Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fundamentos de la teora de
probabilidad
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.
Diagrama de Venn
Diagrama de Venn:
Interseccin
Conjunto A y B
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:
(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:
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.
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
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