 P (z < k)
= 1 0.2946 = 0.7054
Z = 0.54
P (-0.93 < z < k) = 0.7235
P (z < k) P (z < -0.93) = 0.7235
P (z < k) - 0.1762 = 0.7335
P (z < k) = 0.7235 + 0.1762 = 0.9013
Z = 1.29
Dada una distancia normal con = 30 y r = 6 obtener el rea bajo la
curva normal.