You are on page 1of 36

PROBABILIDADES

Experimentos Aleatorios Espacio Muestral,Eventos y Sucesos Tipos de Experimentos Aleatorios Probabilidad Relaciones entre Eventos Enfoques de Probabilidad/Teoremas Básicos de Probabilidad Eventos Dependientes/Independientes Probabilidad Total/Teorema de Bayes

PROBABILIDADES
Determinísticos • Se conocen su resultados antes de realizarlo • No son de interés para la Estadística

Experimentos

No Determinísticos

• Sus resultados se conocen una vez que el experimento ha concluido • Se pueden describir los posibles resultados sin poder decir, cuál de ellos va a ocurrir

PROBABILIDADES
Determinísticos Experimentos Sus resultados se conocen con anticipación sin necesidad de realizar el experimento Sus resultados se conocen una vez que el experimento ha finalizado Se pueden describir los posibles resultados pero no se puede decir cuál de ellos ocurrirá Experimentos Aleatorios

No Determinísticos Es un proceso planificado a través del cual se obtiene una observación (o una medición) de un fenómeno Son experimentos no determinísticos cuyos resultados están regidos por el azar

PROBABILIDADES
Supóngase que se lanzan dos monedas legales al mismo tiempo y que a una cara de cada moneda se la llama “Cara” a la otra “Sol” entonces:

={CC, CS, SC, SS} Supóngase ahora que se lanza un dado legal. Entonces: ={1, 2, 3, 4, 5, 6,} Son aquellos experimentos no determinísticos cuyos resultados están regidos por la casualidad (azar) Experimentos Aleatorios

PROBABILIDADES
Retomando el caso del lanzamiento de las dos monedas, ¿hay otro posible resultado en este experimento?. O bien en el caso del lanzamiento del dado M = {CC, CS, SC, SS} M = {1, 2, 3, 4, 5, 6,} Supóngase que el lanzamiento del dado se está interesado en la ocurrencia de una cara impar A = {1,3,5} Evento Son todos los resultados que están asociados a un experimento aleatorio Es subconjunto del espacio muestral, es decir, sus resultados pertenecen al espacio muestral

Espacio Muestral

PROBABILIDADES
Espacio Muestral 2 A 1 3 5 Suceso (wi) 4 6 A= (wiεA /wi ε M Letras Mayúsculas del Alfabeto M Evento

PROBABILIDADES Tipos de Experimentos Aleatorios
Simples Experimentos Aleatorios Compuestos Unidos por la partícula “ó” (v) Los experimentos simples que lo componen ocurren de forma sucesiva M = {M1UM2U…Mi} Un solo experimento aleatorio Cuando ocurren dos o más experimentos simples al mismo tiempo o bien uno después del otro Unidos por la partícula “y” ( ∧ ) Los experimentos simples que lo componen ocurren al mismo tiempo M = {M1∩M2…Mi}

PROBABILIDADES
Simples Experimentos Aleatorios Compuestos Un solo experimento aleatorio M = {1, 2, 3, 4, 5, 6,} Cuando ocurren dos o más experimentos simples al mismo tiempo o bien uno después del otro M = {CC, CS, SC, SS}

PROBABILIDADES
Experimentos compuestos unidos por la partícula “y” El espacio muestral es el producto cartesiano de los espacios muestrales simples que lo conforman

M3 M2 M1 C S C CC SC S CS SS M1*M2 CC CS SC SS C CCC CSC SCC SSC S CCS CSS SCS SSS

PROBABILIDADES
3era Moneda 2da Moneda 1ra Moneda

C C S S C S C S C S S

CCC CCS CSC CSS SCC SCS SSC SSS

Experimentos compuestos unidos por la partícula “y” Diagrama del Árbol Diagrama de Senderos

C

M S

C

PROBABILIDADES
De acuerdo a cómo ocurren los eventos se pueden establecer algunas relaciones entre ellos tales como: A B M A B M

AUB A B M A´

AUB M A

AΠB

PROBABILIDADES
Clásico
Enfoques de Probabilidades

Probabilidad A priori. Llamada También Probabilidad de Laplace

Subjetivo

Frecuencia Relativa

Probabilidad A posteriore

PROBABILIDADES Enfoques de Probabilidad
Supuesto Probabilidad Clásica Todos los sucesos de un experimento aleatorio tienen la misma posibilidad de ocurrir, entonces:

Subjetivo

na P[ A] = M

0 ≤ P[ A] ≤1
Frecuencia Relativa Probabilidad A posteriore Si en la realización de experimento aleatorio aparece un evento A “n veces ≤ N”,entonces:

P[ A] =

n N

Principales Teoremas de Probabilidad
P[AUB] = P [A] + P [B] P[AUB] = P [A] + P [B] – P[AΠB] Teoremas Básicos de Probabilidades P[Ø] = 0 P[M] = 1

PROBABILIDADES

P Ac = 1 − P[ A]
0 ≤ P [ A] ≤ 1 / 0 ≤ P [ A] ≤ 100%

[ ]

PROBABILIDADES Eventos Dependientes
Cuando la ocurrencia de un evento está en dependencia de otro evento, se dice que éste es dependiente. Sea A y B dos eventos en el espacio muestral “M”, se dice que A es un evento dependiente de B sí;

P [ A] = P A ; P[ B ] ≠ 0 B
PA

[ ]

o bien:

P [ B ] = P B ; P[ A] ≠ 0 A

[ ]

A [ B] = P[P[∩]B] = P[ A]; P[ B] ≠ 0 B

PB

B [ A] = P[P[∩] A] = P[ B]; P[ A] ≠ 0 A

Estas probabilidades se pueden calcular de dos formas: • Respecto al espacio muestral original • Respecto al espacio muestral del evento condicionante

PROBABILIDADES
En una institución de Educación Superior se tiene 300 docentes, de los cuales 100 son casados y 30 divorciados. En dicha institución hay 200 hombres, 85 de los cuales son casados y 95 son solteros. Determinar cual es la probabilidad de seleccionar un docente al azar: a. Que sea mujer b. Que sea soltero (a) c. Que sea un hombre y esté casado (a) d. Que sea una mujer divorciada e. Dado que el docente es casado (a), ¿cuál es la probabilidad que sea hombre? f. Si el docente seleccionado es hombre, ¿cuál es la probabilidad que sea casado?

PROBABILIDADES
En una universidad el 70% de los estudiantes son de Ciencias, 30% de Letras. De los estudiantes de Ciencias el 60% son varones y los de Letras son varones el 40%. Si se elige al azar un estudiante, calcule la probabilidad que: a. Sea mujer b. Se estudiante varón dado si es de Ciencias c. Sea estudiante de Ciencias dado que es varón d. Sea estudiante de Ciencias y varón.

PROBABILIDADES Eventos Independientes
Cuando la ocurrencia de un evento no está en dependencia de la ocurrencia de otro evento, se dice que éstos son independientes. Sea A y B dos eventos en el espacio muestral “M”, se dice que A es un evento independiente de B sí se cumple con cualquiera de las siguientes condiciones:
PA A [ B] = P[P[∩]B] = P[ A]; P[ B] ≠ 0 B

PB

B [ A] = P[P[∩] A] = P[ B]; P[ A] ≠ 0 A

P[ A ∩ B ] = P[ A] * P[ B ]

PROBABILIDADES Probabilidad Total
Sea A1, A2, …, Ak, eventos que forman una partición del espacio muestral M y sea B, un evento en M. Si las probabilidades P[A1], P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak] son probabilidades conocidas entonces:
P[ B ] = P[ A1] P[ B / A1] + P[ A2]P[ B / A2] + ...P[ Ak ]P[ B / Ak ]

Probabilidad Total

P[ B ] = ∑ 1 P[ Ak ]P[ B / Ak ] i=
k

PROBABILIDADES Teorema de Bayes
Sea A1, A2, …, Ak, eventos que forman una partición del espacio muestral M y sea B, un evento en M. Si las probabilidades P[A1], P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak]. Si B ya ha ocurrido y se está interesado en saber a cual de los eventos que forman la partición muestral se ha debido su ocurrencia, entonces se usa el denominado Teorema de Bayes
P[ Ak ] P B

P Ak

[

Ak = k B ∑i =1 P[ Ak ] P B Ak

]

[

[

]

]

VARIABLE ALEATORIA
Suponga que el siguiente experimento consiste en el lanzamiento de tres monedas al mismo tiempo y suponga que se define la variable X como número de soles en el experimento
M = {CCC, CCS, CSC, SCC, SSC, SCS, CSS, SSS} 0 1 2 3

X = Número de soles ¿Es X una variable? { 0, 1, 2, 3} Sí

VARIABLE ALEATORIA
Variable Aleatoria es una función que asigna valores reales a cada uno de los resultados de un experimento aleatorio Domino de X = Es el espacio muestral Rango de X = Los Números Reales
Variables Aleatoria Discretas Tipos de Variables Aleatoria Variables Aleatoria Continuas

VARIABLE ALEATORIA
Variables Aleatoria Discreta
Función de Distribución de Probabilidades o Cuantía Rango de X P[X = x] x1 p(x1) x2 p(x2) x3 p(x3) … xk … p(xk) X, p(x) Vx rango X

∑ 1

Condiciones de la Función de Distribución o Cuantía

∑p[X = x] = 1 p(xk) ≥ 0

VARIABLE ALEATORIA
Variables Aleatoria Continua No se puede establecer una correspondencia entre el valor que toma la variable y una probabilidad asociada al mismo ya que la VAC, puede tomar cualquier valor dentro del intervalo donde se define Ecuación llamada Función de Densidad

Condiciones de la Función de Densidad

VARIABLE ALEATORIA Esperanza Matemática
“M” son todos los resultados posibles que están asociados a un experimento aleatorio Población Dom X = M

Parámetros

Todos los valores que puede tomar una variable aleatoria

Esperanza Matemática ε(x) = µx Varianza Var(x) = σ²x

VARIABLE ALEATORIA
Discreta

Esperanza Matemática

Tipo de V.A

Es el promedio que toma la V.A en el rango donde se define Continua

VARIABLE ALEATORIA
ε(x) = µ ε(ax) = aε(x) ε(ax + b) = ε(ax) + b

Propiedades de la Esperanza Matemática

VARIABLE ALEATORIA Varianza
Discreta

Varianza

Tipo de V.A

Continua

VARIABLE ALEATORIA
Var(X)= σ²X

Propiedades Varianza

de

la

Var(X) = σ²X ≥ 0 Var (aX)= a²Var(X) Var(aX + b) = a²Var(X)

MODELOS PROBABILISTICOS
Si el comportamiento de una V.A puede ser simulado ya sea de forma aproximada o total , se dice que se tiene un modelo probabilístico

Modelos Probabilístico Discretos

Modelos Probabilístico

Tipo de V. A Modelos Probabilístico Continuos

MODELOS PROBABILISTICOS DISCRETOS
Dn Uniforme Discreta Dn Binomial Puntual o Bernoulli

Modelos Probabilístico Discretos

Dn Binomial Dn de Poisson Dn Multinomial Dn Hipergeométrica Dn Hipergeométrica Generalizada Otras

MODELOS PROBABILISTICOS DISCRETOS
Dn Binomial Puntual o Bernoulli Dn Binomial Dn de Poisson

Dn Hipergeométrica

MODELOS PROBABILISTICOS CONTINUOS
Dn Uniforme Continua Y

a

<

b

X

MODELOS PROBABILISTICOS CONTINUOS
Dn Normal
Si un experimento Binomial bien definido, se repite un gran número de veces, el histograma de probabilidades forma una curva en forma de campana llamada curva Normal o Campana de Gauss

σ

Simétrica Promedio = Mediana = Moda Es asintótica al eje de las X Es mesocúrtica Se le llama ley Normal de los Errores. Errores pequeños tienen una alta probabilidad de ocurrencia, errores grandes baja

MODELOS PROBABILISTICOS CONTINUOS
Dn Normal Estándar o Dn “Z”
Debido a lo tedioso de la función de densidad de la Dn Normal, en su lugar se utiliza otra Dn que permite el uso de tablas previamente determinada evitando así, el proceso de integración de la f(x) de la Dn Normal. Esta Dn es llamada Dn Normal Estándar o Dn “Z” Si X~N(µ, σ²), entonces X se puede someter a un proceso de estandarización dando origen a una variable “Z” de la siguiente forma:

MODELOS PROBABILISTICOS CONTINUOS
Dn Normal Estándar o Dn “Z” Uso de Tablas
Las Tablas de Dn Normal Estándar permiten resolver dos tipos de problemas:

Determinar el área bajo la curva una vez obtenido el valor estándar de X Dada un área bajo la curva, determinar el valor “z” a que corresponde