Probabilidad
• Experimentos aleatorios, espacio muestral, sucesos
• Interpretaciones de la probabilidad
• Propiedades de la probabilidad
• Probabilidad condicionada y teorema de Bayes
Variables aleatorias
• Concepto de variable aleatoria
• Variables aleatorias discretas
• Variables aleatorias continuas
• Esperanza, varianza y desviación tı́pica
1
Conceptos básicos
2
Conceptos básicos
Ejemplos:
3
Ejemplo: dados
• suceso elemental: el 1, el 2, el 3, el 4, el 5, el 6
• espacio muestral: Ω = {1, 2, 3, 4, 5, 6}
• suceso: A = {2, 4, 6} B = {4, 5, 6}
El suceso A es sale un número par
El suceso B es sale un número mayor que tres
4
Intersección
5
Incompatibles
6
Unión
7
Otros sucesos importantes
Sucesos triviales:
• Suceso seguro Ω: conjunto = espacio muestral
• Suceso imposible ∅: conjunto = conjunto vacı́o
8
Ejemplos: dados
Sean
Ω = {1, 2, 3, 4, 5, 6} A = {2, 4, 6} B = {4, 5, 6}
Complementario:
Ā = {1, 3, 5} B̄ = {1, 2, 3}
Intersección:
A ∩ B = {4, 6} Ā ∩ B̄ = {1, 3}
Unión:
Sucesos incompatibles:
A ∩ Ā = ∅
9
Probabilidad. Intuición
10
Tres enfoques/interpretaciones
11
Propiedades de la probabilidad
P (Ω) = 1 y P (∅) = 0
12
Ejemplo: dados
1
Probabilidad de un suceso elemental: P (ei) = 6
13
Ejemplo: dados
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
2 1
Como A ∩ B = {4, 6}, entonces P (A ∩ B) = 6 = 3
1 1 1 2
P (A ∪ B) = + − =
2 2 3 3
1 1 4 2
P (A ∪ C) = P (A) + P (C) = + = =
2 6 6 3
14
Ejemplo: probabilidad condicional
15
Ejemplo: probabilidad condicional
P (H|S)
10
P (H|S) = = 0, 4
25
¿Por qué? es como si eligiese la persona al azar sólo entre los que tienen
sobrepeso
16
Probabilidad condicional
P (A ∩ B)
P (A|B) =
P (B)
Ley de la multiplicación:
P (A ∩ B) = P (A|B)P (B)
P (A ∩ B) = P (A)P (B)
17
Ejemplos
10
la primera carta sea de copas: P (A) = 40
9
la segunda sea copas, sabiendo que la primera lo fue: P (B|A) = 39
9 10
las dos cartas sean de copas: P (A ∩ B) = P (B|A)P (A) = 39 40
18
Ley de la probabilidad total
Un conjunto de sucesos B1, B2, . . . , Bk son mutuamente excluyentes si
Bi ∩ Bj = ∅, ∀i 6= j
Ω = B1 ∪ B2 ∪ . . . ∪ Bk ,
19
Ley de probabilidad total
Dada una partición del espacio muestral, B1, B2, . . . , Bk , y dado un suceso A,
se tiene que
20
Ejemplo: probabilidad total
21
Teorema de Bayes
P (B|A)P (A)
P (A|B) =
P (B)
P (D|A1)P (A1)
P (A1|D) =
P (D)
0, 01 × 0, 35
= = 0, 17766
0, 0197
22
Variables aleatorias
Variable aleatoria
Variables discretas:
• Función de probabilidad o de masa
• Función de distribución
Variables continuas:
• Función de distribución
• Función de densidad
23
Variables aleatorias
Una variable aleatoria es una función que asocia un valor numérico a cada
posible resultado de un experimento aleatorio
Se denotan las v.a. con letras mayúsculas, y sus posibles valores con letras
minúsculas
24
Variables aleatorias
Ejemplos:
25
Variables aleatorias discretas
Sea X una variable aleatoria discreta con posibles valores {x1, x2, . . .}.
Sea llama función de probabilidad o función de masa, al conunto de
probabilidades pi = P [X = xi], para i = 1, 2, . . .
x 1 2 3 4 5 6
1 1 1 1 1 1
P [X = x] 6 6 6 6 6 6
Ejercicio: Y = resultado de la suma al lanzar dos dados. La función de
probabilidad es
y 2 3 4 5 6 7 8 9 10 11 12
P [Y = y]
26
Variables aleatorias discretas
0 ≤ P [X = xi] ≤ 1
P
i P [X = xi] = 1
P
P [X ≤ x] = i,xi ≤x P [X = xi]
P [X > x] = 1 − P [X ≤ x]
27
Variables aleatorias discretas
x 1 2 3 4 5 6
1 1 1 1 1 1
P [X = x] 6 6 6 6 6 6
1 2 3 4 5 6
F (x) 6 6 6 6 6 6
28
Variables aleatorias discretas
Propiedades:
• F (−∞) = 0
• F (∞) = 1
• Si x ≤ y, entonces F (x) ≤ F (y)
29
Variables aleatorias continuas
30
Variables aleatorias continuas
Propiedades:
• F (−∞) = 0
• F (∞) = 1
• Si x ≤ y, entonces F (x) ≤ F (y)
• F (x) es continua
31
Variables aleatorias continuas
dF (x)
f (x) = = F 0(x)
dx
Propiedades:
• f (x) ≥ 0 ∀x ∈ R
Rb
• P (a ≤ X ≤ b) = a f (x)dx ∀a, b ∈ R
Rx
• F (x) = P (X ≤ x) = −∞ f (u)du
R∞
• −∞ f (x)dx = 1
32
Variables aleatorias continuas
12x2(1 − x)
si 0 < x < 1
f (x) =
0 si no
Z 0,5 Z 0,5
P (X ≤ 0, 5) = f (u)du = 12u2(1 − u)du = 0, 3125
−∞ 0
Z 0,5 Z 0,5
P (0, 2 ≤ X ≤ 0, 5) = f (u)du = 12u2(1 − u)du = 0, 2853
0,2 0,2
Z x 0 3
si x ≤ 0
4
P (X ≤ x) = f (u)du = 12 x3 − x4 si 0 < x ≤ 1
−∞
1 si x > 1
33
Esperanza y varianza de una variable aleatoria
2 P 2
V [X] = E[(X − E[X]) ] = i (xi − E[X]) · P (X = xi )
2
· P (X = xi) − E[X]2
P
= i xi
2 R 2
V [X] = E[(X − E[X]) ] = R
(x − E[X]) · f (x)dx
2 2
R
= R
x · f (x)dx − E[X]
34
Tema 3. Probabilidad y variables aleatorias
Probabilidad X
Variables aleatorias X
35
Algunos modelos probabilı́sticos
Modelos discretos:
• Ensayos de Bernoulli
• Distribución Binomial
• Distribución de Poisson
Modelos continuos:
• Distribución normal
• Distribuciones asociadas a la normal
36
Modelo Bernoulli
Se escribe X ∼ Bernoulli(p)
37
Modelo Bernoulli
Ejemplo: Una lı́nea aérea estima que los pasajeros que compran un billete para
un vuelo tienen una probabilidad igual a 0, 05 de no presentarse al embarque
de dicho vuelo
Definamos
1 si el pasajero se presenta
Y =
0 si no lo hace
38
Modelo Bernoulli
Función de Probabilidad:
P [X = 0] = 1 − p P [X = 1] = p
Función de distribución:
0 si x < 0
F (x) = 1−p si 0 ≤ x < 1
1 si x ≥ 1
Propiedades:
• E[X] = p × 1 + (1 − p) × 0 = p
• E[X 2] = p × 12 + (1 − p) × 02 = p
• V [X] = E[X 2] − E[X]2 = p − p2 = p(1 − p)
p
• s[X] = p(1 − p)
39
Modelo Binomial
para x = 0, 1, . . . , n donde
n n!
=
x x!(n − x)!
Se escribe X ∼ B(n, p)
40
Modelo Binomial
X ∼ B(80, 0, 95)
41
Modelo Binomial
Propiedades:
• E[X] = np
• V [X] = np(1 − p)
p
• s[X] = np(1 − p)
42
Distribución de Poisson: sucesos raros
λxe−λ
P [X = x] = , para x = 0, 1, 2, . . .
x!
Se escribe X ∼ P(λ)
43
Distribución de Poisson: sucesos raros
Propiedades:
• E[X] = λ
• E[X 2] = λ + λ2
• V [X] = λ
√
• s[X] = λ
44
Distribución de Poisson: sucesos raros
X ∼ P(0, 2)
0, 20e−0,2
P [X = 0] = = e−0,2 = 0, 8187
0!
X ∼ P(0, 8)
0, 81e−0,8
P [X = 1] = = 0, 8e−0,8 = 0, 3595
1!
45
Distribución Normal
Se dice que una variable X sigue una distribución normal o gausiana con
parámetros µ y σ, si
1 1
f (x) = √ exp − 2 (x − µ)2
σ 2π 2σ
46
Distribución Normal
47
Distribución Normal
1
P (µ − kσ < X < µ + kσ) ≥ 1 −
k2
48
Distribución Normal
Y = aX + b ∼ N (aµ + b, aσ)
X −µ
Z= ∼ N (0, 1)
σ
49
Teorema central del lı́mite
X̄ − µ
√ ∼ N (0, 1)
σ/ n
50
Aproximaciones mediante la distribución normal
X − np
p ∼ N (0, 1)
np(1 − p)
X −λ
√ ∼ N (0, 1)
λ
51
Distribuciones asociadas a la Normal
n
X
S= Xi2
i=1
E[S] = n
V [S] = 2n
52
Distribuciones asociadas a la Normal
Y
T = pPn 2 /n
i=1 X i
E[T ] = 0
n
V [T ] = n−2
53
Distribuciones asociadas a la Normal
m
E[F ] = (para m > 2)
m−2
2m2(n + m − 2)
V [F ] = (para m > 4)
n(m − 2)2(m − 4)
1
∼ Fm,n
F
1
Fn,m,α = Fm,n,1−α
54