ESTADISTICA

Experimento aleatorio :
Espacio Muestral : O
Espacio Muestral : Discreto , Continuo
Evento o Suceso
Sucesos elementales, seguros e imposibles
Probabilidad : grado de certidumbre
Probabilidad y Juegos de Azar
Probabilidad y Frecuencia relativa
Probabilidad Subjetiva (Personal)
Conceptos Bsicos
Experimento Aleatorio: Proceso en observacin
Evento Elemental: -Resultado de un experimento indivisible
-Mutualmente Excluyentes: si ocurre
uno no existe posibilidad de observar otro
- Equiprobable : Cada evento
simple tiene identica probabilidad
Espacio Muestral El conjunto de todas las observaciones
elementales
Evento A - El conjunto de todos los eventos
elementales observaciones posibles que
resultan en la ocurrencia del evento A
Conceptos Bsicos
Conjuntos y Eventos
O (S)
O (S): Espacio Muestral: Todos los posibles
resultados elementales
s e S, resultado elemental
:Familia de todos los eventos posibles de S
C e , luego C es un Evento
s e C, luego C evento imposible
S e , luego S es el Evento Seguro
A y B e , luego son eventos
AB e ; AB e ; A
c
e , son eventos
E
A
B
s e O
Conjuntos vs. Eventos
Teora Conjuntos Teora Probabilidades
S O Universo Espacio Muestral
Conjunto Potencia Familia Clases de Eventos
A e A subconjunto de S A es un Evento
s e A s es elemento de A Ocurre el evento A
C Conjunto vaco Evento Imposible
S Universo Evento Seguro
AB A unin B Evento A o Evento B
AB A interseccin B Evento A y Evento B
A
c
Complemento de A Evento no-A
A c B A es subconjunto de B A implica B
AB= C A y B son disjuntos A y B mutuamente excluyentes
Se toma al azar una esfera de la urna I
Se transfiere a la urna II, se mezclan bien.
Se elige, aleatoriamente, una esfera de la urna II.
cul es la probabilidad a priori que sea verde?
Experimento Aleatorio
I II
1
1
2 2
3
3
Espacio Muestral
Traspasar Roja # 1
Traspasar Verde # 1
Traspasar Verde # 2
Distintas
formas como
puede
resultar el
experimento.
Ya que las
esferas has
sido sacadas
al azar, cada
uno de ellos
tiene la
misma
posibilidad de
ocurrir
1
1
2
1
2
3
2
3
2
3
1
2
3
2
3
I
II
II
II
1
2
3
4

5
6
7
8

9
10
11
12
Probabilidad es una medida de la incertidumbre
(Estimacin de la probabilidad)
Terica - A Priori
P
r
(A
i
) = n / N
n = nmero de posible formas en queA
i
puede ser
observado
N = nmero total de resultados posibles
Histrica (emprica-frecuencia) - A Posteriori
P
r
(A
i
) = n/N
n = nmero de veces que ocurrio A
i

N = nmero total de observaciones
Subjetiva
La Opinin de un Experto
Nociones de Probabilidad
Modelo Probabilstico
Sea una Distribucin de Probabilidad P,
funcin que asigna a cada sub-conjunto
razonable de O un valor entre 0 y 1.
Sea c 2
O
coleccin de eventos
razonables de O (o-lgebra)
P: [0;1]
Modelo de Probabilidad= (O, , P)

Clculo de Probabilidades
(Eventos Equiprobables)

Nocin intuitiva:

P(A) = Resultados favorables al evento A
Resultados posibles

Nocin frecuentista:

Sea N: N total de veces que se realiza un
experimento
N
A
: N total de veces que ocurre A


P(A) =


N
N
lim
A
N
1. Elegir 1 objeto al azar, significa que cada objeto tiene la
misma probabilidad de ser elegido. P(elegir a
i
) = 1/ N
2. Elegir 2 objetos al azar significa que cada par de objetos tiene
la misma probabilidad de ser selecionado. Supongamos que
existen K de tales pares, entonces la probabilidad de elegir un
par cualesquieres es 1/ K.
3. Elegir r objetos aleatoriamente, r < N, signifiva que cada
r-tupla de objetos tiene la misma probabilidad de ser
seleccionada que cualquier otra r-tupla.
Observacin
En muchas ocasiones nos preocupamos de elegir de
manera aleatoria uno o ms objetos desde una coleccin
de objetos
Sea N el nmero de objetos.
Probabilidad Axiomtica
Axioma 1: P(A) > 0
Axioma 2: P(O) = 1

Suponiendo que A
1
, A
2
,..... son eventos
mutuamente excluyentes

Axioma 3: P(A
i
) = EP(A
i
)
Propiedades
1. P(|) = 0
2. P(A) s 1
3. P(A
C
) = 1 - P(A)
4. Si A c B P(A) s P(B)
5. P(AB) = P(A) + P(B) - P(AB)
6. P(A
i
) s E P(A
i
)
7. Si A _ B P(B-A) = P(B) - P(AB)



Espacio Muestral Finito
Sea S = {s
1
, s
2
, s
3
, ...., s
N
} Espacio Muestral Finito
E
i
= {s
i
} i =1,..N Evento Elemental
E
i
= S Mutuamente excluyentes de a pares

Aplicando los axiomas se tiene
1. P(E
i
) = f
i
> 0 i =1, 2, 3, .. , N;
2. P( E
i
) = 1 E f
i
= 1
3. Como E
i
E
j
= 0 i = j P(E
i
E
j
)=P(E
i
) + P(E
j
)
N
i

N
i

Probabilidad Condicional
Sean A, B dos sucesos tal que P(B) > 0.
La probabilidad de A condicionada a la
ocurrencia de B, denotada como P(A/B) :
P(A/B) = P(AB)
P(B)
Propiedades:
1. P(A/B) > 0
2. P(O /B) = 1
3. P(A
i
/B) = E P(A
i
/B) con A
i
A
j
= C , i, j : i =j

Probabilidad Condicional
A
B
O
Centra el foco de atencin en el
hecho que se sabe que han ocurrido
el evento B

Estamos indicando que el espacio
muestral de inters se ha reducido
slo a aquellos resultados que
definen la ocurrencia del evento B

Entonces, P(A | B) mide la
probabilidad relativa de A con
respecto al espacio reducido B
Probabilidad Condicional
Se sabe que el 10% de las
piezas manufacturadas
tienen fallas visibles en la
superficie.
Se ha encontrado que el 25%
de las piezas con fallas
superficiales son
funcionalmente defectuosas
100% piezas
Manufacturadas
Por lo tanto el 90%
no tienen fallas
visibles en la
superficie.
Tambin se ha encontrado que el
5% de la piezas que no tienen
fallas superficiales son
funcionalmente defectuosas
Evento A = { pieza funcionalmente defectuosa}
B = { pieza tiene una falla visible en la superficie}

P( A dado B) = P(A | B) ?
Casos Probabilidad Condicional
A
B
Si A B = A P(A | B) = = > P(A)
P(A B )
P(B)
P(A)
P(B)
A
B
Si A B = B P(A | B) = = = 1
P(A B )
P(B)
P(B)
P(B)
A
B
Si A B = C P(A | B) = = = 0
P(A B )
P(B)
P(C)
P(B)
A
B
Si A B = C P(A | B) = =
P(A B )
P(B)
Probabilidad Total
Sean B
1
, B
2
,....,B
n
eventos mutuamente
excluyentes : P( ) = 1
Entonces
P(A) =

Consecuencia (Regla de Bayes):
P(B
i
/A) = P(A/B
i
) P(B
i
)
P(A)

n
i
i
B
1 =

=
-
n
i
i i
B P B A P
1
) ( ) / (
Probabilidad Total
B
1
B
2
B
3
B
4
AB
4
AB
3
AB
1
AB
2
B
5
Sean B
1
, B
2
,....,B
n
eventos mutuamente excluyentes

P( B
i
) = 1


Entonces P(A) = P(A | B
i
) P(B
i
)
A
Equipo
Fallado
Equipo
Manufacturado
en Planta B
2

n
i 1 =

=
n
i 1
Regla de Bayes

P (B
i
| A ) =
P (B
i
) P (A | B
i
)
P (B
i
) P (A | B
i
)
B
i
B
j
= C; i = j

B
i
= S

j
Supongamos de que se elige aleatoriamente un Equipo y se
encuentra que est fallado. cul es la probabilidad que sea
manufacturado en Planta B
3
?

Se pide P(B
3
| A); pero slo se conoce P(A B
i
), i = 1, 2, 3, .. , k

Sabemos que P(A B
i
) = P( A | B
i
) P(B
i
) = P(B
i
| A) P(A)

j
Probabilidad Multiplicativa
Ley Multiplicativa:




siempre que:



1
1
1 2
1
) / ( )....... / ( ) ( ) (

= =
=
n
i
i n i
n
i
i
A A P A A P A P A P

n
i
i
A P
1
0 ) (
=
>
El Nmero de maneras diferentes
de elegir o sacar un elemento de
del conjunto 1 que tiene n
1

elementos, luego un elemento de
un conjunto 2 que tiene n
2

elementos, ... , y finalmete un
elemto del k-simo conjunto que
tiene n
k
elemetos, en DONDE EL
ORDEN COMO SE
SELECCIONA ES IMPORTANTE
n
1*
n
2* ......*
n
k
Regla de la Multiplicacin
n
2
n
2
n
2
n
1
Ejemplo 3.1
1) Sean A,B sucesos de un mismo modelo de
probabilidad (O, 9, P) tales que:

P(B)=0,4 P(AB)=0,7 P(A/B)=0,75

Determinar:

P(A
C
) ; P(A-B) ; P(A
C
B
C
) ; P(A/B
C
)
Solucin
P(A
C
) = 1 - P(A)
P(AB) = P(A) + P(B) - P(AB)
P(AB) = P(A/B) P(B) = 0,75 * 0,4 = 0,3
P(A) = 0,7 - 0,4 + 0,3 = 0,6
P(A
C
) = 0,4

P(A-B) = P(AB
C
) = P(A) - P(AB) = 0,6 - 0,3 = 0,3

P(A
C
B
C
) = P(A
C
) + P(B
C
) - P(A
C
B
C
)
P(A
C
B
C
) = P(B
C
) - P(AB
C
) = 0,6 - 0,3 = 0,3
Luego P(A
C
B
C
) = 0,4 + 0,6 - 0,3 = 0,7

P(A/B
C
) = P(AB
C
) = 0,3 = 0,5
P(B
C
) 0,4
Ejemplo 3.2
Un procesador para computadores puede provenir de cualquiera
de tres fabricantes con probabilidades: p
1
= 0,25 ; p
2
= 0,50
; p
3
= 0,25.
Las probabilidades de que un procesador funcione
correctamente durante 10.000 horas es 0,1; 0,2 y 0,4
respectivamente para los 3 fabricantes:

i) Calcular la probabilidad de que un procesador elegido al azar
funcione durante 10.000 horas.

ii) Si el procesador funcion correctamente durante el perodo
de 10.000 horas cul es la probabilidad de que haya provenido
del 3
er
fabricante?
Solucin

i) P(C) =

= 0,1*0,25 + 0,2*0,5 + 0,4*0,25
= 0,225.

ii) P(F
3
/C) = P(C/F
3
) P(F
3
)
P(C)
= 0,4 * 0,25 = 0,444.
0,225

=
3
1
) ( ) / (
i
i i
F P F C P
Independencia Probabilstica
2. Sean {A
i
: i e I = {1,2,3,......,k}} una coleccin de eventos
de (O, , P). Se dice que los elementos son conjuntamente
independientes ssi:

P( A
i
) = P(A
i
)
| c J _ I = {1,2,3,......,k}
jeJ
[
jeJ
1. Sean A, B dos eventos del modelo probabilstico (O, , P).
A, B se dicen probabilsticamente independientes ssi:

P(AB) = P(A) P(B) P(A | B) = P(A)
P(B | A) = P(B)


Observaciones
1. Independencia probabilstica Conjunta Independencia
de a pares
2. Independencia probabilstica de a pares Independencia
probabilstica Conjunta
3. Si A, B son eventos independientes probabilsticamente.
Entonces se tiene
- A, B
C
son independientes.
- A
C
, B
C
son independientes
- A
C
, B son independientes
4. Sea (O, 2
O
, P) modelo de probabilidad.
Estudiar independencia conjunta y de a pares.



Ejemplo 3.3:
Sea (O, 2
O
, P) modelo de probabilidad.
O = { (1,0,0) (0,1,0) (0,0,1) (1,1,1) }
P({w
i
}) =
1
/
4
i = 1, 4
Sean A
1
, A
2
, A
3
eventos de (O, 2
O
, P) :
A
1
: 1
era
coord. es 1
A
2
: 2
da
coord. es 1
A
3
: 3
era
coord. es 1
Estudiar independencia conjunta y de a pares.
Independencia Probabilstica
Ejemplo 3.4 : Independencia Probabilstica
A
B
1 2
3
4
A B
1
2
3 4
5
Probabilidad de cerrar los rels 1,2,3 y 4 es p. Si todos los rels funcionan
independientemente , cul es la probabilidad que pase corriente de A a B


4 2
4 3 2 1 4 3 2 1
2 ] [ ] [ ] [ ) ( )]; ( ) [( ) ( p p R P R R P R R P E P R R R R P E P
i
= + = =
Def: Sea A un conjunto : , se llama variacin
simple o sin repeticin a todo subconjunto de n elementos
distinguindose estos entre si, en los elementos que lo
componen y en el orden en que estos elementos van
colocados

A={x
1
,x
2
,.......x
n
} V(n,2)= n(n-1) ; V(n,3)= n(n-1)(n-2)...
V(n,k)= n(n-1)(n-2)......(n-k+1)

Obs: Si las variaciones son con repeticin V
1
(n,k) = n
k


n A Card = ) (
Permutaciones
P
r
n
n
n r
=
-
!
( ) !
Nmero de maneras distintas de
sacar r elementos de lote de n
CUANDO EL ORDEN IMPORTA :
Nota: Estudiar permutaciones con
repeticin

n objetos

- - - - -
1 2 3 4 r
Combinaciones
C(n,r)
n
n r
=
-
!
r!( ) !
Combinaciones( sin repeticin):
Nmero de maneras distintas de
sacar r elementos de lote de n
CUANDO EL ORDEN NO IMPORTA

Nota : Estudiar combinaciones con
repeticin C
1
(n,r)= (n+r-1)!/ r!(n-1)!


Construccin Modelos de Probabilidad
Sea una medida en el Espacio Muestral
tal que (O) < : Longitud ; Superficie
Volumen. etc.


Entonces existe un funcin definida en IR

P : IR IR :

es una medida de Probabilidad

=
(O )
(A )

P(A )
Problema del encuentro:

Dos estudiantes acuerd [9; 10] an encontrarse en la biblioteca de la UTFSM
entre las 9 A.M. y las 10 A.M. un da lunes. El primero que llega a la
biblioteca , espera al otro 10 minutos (dentro del intervalo de tiempo
pactado). Si se supone que cada uno llega al azar en el intervalo de tiempo
convenido y que los tiempos de llegada son independientes.
Cul es la probabilidad que estos estudiantes se encuentren ?

Solucin: X(t) : Llegada del estudiante 1
Y(t) : Llegada del estudiante 2
[X(t);Y(t)] e [9; 10]x [9; 10]= [0; 60]X [0; 60]=O
A={[X(t);Y(t)] : |X(t);Y(t)|< 10}
P(A)= (A)/(O)= 11/ 36