Probabilidad y Estad stica Agenda - Inicio · Probabilidad y Estad stica Propedeutico, Maestr a en...
Transcript of Probabilidad y Estad stica Agenda - Inicio · Probabilidad y Estad stica Propedeutico, Maestr a en...
Probabilidad y EstadısticaPropedeutico, Maestrıa en Ingenierıa iIndustrial
M. en C. Juan Carlos Gutierrez Matus
Instituto Politecnico NacionalUnidad Profesional Interdisciplinaria de Ingenierıa y Ciencias Sociales y
AdministrativasSeccion de Estudios de Posgrado e Investigacion
Otono 2013
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 1/154
Agenda
1 Estadıstica Descriptiva
2 Teorıa de Probabilidad
3 Probabilidad Clasica
4 Probabilidad Condicional eIndependencia
5 Variables Aleatorias Discretas
6 Variables AleatoriasContinuas
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 2/154
Estadıstica Descriptiva
Agenda
1 Estadıstica DescriptivaDefinicionesDescripcion TabularDescripcion NumericaDescripcion Grafica
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 3/154
Estadıstica Descriptiva Definiciones
¿Que es la estadıstica descriptiva?
Definicion
La estadıstica descriptiva es la rama de la estadıstica dedicada ala descripcion, sıntesis y analisis de una muestra a traves degraficos y parametros numericos, sin pretender generalizar lasconclusiones a la poblacion o a otras muestras.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 4/154
Estadıstica Descriptiva Definiciones
Conceptos clave
Poblacion
Llamamos poblacion a un conjunto bien definido de elementosque son objetos de estudio. Puede ser finita o infinita.
Individuo
Tambien llamada unidad estadıstica, se refiere a cada uno de loselementos de una poblacion.
Muestra
Una muestra es un subconjunto de individuos de una poblacion.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 5/154
Estadıstica Descriptiva Definiciones
Conceptos clave
Variables
Una variable es una caracterıstica o atributo a estudiar de unapoblacion y que puede cambiar de uno individuo a otro. Puedenser cualitativas o cuantitativas.
Dato
Un dato es una medicion o valor especıfico que una variable tomasobre un individuo en particular.
Observacion
Consideramos una observacion al valor de todas las variables deun individuo.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 6/154
Estadıstica Descriptiva Definiciones
Variables
Variable cualitativa
Tambien llamado atributo, ubica a cada individuo dentro de unacategorıa. Por lo regular se denotan con las primeras mayusculasdel abecedario (A,B,C, . . .).
Variable cuantitativa
Tambien llamada variable estadıstica, asigna un numero real acada individuo; denotandose con las ultimas letras mayusculas delabecedario (. . . , X, Y, Z).
Las variables cuantitativas pueden ser discretas o continuasdependiendo de la naturaleza de los numeros asignables.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 7/154
Estadıstica Descriptiva Definiciones
Variables cuantitativas
Cuantitativas discretas
Cuando no admiten siempre una modalidad intermedia entre doscualesquiera de sus modalidades. Esto hace que la cantidad devalores que se le puedan asignar a un individuo sea finita ocontablemente infinita.
Cuantitativas continuas
Continuas, cuando admiten una modalidad intermedia entre doscualesquiera de sus modalidades. Esto hace que la cantidad devalores que se le puedan asignar a un individuo seaincontablemente infinita.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 8/154
Estadıstica Descriptiva Definiciones
Ejemplos
Continuas
Tiempo de espera dellamada entrante.
Temperatura media/hr
Minuto para subir alavion.
Cantidad de gasolina en eltanque.
Anchura del chip.
Costo unitario.
Discretas
Numero de llamadas queesperan mas 30s.
Horas con temp > 18oC.
Retrasos al abordar elavion
Tanque vacıo/lleno.
Chips, cumplimiento deespecificaciones.
Uds cuyo costo > plan.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 9/154
Estadıstica Descriptiva Definiciones
Continuas vs discretas
Preferible registrar continuas; ya que proporcionan masinformacion sobre la verdadera variacion del proceso.
Las continuas se pueden convertir a discretas.
Discretas son mas faciles de recolectar e interpretar, pero masprobable que se pierda informacion relevante.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 10/154
Estadıstica Descriptiva Descripcion Tabular
Frecuencias
Definicion (Frecuencia)
La frecuencia es el numero de veces que se repite un dato dentrode una muestra.
Consideremos una muestra de n individuos cuyos datos serefieren a las observaciones de la variable X, la cual puedetomar p valores o clases diferentes denotados porx1, x2, x3, . . . , xp.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 11/154
Estadıstica Descriptiva Descripcion Tabular
Clasificacion frecuencias
La frecuencia absoluta (ni) sera el numero de individuoscuya observacion presenta el valor correspondiente xi.
La frecuencia relativa (fi) es simplemente la fraccioncorrespondiente de individuos que presentan el valor xi.
fi =nin
i = 1, 2, 3, . . . , p
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 12/154
Estadıstica Descriptiva Descripcion Tabular
Frecuencias acumuladas
Frecuencia absoluta acumulada Ni, es el numero deindividuos de la muestra cuyo valor o clases es inferior oequivalente a xi:
Ni = n1 + n2 + ...+ ni =i∑
j=1
nj
Frecuencia relativa acumulada , Fi, es la proporcion deindividuos de la muestra que estan en alguna clase inferior oigual a xi.
Fi =
i∑j=1
fj
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 13/154
Estadıstica Descriptiva Descripcion Tabular
Distribucion de frecuencias
Los posibles valores que puede tomar una variable junto consus respectivas frecuencias se le denomina distribucion defrecuencias de una variable.
Dicha distribucion puede presentarse en forma tabular paraorganizar y resumir la informacion contenida en un conjuntode datos.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 14/154
Estadıstica Descriptiva Descripcion Tabular
Representacion tabular
Valor de la Frecuencia Frecuencia Frec. absoluta Frec. relativavariable absoluta relativa acumulada acumulada
x1 n1 f1 N1 F1
x2 n2 f2 N2 F2
......
......
...xk nk fk Nk = n Fk = 1
n 1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 15/154
Estadıstica Descriptiva Descripcion Tabular
Clases o intervalos
Cuando se trata de una variable cuantitativa discreta y elnumero de valores es muy grande o en el caso de una variablecontinua, es conveniente trabajar con datos agrupados.
Entonces, una clase sera cada intervalo en que se agrupan losdatos.
Para ello se definira un lımite inferior LI y uno superior LS declase.
La marca de clase es el punto medio del intervalo
mi =LS − LI
2
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 16/154
Estadıstica Descriptiva Descripcion Tabular
Representacion tabular
Clase o Marca de Frecuencia Frecuencia Frec. absoluta Frec. relativaintervalo clase absoluta relativa acumulada acumulada(L0, L1] m1 n1 f1 N1 F1
(L1, L2] m2 n2 f2 N2 F2
......
......
......
(Lk−1, Lk] mk nk fk Nk = n Fk = 1n 1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 17/154
Estadıstica Descriptiva Descripcion Numerica
Descripcion Numerica
Tendencia Central
MediaMedianaModa
Posicion
CuartilesPercentiles
Dispersion
RangoVarianzaDesviacion EstandarCoeficiente de VariacionRango Intercuartılico
Forma
SesgoCurtosis
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 18/154
Estadıstica Descriptiva Descripcion Numerica
Media Muestral
Es la medida de tendencia central mas comun y util.
La media de la muestra x es simplemente el promedio delvalor de las observaciones x1, x2, . . . , xn que pertenecen a lamuestra.
x =1
n
n∑i=1
xi
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 19/154
Estadıstica Descriptiva Descripcion Numerica
Mediana
Es otra medida, cuyo proposito es el reflejar la tendenciacentral de la muestra sin que intervengan los valores extremos.
La palabra mediana es sinonimo de “medio”, ası la medianade la muestra es el observacion de en medio.
Si x(1), x(2), . . . , x(n) representan las observacionesacomodadas en orden creciente , entonces la mediana de lamuestra es
x =
X(n+1
2) si n es impar.
X(n2 )+X(n2 +1)
2 si n es par.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 20/154
Estadıstica Descriptiva Descripcion Numerica
Medias Generalizadas
En funcion del tipo de problema varias generalizaciones de lamedia pueden ser consideradas.
Media geometrica.
xg = n√x1 × x2 × · · · × xn
Media armonica.xa =
nn∑i=1
1
xi
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 21/154
Estadıstica Descriptiva Descripcion Numerica
Moda
Es el valor con mayor frecuencia.
Si hay mas de una, la variable se dice multimodal y puedecalcularse para cualquier tipo de variable.
Si los datos estan agrupados hablamos de clase modal y seraaquella para la que el cociente frecuencia relativa divididoentre amplitud (fi/ci) es mayor.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 22/154
Estadıstica Descriptiva Descripcion Numerica
Cuartiles
Dividen a la muestra ordenada en 4 partes.
Q1: es el primer cuartil, representa el valor que al menosel 25% de los datos son menores o iguales que el y almenos el 75% de los datos son mayores o iguales queel.
Q2: es el segundo cuartil igual a la mediana.
Q3: es el tercer cuartil, representa el valor que al menos el75% de los datos son menores o iguales que el y almenos el 25% de los datos son mayores o iguales queel.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 23/154
Estadıstica Descriptiva Descripcion Numerica
Percentiles
Dividen la muestra ordenada en 100 partes.
Dado k = k ∈ N|1 ≤ k ≤ 99.Entonces el k-esimo percentil Pk es un valor tal que al menosel k% de los datos son menores o iguales que el.
Para calcular el percentil Pk, buscamos en la columna de lasfrecuencias relativas acumuladas el primer valor mayor o igualque k/100.
¿Cual es la relacion entre percentiles y cuartiles?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 24/154
Estadıstica Descriptiva Descripcion Numerica
Rango y rango intercuartılico
El rango, tambien llamado recorrido, es la diferencia entre laobservacion mas grande y la mas pequena.
Rango = x(n) − x(1)
El rango intercuartılico es la diferencia entre el tercer yprimer cuartil, representa el rango del 50% de los datoscentrales.
RIC = Q3 −Q1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 25/154
Estadıstica Descriptiva Descripcion Numerica
Varianza
La dispersion de las observaciones se mide a traves de lavarianza muestral. Es denotada por s2 y esta dada por
s2 =1
n− 1
n∑i=1
(xi − x)2
El unico problema con la varianza, es que arroja unidadescuadradas.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 26/154
Estadıstica Descriptiva Descripcion Numerica
Desviacion estandar
Por lo cual en muchas ocasiones es mas significativo elcalcular la desviacion estandar de la muestra, que simplementees la raız cuadrada de la varianza.
Es denotada por la letra s y esta dada por
s =
√∑ni=1(xi − x)2
n− 1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 27/154
Estadıstica Descriptiva Descripcion Numerica
Coeficiente de Variacion
Cuando deseamos comparar dos muestras, en ocasiones nocoinciden las unidades en que se efectuaron las observaciones.
En otros casos las unidades son las mismas pero la diferenciade medias muestrales es muy grande y la comparacion de ladispersion no es proporcional.
En dichos casos el coeficiente de variacion permite eliminala dimensionalidad de las variables y tiene en cuenta laproporcion existente entre medias y desviacion estandar.
CV =s
|x|
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 28/154
Estadıstica Descriptiva Descripcion Numerica
Sesgo
El sesgo mide el grado de asimetrıa de la distribucion defrecuencias de una variable.
Tambien se conoce como coeficiente de asimetrıa.
Se basa en el tercer y segundo momento central
m3 =1
n
n∑i=1
(x− x)3
m2 =1
n
n∑i=1
(x− x)2
Se determina como:g1 =
m3
m3/22
Si el conjunto de datos es simetrico tiene un sesgo igual acero cero.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 29/154
Estadıstica Descriptiva Descripcion Numerica
Curtosis
La curtosis es una medida de lo “picudo” (concentrada entorno a la media) de la distribucion de frecuencias de unavariable.
Se basa en el cuarto y segundo momento central, y sedetermina como:
g2 =m4
m22
− 3 =1n
∑ni=1(xi − x)4(
1n
∑ni=1(xi − x)2
)2 − 3
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 30/154
Estadıstica Descriptiva Descripcion Numerica
Curtosis
Laplace, 3.0
Secante hiperbolica, 2.0
Logıstica, 1.2
Normal, 0.0
Coseno cuadrado, -0.6
Wigner semicircle, -1.0
Uniforme, -1.2
-5 -4 -3 -2 -1 0 1 2 3 4 5
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 31/154
Estadıstica Descriptiva Descripcion Grafica
Descripcion Grafica
“The greatest value of a picture is when it forces usto notice what we never expected to see.”
Tuckey 1977
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 32/154
Estadıstica Descriptiva Descripcion Grafica
¿Para que y Porque?
Organizar los datos
Observar patrones
Observar agrupamientos
Observar relaciones
Comparar distribuciones
Visualizar rapidamente la distribucion de los datos
Visualizar, obtener y comparar medidas estadısticas
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 33/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de barras
Se usa tanto para variables cualitativas como para variablesdiscretas no agrupadas por intervalos.
En un eje colocamos las modalidades (si es cualitativa) o losvalores (si es discreta).
Sobre cada uno de estos valores se levanta una barra (orectangulo) de igual base, cuya altura sea proporcional a lafrecuencia.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 34/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de barrasCausas vs Numero de Muerte
14000
12000
10000
8000
6000
4000
2000
0
Accide
ntes
Homici
dios
Suicidi
os
Cance
r
E. Card
iacas
E. Res
pirato
rias
D. Con
génit
osSID
A
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 35/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de sectores
Se divide un cırculo en tantasporciones como clases existan, demodo que a cada clase lecorresponde un arco de cırculoproporcional a su frecuenciaabsoluta o relativa.
El arco de cada porcion se calcula.
arcoi =360o × ni
n
Acidentes
Suicidios
Cancer
E_Cardio
E_Respir
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 36/154
Estadıstica Descriptiva Descripcion Grafica
Histograma
Es la representacion grafica de la distribucion de frecuenciasde variables cuantitativas cuyos datos han sido agrupados.
Sobre el eje de las abscisas se marcan los lımites de intervaloso clases.
Se levanta para cada clase, un rectangulo que tiene como basela amplitud del intervalo.
La altura de los rectangulos debe ser proporcional a lafrecuencia absoluta o relativa del intervalo correspondiente.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 37/154
Estadıstica Descriptiva Descripcion Grafica
Histograma
0 2 4 6 8 10 12 14
05
1015
2025
30
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 38/154
Estadıstica Descriptiva Descripcion Grafica
Polıgonos de frecuencia
A partir de un histogramase une la parte superior delas barras en la marca declase.
0 5 10 15
05
1015
2025
30
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 39/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de tallo y hoja
Parecido al histograma pero es capaz mantener parte de lainformacion sobre las observaciones.
Suponga que tenemos un conjunto de datos x1, x2, . . . , xn ycada xi tiene al menos dos dıgitos:
1 Seleccionar dıgitos iniciales para el tallo.2 Enlistar los valores de tallo en una columna.3 Registrar la hoja por cada observacion junto a su valor
correspondiente de tallo.4 Indicar las unidades.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 40/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de tallo y hoja
23 62 91 83 82 64 73 94 94 5267 11 87 99 37 62 40 33 80 8399 90 18 73 68 75 75 90 36 55
1 18
2 3
3 367
4 0
5 25
6 22478
7 3355
8 02337
9 0014499
tallo: decenashoja: unidades
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 41/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de caja
Este resumen grafico describe varias de las mas destacadascaracterısticas de un conjunto de datos, tales como:
centrodispersionnaturaleza y magnitud los sesgosidentificacion de puntos inusuales
Para evitar el efecto de puntos inusuales este diagrama estabasado en una medida de dispersion llamada rangointercuartılico
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 42/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de caja
1 Dibujar eje.
2 Marcar una caja de Q1 a Q3.
3 Dividir la caja en la mediana.
4 Marcar lineas desde los extremos de la caja, hasta laobservacion que este a un maximo de 1.5RIC de la caja.
5 Dibujar un circulo abierto para identificar cada observacionque caiga entre 1.5RIC y 3RIC, estos seran puntos inusualessuaves.
6 Dibujar un circulo relleno para identificar cada observacionque caiga a mas de 3RIC, puntos inusuales extremos.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 43/154
Estadıstica Descriptiva Descripcion Grafica
Diagrama de caja
Ejercicio
Construya el diagrama de caja para el siguiente conjunto dedatos.
2.68 3.06 4.31 4.715.71 5.99 6.06 7.047.17 7.46 7.50 8.278.42 8.73 8.84 9.149.19 9.21 9.39 11.28
15.19 21.06
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 44/154
Teorıa de Probabilidad
Agenda
2 Teorıa de ProbabilidadConceptos BasicosAlgebra de EventosAxiomatizacion de la Probabilidad
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 45/154
Teorıa de Probabilidad Conceptos Basicos
Probabilidad
La probabilidad proporciona una descripcion matematica de loaleatorio.
Un fenomeno aleatorio puede ser descrito matematicamente atraves de sus patrones a largo plazo.
La teorıa de probabilidad abarca el estudio y desarrollo demetodologıas para describir las variaciones aleatorias en unsistema.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 46/154
Teorıa de Probabilidad Conceptos Basicos
Modelos matematicos
Un modelo es una representacion simbolica de un fenomenoobservable, desarrollado con el fin de estudiarlo mejor.
Modelos Determinısticos
En los que se pueden manipular los factores que intervienen en suestudio con el proposito de predecir sus resultados.
Modelos Probabilısticos
En los cuales hay incertidumbre en los factores involucrados.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 47/154
Teorıa de Probabilidad Conceptos Basicos
Modelos Probabilısticos
La demando de un bien o servicio para el proximo ano.
Micos seleccionando acciones aleatoriamente en el mercado devalores, pudieron rebasar el rendimiento de la mayorıa de losanalistas el ano pasado.
Si hay 23 personas en el salon, ¿cual es la probabilidad de quehaya al menos una coincidencia en sus cumpeanos? y ¿si hay50?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 48/154
Teorıa de Probabilidad Conceptos Basicos
Experimento Aleatorio
Definicion
Un experimento aleatorio es aquel cuyo resultado es revelado soloal termino del experimento, dado que este no se puede predecir.
Es un concepto fundamental en la teorıa de probabilidad.
La teorıa de probabilidad estriba en generar los medios queproporcionen la probabilidad de cualquier resultado, o de unconjunto de resultados.
La teorıa de probabilidad es una herramienta para explicar losfenomenos aleatorios en la naturaleza.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 49/154
Teorıa de Probabilidad Conceptos Basicos
Espacio Muestral
Definicion
El espacio muestral (Ω) asociado a un experimento aleatorio, es elconjunto exhaustivo de todos los posibles resultados de dichoexperimento.
Ejemplo
Si el experimentos aleatorio consiste en lanzar un dado; entoncessu espacio muestral es
Ω = 1, 2, 3, 4, 5, 6
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 50/154
Teorıa de Probabilidad Conceptos Basicos
Espacio Muestral
Ejemplo (continuacion)
Otro espacio muestral para el experimento anterior del dado, puedeser
Ω′ = par, non
Ambos describen todos los posibles resultados delexperimento.
Por ello, podemos afirmar que el espacio muestral de unexperimento aleatorio no tiene que ser unico.
Dependera tanto de la naturaleza del experimento, como delas caracterısticas que nos interese conocer de su resultado.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 51/154
Teorıa de Probabilidad Conceptos Basicos
Puntos Muestrales
Definicion
Un punto muestral (ω) es cada resultado completo de unexperimento aleatorio bajo las consideraciones establecidas.Tambien llamado resultado elemental o evento simple.
Ejemplo
Si el experimento consiste en lanzar tres monedas
Ω = aaa, aas, asa, saa, ssa, sas, ass, sss
este Ω posee ocho puntos muestrales ω1, ω2, . . . , ω8; pero si nosinteresa el numero de aguilas que aparecen, etonces
Ω′ = 3, 2, 1, 0 = ω1, ω2, ω3, ω4
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 52/154
Teorıa de Probabilidad Conceptos Basicos
Eventos
Definicion
Un evento es un conjunto de posibles resultados, esto es, cualquiersubconjunto del espacio muestral Ω.
Son denotados por letras mayusculas A,B, . . .
Para denotar que un punto muestral pertenece a un evento:ω ∈ A.
Ejemplo
Para el experimento de lanzar un dado, definimos un evento Acomo “un numero par ocurre” entonces
A = 2, 4, 6
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 53/154
Teorıa de Probabilidad Conceptos Basicos
Eventos
Evento por Extension: Es una forma de definir un evento; alenlistar los puntos muestrales que cubre.
A = −3,+3
Evento por Compresion: Otra forma de definir un evento, es elenunciar las propiedades de los resultados contenidos.
A = ω ∈ R|ω2 = 9
Evento Imposible: Tambien llamdo evento vacıo ya que nocontiene ningun punto muestral, es cuando ningunresultado sucede y es denotado por el sımbolo ∅.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 54/154
Teorıa de Probabilidad Conceptos Basicos
Ejercicio
Un ingeniero electrico tiene en su mano dos cajas deresistores, cada una con cuatro de estos. Los resistores de laprimera caja estan etiquetados con 10 ohms, pero, de hecho,sus resistencias son de 9, 10, 11 y 12 ohms. Los resistores dela segunda caja tienen la etiqueta de 20 ohms, pero susresistencias son de 18, 19, 20 y 21 ohms. El ingeniero elige unresistor de cada caja y determina la resistencia de cada uno.
Sea A el evento para el cual el primer resistor tiene unaresistencia mayor a 10, sea B el evento en el que el segundoresistor tiene una resistencia menor a 19 y sea C el evento enel cual la suma de las resistencias es igual a 28. Determine unespacio muestral para este experimento y especifique lossubconjuntos que corresponden a los eventos A, B y C.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 55/154
Teorıa de Probabilidad Algebra de Eventos
Algebra de Eventos
Ya que un evento es un conjunto de resultados, nosapoyaremos en la Teorıa de Conjuntos para describir elcomportamiento de los eventos.
El concepto de conjunto es usado como evento.
El de conjunto universal es analogo al de espacio muestral.
Existen conjuntos comunes que recordaremos:
R : el conjunto de numeros reales, o lo que es lo mismo(−∞,∞).
Z : el conjunto de todos los numeros enteros.
N : el conjunto de los numeros enteros positivos.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 56/154
Teorıa de Probabilidad Algebra de Eventos
Cardinalidad de un Evento
Definicion
La cardinalidad de un evento es el numero puntos muestrales queposee dicho evento. Es denotada por |A|.
Con base en su cardinalidad los eventos pueden ser clasificados enfinitos e infinitos; y estos ultimos a su vez en numerables einnumerables.
Ejemplos
Finito: A = 6, 7, 8, 10Numerablemente infinito: B = 2, 4, 6, . . .
Innumerablemente infinito: C = ω ∈ R : 1 < ω ≤ 2
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 57/154
Teorıa de Probabilidad Algebra de Eventos
Subevento
Definicion
Para dos eventos A y B en Ω, si cada punto muestral quepertenece al evento A tambien pertenece a B, entonces podemosdecir que A es un subevento de B.
A
B
Ω
Nota: ∅ ⊆ A; A ⊆ Ω; A ⊆ A
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 58/154
Teorıa de Probabilidad Algebra de Eventos
Complemento
Definicion
El complemento de A con respecto a Ω es es el conjunto detodos los puntos muestrales, que no pertenecen al evento A. Sedenota como A, o tambien (A)c.
A B
ΩA = ω|ω 6∈ A
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 59/154
Teorıa de Probabilidad Algebra de Eventos
Union
Definicion
La union de los eventos A y B esta formada por todos los puntosmuestrales que pertenecen ya sea al evento A o al evento B o aambos eventos.
A B
Ω
A ∪B = ω|ω ∈ A ∨ ω ∈ B
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 60/154
Teorıa de Probabilidad Algebra de Eventos
Interseccion
Definicion
La interseccion de los eventos A y B es el evento formado portodos puntos muestrales que pertenecen al evento A y al mismotiempo pertenecen al evento B.
A B
Ω
A ∩B = ω|ω ∈ A ∧ ω ∈ B
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 61/154
Teorıa de Probabilidad Algebra de Eventos
Mutuamente Excluyentes
Definicion
Si A ∩B = ∅, entonces A y B son eventos mutuamenteexcluyentes. Esto es, que no existe punto muestral alguno quehaga que sucedan ambos eventos al mismo tiempo.
A B
Ω
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 62/154
Teorıa de Probabilidad Algebra de Eventos
Diferencia
Definicion
La diferencia del evento A menos el evento B, son todos lospuntos que pertenecen al evento A y no al B.
A B
Ω
A−B = A ∩B
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 63/154
Teorıa de Probabilidad Algebra de Eventos
Diferencia Simetrica
Definicion
La diferencia simetrica o XOR, esta formada por los puntosmuestrales que pertenecen exclusivamente a uno de los eventos.
A B
Ω
A4B ≡ (A ∩ B) ∪ (B ∩ A) = (A ∪B) ∩ (A ∩B)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 64/154
Teorıa de Probabilidad Algebra de Eventos
Leyes del Algebra de Eventos
Complemento
A ∪A = Ω; A ∩A = ∅; A = A; Ω = ∅; ∅ = Ω
DeMorgan
A ∪B = A ∩B; A ∩B = A ∪B
Conmutativas
A ∪B = B ∪A; A ∩B = B ∩A
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 65/154
Teorıa de Probabilidad Algebra de Eventos
Leyes del Algebra de Eventos
Asociativas
A ∪ (B ∪ C) = (A ∪B) ∪ C
A ∩ (B ∩ C) = (A ∩B) ∩ C
Distributivas
A ∪ (B ∩ C) = (A ∪B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩B) ∪ (A ∩ C)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 66/154
Teorıa de Probabilidad Axiomatizacion de la Probabilidad
Axiomas de Probabilidad I
Ley de Probabilidad
Para cada evento A del espacio muestral Ω, asociamos un numeroP(A), llamado probabilidad de A, satisfaciendo los siguientesaxiomas.
Axioma 1: No negatividad
Para todo evento A del Ω su probabilidad es no negativa.P(A) ≥ 0
Axioma 2: Normalizacion
La probabilidad de todo el espacio muestral Ω es igual a uno.P(Ω) = 1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 67/154
Teorıa de Probabilidad Axiomatizacion de la Probabilidad
Axiomas de Probabilidad II
Axioma 3: Aditividad
Si A y B son eventos mutuamente excluyentes entonces, laprobabildiad de su union esta dada por
P(A ∪B) = P(A) + P(B)
Generalizando, para una sucesion de eventos mutuamenteexcluyentes A1, A2, A3, . . . , entonces
P
( ∞⋃i=1
Ai
)=∞∑i=1
P(Ai)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 68/154
Teorıa de Probabilidad Axiomatizacion de la Probabilidad
Axiomas de Probabilidad III
Ejemplo: Axioma 3
Del experimento aleatorio de lanzar repetidamente una monedahasta que aparezca la primera aguila .
Ω = a, sa, ssa, sssa, . . .
Se definen los eventos mutuamente excluyentes.
A1 = a, A2 = sa, A3 = ssa, . . .
Entonces:
1 = P(Ω) = P
( ∞⋃i=1
Ai
)=∞∑i=1
P(Ai)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 69/154
Teorıa de Probabilidad Axiomatizacion de la Probabilidad
Teoremas de Probabilidad I
Teorema 1
Para el evento vacıo la probabilidad es nulaP(∅) = 0
Teorema 2
Para el complemento de un eventoP(A) = 1− P(A)
Teorema 3
Para cualquier evento A y evento B del ΩP(A ∪B) = P(A) + P(B)− P(A ∩B)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 70/154
Teorıa de Probabilidad Axiomatizacion de la Probabilidad
Teoremas de Probabilidad II
Teorema 4
Para tres eventos cualesquiera A, B y C de un mismo ΩP(A ∪B ∪ C) = P(A) + P(B) + P(C)
−P(A ∩B)− P(A ∩ C)− P(B ∩ C)+P(A ∩B ∩ C)
Teorema 5
A ⊆ B ⇒ P(A) ≤ P(B)
Teorema 6
Para dos eventos cualesquiera de un mismo ΩP(A ∩B) = P(A)− P(A ∩B)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 71/154
Teorıa de Probabilidad Axiomatizacion de la Probabilidad
Ejercicio
La probabilidad de que un microcircuito este defectuoso es 0.08.¿Cual es la probabilidad de que no presente defectos?
Ejercicio
Sesenta por ciento de las grandes compras hechas a un vendedorde computadoras son PC, 30% son portatiles y 10% sonaccesorios, como impresoras. Como parte de una auditorıa, se eligeuna muestra aleatoria del registro de una compra.
¿Cual es la probabilidad de que se trate de una computadorapersonal?
¿Cual es la probabilidad de que se trate de una computadorapersonal o de una portatil?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 72/154
Probabilidad Clasica
Agenda
3 Probabilidad ClasicaConceptos BasicosRegla de la MultiplicacionPermutacionesCombinacionesRegla de la Adicion
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 73/154
Probabilidad Clasica Conceptos Basicos
Probabilidad Discreta
Ley de Probabilidad Discreta
Suponga que Ω es un espacio muestral finito, donde:
Ω = ω1, ω2, ω3, . . . , ωn
Sea A un evento consistente de r(< n) resultados, siendo
A = ωi1, ωi2, . . . , ωir
Entonces.
P(A) =r∑j=1
P(ωij)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 74/154
Probabilidad Clasica Conceptos Basicos
Probabilidad Discreta
Ejemplo
Si se tienen dos cartas rojas, una azul y una amarilla, y seselecciona una carta de forma aleatoria.
Ω = rojo, azul, amarillo = ω1, ω2, ω3
P(ω1) =1
2; P(ω2) =
1
4; P(ω3) =
1
4
P(rojo o amarillo) = P(ω1) + P(ω3) =3
4
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 75/154
Probabilidad Clasica Conceptos Basicos
Espacio Muestral Simple (EMS)
Definicion
Un EMS es un espacio muestral finito en el cual todos lospuntos muestrales (resultados) son equiprobables (igualmenteprobables).
Ejemplo
Para un experimento aleatorio que consiste en lanzar dosmonedas:
Ω = ss, sa, as, aa es un EMS.
Ω′ = 0, 1, 2 (no. de agilas) no es un EMS. ¿Por que?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 76/154
Probabilidad Clasica Conceptos Basicos
Probabilidades en un EMS
Ley de Probabilidad Discreta Uniforme
Para cualquier evento A en un Espacio Muestral Simple Ω, suprobabilidad esta dada por:
P(A) =|A||Ω|
esto es,
P(A) =# de resultados en A
# de resultados en Ω
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 77/154
Probabilidad Clasica Conceptos Basicos
Probabilidades en un EMS
Ejemplo
Lanzar un par de dados, los 36 posibles resultados:
(1, 1) (1, 2) . . . (1, 6)(2, 1) (2, 2) . . . (2, 6)
......
. . ....
(6, 1) (6, 2) . . . (6, 6)
Cada uno de ellos, con una probabilidad de 1/36.
¿Cual es la probabilidad de que la suma sea igual a 8?
Sum 2 3 4 5 6 7 8 9 10 11 12Prob 1
36236
336
436
536
636
536
436
336
236
136
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 78/154
Probabilidad Clasica Conceptos Basicos
Ejercicio
Los discos de plastico de policarbonato de un proveedor se analizanpara resistencia a ralladuras y golpes. Los resultados de 100 discosse resumen como sigue:
Resistencia a los golpesalto bajo
Resistencia alto 70 16al rayado bajo 9 5
Si un disco se selecciona al azar, ¿cual es la probabilidad de que suresistencia al rayado es alta y su resistencia a los golpes es alta?,¿cual es la probabilidad de que su resistencia al rayado es superior osu resistencia a los golpes es alta?
Considere el caso de que un disco tiene alta resistencia al rayado yel caso de que un disco tiene alta resistencia a los golpes. ¿Sonestos dos eventos mutuamente excluyentes?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 79/154
Probabilidad Clasica Conceptos Basicos
Tecnicas de Conteo
Dada la Ley de Probabilidad Discreta Uniforme el calculo deprobabilidades se reduce a un conteo de resultados.
En ocasiones el proceso de conteo no es tan simple como elejemplo anterior.
Si se trata de contar, podemos utilizar las tecnicas deconteo:
Regla de la Multiplicacion.Permutaciones.Combinaciones.Regla de la Adicion.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 80/154
Probabilidad Clasica Regla de la Multiplicacion
Regla de la Multiplicacion
Definicion
Considere un experimento que toma lugar en varias etapas.
El numero de resultados ni para cada una de las r etapas, esindependiente de los resultados de la etapa previa.
El numero de resultados ni podrıan ser diferentes para cadaetapa.
El numero total de formas en que todo el experimento puedellevarse a cabo, esta dado por:
n = n1 × n2 × · · · × nr
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 81/154
Probabilidad Clasica Regla de la Multiplicacion
Regla de la Multiplicacion
Ejemplo
Hay cuatro formas de ir del Distrito Federal a la ciudad deQueretaro,
dos formas de ir de Queretaro a San Luis Potosı y
tres formas diferentes de ir de San Luis Potosı a Saltillo.
¿De cuantas formas diferentes puedes ir del DF a Saltillo?
DF Qro SLP Sal
4× 2× 3 = 24
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 82/154
Probabilidad Clasica Regla de la Multiplicacion
Ejercicio
Cierto tipo de automovil se encuentra disponible en trescolores: rojo, azul o verde, y puede tener un motor grande opequeno.
¿De cuantas maneras puede un comprador elegir unautomovil?
Ejercicio
Cuando se hace un pedido de cierto tipo de computadora, haytres elecciones de disco duro, cuatro de la cantidad dememoria, dos de la tarjeta de video y tres de monitor.
¿En cuantas maneras se puede solicitar una computadora?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 83/154
Probabilidad Clasica Permutaciones
Permutaciones
Definicion
Un arreglo de n elementos en un orden definido es unapermutacion de los n elementos.
Ejemplo
¿Cuantos arreglos diferentes se pueden formar con losnumeros 1, 2 y 3?
3× 2× 1 = 3! = 6 arreglos diferentes
123, 132, 213, 231, 312, 321
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 84/154
Probabilidad Clasica Permutaciones
Permutaciones Permitiendo Repeticion
Definicion
El numero de arreglos con r elementos tomados de nelementos, cada uno usado al menos una vez. Esto es, losarreglos en los cuales se permite la repeticion de alguno de losn elementos.
Esta dado pornr
Ejemplo
Numero de arreglos (permutaciones) que se pueden lograr conlos resultados de 4 lanzamientos de un dado:
6× 6× 6× 6 = 64 = 1269
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 85/154
Probabilidad Clasica Permutaciones
Permutaciones SIN Permitir Repeticion
Defincion
El numero de arreglos con r elementos tomados de nelementos cada uno usado a lo mas una sola vez, es llamado:numero de permutaciones de n elementos tomando relementos a la vez.
Pn,r =n!
(n− r)!
Note que cuando r = n, es decir se permutan todos loselementos disponibles, entonces el denominador resulta 0! = 1por lo tanto
Pn,n = n!
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 86/154
Probabilidad Clasica Permutaciones
Permutaciones SIN Permitir Repeticion
Ejemplo
De once estudiantes, se seleccionaran cuatro en formaaleatoria para que desarrollen y expongan cuatro diferentestemas. ¿De cuantas formas se podrıan repartir los temas?
n = 11 estudiantes disponibles,
r = 4 estudiantes para cada uno de los temas
P11,4 =11!
(11− 4)!= 7920
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 87/154
Probabilidad Clasica Permutaciones
Permutaciones
Ejemplo
¿Cuantas placas de automovil de seis dıgitos se pueden hacercon los numeros 0, 1, 2, . . . , 9 y . . .
a) sin permitir repeticiones?
P10,6 = 10!/4! = 151 200
b) permitiendo repeticiones?
106 = 1 000 000
c) que contengan repeticiones?
1 000 000− 151 200 = 848 800
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 88/154
Probabilidad Clasica Permutaciones
Permutaciones
Ejercicio
Un comite de ocho personas debe elegir un presidente, unvicepresidente y un secretario.
¿De cuantas maneras se puede hacer esta seleccion?
Ejercicio
Considere las placas de auto en el Distrito Federal
¿Cuantas placas de auto diferentes se podrıan hacer?
¿Cuantas de esas tienen al menos un numero o letra repetida?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 89/154
Probabilidad Clasica Combinaciones
Combinaciones
Definicion
El numero de combinaciones de n elementos tomando r a lavez, se refiere al numero de subconjuntos de r elementosescogidos a partir de un conjunto de n elementos.
Esto es, el numero de formas de seleccionar a r elementos den disponibles, sin importar su orden.
Ejemplo
¿Cuantos subconjuntos que contengan dos elementos sepueden formar a partir de: 1, 2, 3?Tres subconjunto o combinaciones: 1, 2, 1, 3, 2, 3
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 90/154
Probabilidad Clasica Combinaciones
Combinaciones
Notacion
El numero de combinaciones de n elementos tomando r a lavez se puede denotar como Cn,r o tambien a traves del factorbinomial (n
r
)
Calculo
La formula explıcita que nos proporciona el valor de Cn,r es:(nr
)=
n!
(n− r)!× r!
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 91/154
Probabilidad Clasica Combinaciones
Combinaciones
Ejercicio
Diez ingenieros han solicitado un puesto administrativo en unagran empresa.
Se seleccionaran a cuatro de ellos como finalistas para elpuesto.
¿De cuantas maneras se puede hacer esta seleccion?
Ejercicio
Existen 7 focos verdes y 5 color ambar.
Encuentre el numero de posibles arreglos para colocarlos enfila.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 92/154
Probabilidad Clasica Combinaciones
Combinaciones
Propiedades (nr
)=
(n
n− r
)∀ n ∈ N
(n0
)=(nn
)= 1 ∀ n ∈ N
(n1
)=
(n
n− 1
)= n ∀ n ∈ N
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 93/154
Probabilidad Clasica Combinaciones
Combinaciones y Probabilidad
Ejercicio
Una caja con 24 latas contiene una que esta contaminada.
Se va a seleccionar al azar una muestra de tres latas parasometerlas a una prueba.
¿Cuantas combinaciones (muestras) diferentes de 3 latas sepueden seleccionar?
¿Cuantas muestras contendran la lata contaminada?
¿Cual es la probabilidad de que se seleccione la latacontaminada para la prueba?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 94/154
Probabilidad Clasica Combinaciones
Combinatorias Multinomiales
Definicion
Si tenemos un conjunto n elementos diferentes y queremosformar k subcinjuntos con n1 elementos, n2 elementos, . . . ,nk elementos.
Donde n =∑k
i=1 ni.
Entonces el numero de maneras de dividir dicho grupo de nesta dado por:
Cnn1n2···nk =n!
n1!n2! · · ·nk!
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 95/154
Probabilidad Clasica Combinaciones
Combinatorias Multinomiales
Ejemplo
Una companıa ha contratado a 15 nuevos empleados y debeasignar seis al turno matutino, cinco al vespertino y cuatro alnocturno.
¿De cuantas maneras se puede hacer la asignacion?
C156,5,4 =
15!
6!× 5!× 4!= 630630
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 96/154
Probabilidad Clasica Regla de la Adicion
Regla de la Adicion
Si para desempenar una tarea se usara uno de varios metodos.
Por ejemplo podemos utilizar el metodo A en nA formas outilizar el metodo B en nB formas.
Entonces, se tiene que el numero total de formas paradesempenar la tarea esta dado por nA + nB.
Esta regla se utiliza si algun evento sucede cuando porejemplo ocurre“al menos” o “a lo mas” algo.
Esto es, el evento esta formado por la union de otros eventosmutuamente excluyentes cuyas cardinalidades se puedencalcular.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 97/154
Probabilidad Clasica Regla de la Adicion
Ejercicio
Un inspector de calidad hace un muestreo a un lote queconsiste en 12 componentes, de los cuales 4 son defectuosos.
El inspector toma una muestra de 3 componentes.
Y rechaza el lote si encuentra al menos dos componentesdefectuosos.
¿Cual es la probabilidad de que rechace el lote?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 98/154
Probabilidad Condicional e Independencia
Agenda
4 Probabilidad Condicional e IndependenciaIntroduccionPrincipio de la Multiplicacion de ProbabilidadesTeorema de Probabilidad TotalTeorema de BayesIndependencia
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 99/154
Probabilidad Condicional e Independencia Introduccion
Probabilidad Condicional
Si en el experimento de lanzar un dado tenemos:
A = 1, 3, 5; B = 2, 3, 4, 5, 6
Entonces:
P(A) =1
2; P(B) =
5
6
Suponga que sabemos que el evento B ocurrio. Entonces laprobabilidad de A “dado que ocurrio” B es:
P(A|B) =2
5=|A ∩B||B|
Esto es, que ahora la probabilidad de A depende de lainformacion que tenemos.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 100/154
Probabilidad Condicional e Independencia Introduccion
Probabilidad Condicional
Definicion
Si P(B) > 0, entonces la probabilidad condicional de A dadoB es igual a:
P(A|B) =P(A ∩B)
P(B)
¿Que pasa con P(A|B) si los dos eventos son mutuamenteexcluyentes?
¿Que pasa con P(A|B) si P(B) = 0?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 101/154
Probabilidad Condicional e Independencia Introduccion
Probabilidad Condicional
Ejercicio
Un troquel de extrusion se utiliza para producir varillas de aluminio. Existenciertas especificaciones para la longitud y diametro de las varillas. Para cadauna de estas, la longitud puede ser demasiado corta, demasiado larga o estarbien y el diametro se puede clasificar en muy delgado, muy grueso o estar bien.En una poblacion de mil varillas, el numero de ellas en cada clase es:
DiametroLongitud Muy delgado Esta bien Muy grueso
Muy corta 10 3 5Esta bien 38 900 4
Muy larga 2 25 13
Calcule la probabilidad condicional P(diametro esta bien | longituddemasiado larga).
¿Esta es la misma que la probabilidad incondicional P(diametro estabien)?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 102/154
Probabilidad Condicional e Independencia Introduccion
Probabilidad Condicional
Ejercicio
En un proceso que fabrica latas de aluminio, la probabilidadde que una lata tenga alguna fisura en su costado es de 0.02,la de que otra la tenga en la tapa es de 0.03 y de que una maspresente una fisura en el costado y en la tapa es de 0.01.
¿cual es la probabilidad de que una lata tenga una fisura en latapa, dado que tiene una fisura en el costado?
¿cual es la probabilidad de que una lata tenga una fisura en elcostado, dado que tiene una fisura en la tapa?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 103/154
Probabilidad Condicional e Independencia Principio de la Multiplicacion de Probabilidades
Principio de la Multiplicacion de Probabilidades
Algunas veces se conoce P (A|B) y se desea encontrarP (A ∩B)
A partir de la formula de la probabilidad condicional, podemosderivar las formulas para la interseccion de los eventos, atraves del producto de dos probabilidades.
P(A ∩B) = P(B)× P(A|B)
P(A ∩B) = P(A)× P(B|A)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 104/154
Probabilidad Condicional e Independencia Principio de la Multiplicacion de Probabilidades
Principio de la Multiplicacion de Probabilidades
Ejemplo
En un caja hay doce electrodos de los cales cuatro sondefectuosos. Seleccione dos electrodos sin reemplazo.
¿Cual es la probabilidad de que ambos sean defectuosos?
A : Primer electrodo defectuoso.
B : Segundo electrodo defectuoso.
(A ∩B) : Ambos electrodos defectuosos.
P(A ∩B) = P(A)× P(B|A)
=4
12× 3
11=
1
11
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 105/154
Probabilidad Condicional e Independencia Teorema de Probabilidad Total
Particion del Espacio Muestral
Definicion
Los eventos A1, A2, . . . , An forman una particion del espaciomuestral Ω si y solo si:
1. A1, A2, . . . , An son mutuamente excluyentes.
2.n⋃i=1
Ai = Ω.
3. P(Ai) > 0 para toda i.
De esta manera cuando un experimento probabilıstico seefectua, solo un Ai ocurre.
Ejemplo
Un evento A y su complemento A forman una particion.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 106/154
Probabilidad Condicional e Independencia Teorema de Probabilidad Total
Teorema de Probabilidad Total
Si hacemos una particion del espacio muestral Ω y B unevento arbitrario:
P(B) =
n∑i=1
P(Ai ∩B) =
n∑i=1
P(Ai)P(B|Ai)
B
Ω
A1 A2
A3
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 107/154
Probabilidad Condicional e Independencia Teorema de Probabilidad Total
Ejercicio
Clientes que compran cierta marca de automovil pueden pedirun motor en cualquiera de tres tamanos.
De todos los automoviles vendidos, 45% tiene el motor maspequeno, 35% tamano mediano y 20% mas grande.
Los automoviles en una prueba de emisiones dentro de los dosanos de su compra fallan 10% con el motor mas pequeno,mientras que 12% de los de tamano mediano y 15% de los demotor mas grande.
¿Cual es la probabilidad de que un automovil elegidoaleatoriamente pueda fallar en una prueba de emisiones dentrode los dos primeros anos?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 108/154
Probabilidad Condicional e Independencia Teorema de Bayes
Teorema de Bayes
Ya conocemos las probabilidades a priori P(Ai) y lascondicionales P(B|Ai); ahora deseamos conocer la P(Ai|B).
Usando el teorema de probabilidad total y la definicion de laprobabilidad condicional obtenemos el Teorema de Bayes.
Definicion
Si A1, A2, . . . , An forman una particion de Ω y B es unevento cualquiera, entonces:
P(Ai|B) =P(B|Ai)P(Ai)∑nj=1
P(B|Aj)P(Aj)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 109/154
Probabilidad Condicional e Independencia Teorema de Bayes
Teorema de Bayes
Ejemplo
De un grupo de 40 ductos metalicos, 12 presentan fracturasinternas.
Suponga que la sistema para detectar fracturas no es perfecto,detectando fracturas en solo el 90% de los casos en que estasse presentan.
Ademas, existe un 40% de probabilidad de sistema de unafalsa alarma.
¿Cual es la probabilidad de que una tuberıa que se le hayadetectado fracturas en realidad las tenga?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 110/154
Probabilidad Condicional e Independencia Teorema de Bayes
Teorema de Bayes
Ejemplo (Solucion)
F : “El ducto presenta fracturas”
D : “Fracturas son detectadas”
La particion de Ω es F, FP(F ) = 0.3; P(D|F ) = 0.9; P(D|F ) = 0.4
P(F |D) =P(D|F )P(F )
P(D|F )P(F ) + P(D|F )P(F )
=(0.9)(0.3)
(0.9)(0.3) + (0.4)(0.7)
=0.27
0.55≈ 0.5
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 111/154
Probabilidad Condicional e Independencia Teorema de Bayes
Teorema de Bayes
Ejercicio
Con referencia al problema de tamanos de motores de laseccion anterior.
Si se elige aleatoriamente un registro de una prueba deemisiones con falla.
¿Cual es la probabilidad de que este sea un automovil con unmotor pequeno?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 112/154
Probabilidad Condicional e Independencia Teorema de Bayes
Teorema de Bayes
Ejercicio
Una distribuidora obtiene la mitad de sus productos de laFabrica 1, la otra mitad es obtenida de las Fabricas 2 y 3 en lamisma proporcion.
Los porcentajes de productos defectuosos son 4%, 5% y 6%respectivamente para las Fabricas 1, 2 y 3.
Un artıculo de la distribuidora resulta ser defectuoso.
Encuentre la probabilidad de este venga de la Fabrica 1.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 113/154
Probabilidad Condicional e Independencia Independencia
Independencia
Algunas veces el conocimiento de que un evento ha ocurridono cambia la probabilidad de que ocurra otro.
Definicion
Los eventos A y B son independientes si y solo si
P(A ∩B) = P(A)× P(B)
Los eventos A1, . . . , An son independientes si y solo si
P
(n⋂i=1
Ai
)=
n∏i=1
P(Ai)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 114/154
Probabilidad Condicional e Independencia Independencia
Independencia
Dos eventos A y B son independientes si la probabilidad decada uno es la misma si ocurren o no los demas eventos.
Si P(A ∩B) = P(A)× P(B) ,entonces P(A) = P(A|B) yP(B) = P(B|A)
Si P(A) = 0 entonces A es independiente de cualquier otroevento.
Si A y B son independientes, entonces A y B sonindependientes.
Si P(A) > 0 y P(B) > 0, entonces A y B no pueden serindependientes y mutuamente excluyentes al mismotiempo
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 115/154
Probabilidad Condicional e Independencia Independencia
Aplicacion al analisis de confiabilidad
Ejemplo
Un sistema contiene dos componentes, A y B, conectados enserie, el sistema funcionara solo si ambos componentesfuncionan.
La probabilidad de que A funcione esta dada por P (A) = 0.98y la probabilidad de que B funcione esta dada porP (B) = 0.95.
Suponga que A y B funcionan de manera independiente.
Determine la probabilidad de que el sistema funciona.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 116/154
Probabilidad Condicional e Independencia Independencia
Aplicacion al analisis de confiabilidad
Ejemplo
Un sistema contiene dos componentes, C y D, conectados enparalelo.
El sistema funcionara si al menos uno, C o D funcionan.
La probabilidad de que C funcione es 0.9 y la de que D lohaga es 0.85.
Suponga que C y D funcionan de manera independiente.
Determine la probabilidad de que el sistema funcione.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 117/154
Probabilidad Condicional e Independencia Independencia
Ejercicio
Un sistema de aspersion automatico especial tiene dos tiposdiferentes de dispositivos de activacion para cada regadera. Untipo tiene una confiabilidad de 0.9; es decir, la probabilidad de quese active cuando debe la regadera es 0.9. El otro tipo, que operaindependientemente del primer tipo, tiene una confiabilidad de 0.8.Si se dispara cualquier dispositivo, la regadera se activara.Suponga que empieza un fuego cerca de una regadera.
¿Cual es la probabilidad de que la regadera se active?
¿Cual es la probabilidad de que la regadera no se active?
¿Cual es la probabilidad de que ambos dispositivos deactivacion trabajen adecuadamente?
¿Cual es la probabilidad de que solo el dispositivo con 0.9 deconfiabilidad trabaje adecuadamente?
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 118/154
Variables Aleatorias Discretas
Agenda
5 Variables Aleatorias DiscretasIntroduccionDistribuciones Discretas
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 119/154
Variables Aleatorias Discretas Introduccion
Variables Aleatorias
Definicion
Una variable aleatoria es una funcion del espacio muestral a lalınea de los reales.
X : Ω 7→ R
Ejemplo
Al lanzar dos monedas, Ω = ss, sa, as, aa. Suponga que X esuna variable aleatoria que corresponde al numero de aguilas.
X(ss) = 0, X(sa) = X(as) = 1, X(aa) = 2
P(X = 0) =1
4, P(X = 1) =
1
2, P(X = 2) =
1
4
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 120/154
Variables Aleatorias Discretas Introduccion
Variables Aleatorias - Notacion
Usualmente se usan letras mayusculas tales como X, Y , Z,U , V , representan variables aleatorias.
Letras minusculas tales como x, y, z, u, v, w, representan“valores particulares” de las variables aleatorias.
Ası que podemos hablar de
P(X = x)
oP(X ≤ x)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 121/154
Variables Aleatorias Discretas Introduccion
Variables Aleatorias Discretas
Definicion
Si el numero de los posibles valores de una Variable Aleatoria X esfinito o contablemente infinito, entonces X es una variablealeatoria discreta.
Ejemplos
Lanzar tres moneda, obtener el numero posible de aguilas. Setrata de una variable discreta.
Seleccionar en forma aleatoria un punto en [0, 1]. Se trata deuna variable no discreta.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 122/154
Variables Aleatorias Discretas Introduccion
Variables Aleatorias Discretas
Ejemplo
Sea X la suma de los resultados al lanzar dos dados.Entonces tenemos que X ([6, 5]) = 11. Ademas:
P(X = x) =
1/36 si x = 22/36 si x = 3
...6/36 si x = 7
...2/36 si x = 111/36 si x = 12
0 cualquier otro valor
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 123/154
Variables Aleatorias Discretas Introduccion
Funcion de Masa de Probabilidad
Definicion
Si X es una variable aleatoria discreta, entonces la Funcion deMasa Probabilidad se define para cada posible x como:
f(x) = P(X = x)
Definicion
El conjunto de todas las parejas [x, f(x)] es la Distribucion deProbabilidad. Note que:
f(x) ≥ 0⇒∑x
f(x) = 1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 124/154
Variables Aleatorias Discretas Introduccion
Funcion de Masa de Probabilidad
Ejemplo
Sea X la suma de los resultados al lanzar dos dados.
f(x) =
1/36 si x = 22/36 si x = 3
...6/36 si x = 7
...2/36 si x = 111/36 si x = 12
0 cualquier otro valor
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 125/154
Variables Aleatorias Discretas Introduccion
Ejercicio
Ejercicio
El numero de fallas en un alambre de cobre de 1 pulg delongitud, fabricado en proceso especıfico, varıa de alambre enalambre.
En conjunto, 48% de los alambres producidos no tiene falla,39% presenta una, 12% fue detectado con dos y 1% tiene tres.
Sea X el numero de fallas en una pieza de alambreseleccionada aleatoriamente.
Describa y grafique la funcion de masa de probabilidad
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 126/154
Variables Aleatorias Discretas Introduccion
Funcion de Distribucion Acumulada (fda)
Definicion
Si X es una variable aleatoria discreta, y funcion deprobabilidad f(x) entonces la fda de X es definida para todax como
F (x) = P(X ≤ x),
entonces:F (x) =
∑i
f(xi), ∀ xi ≤ x
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 127/154
Variables Aleatorias Discretas Introduccion
Funcion de Distribucion Acumulada (fda)
Ejemplo
Dado un experimento aleatorio: Lanzar dos monedas.
Sea X el numero de soles.
F (x) =
0 si x < 0
1/4 si 0 ≤ x < 13/4 si 1 ≤ x < 21 si 2 ≤ x
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 128/154
Variables Aleatorias Discretas Introduccion
Valor Esperado
Definicion
El valor esperado o la media o el valor promedio de unavariable aleatoria discreta X es :
µ = E[X] =∑x
xf(x)
La media o valor esperado nos da una indicacion de latendencia central de una variable aleatoria.
Ejercicio
Determine la media de la variable aleatoria X que representael numero de fallas en una pieza de alambre elegidaaleatoriamente.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 129/154
Variables Aleatorias Discretas Introduccion
Varianza
Deficion
La varianza de la variable aleatoria discreta X es el segundomomento central.
V(X) =∑x
(x− E[X])2f(x)
= E[X2]− (E[X])2
La varianza es un parametro que describe la dispercion de laVA.
Notacion: σ2 = σ2X = V(X) = V(X)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 130/154
Variables Aleatorias Discretas Introduccion
Varianza
Ejercicio
Determine la varianza de la variable aleatoria X querepresenta el numero de fallas en una pieza de alambre elegidaaleatoriamente.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 131/154
Variables Aleatorias Discretas Introduccion
Ejercicio
Sea la VAD X el no. de partes defectuosas al sacar unamuestra de tres de una lınea de produccion, con la siguientedistribucion de probabilidad:
f(x) =
0.51 para x = 00.38 para x = 10.10 para x = 20.01 para x = 3
0 para otro valor
Determine, P(X < 2), P(X ≥ 1), E[X] y V[X].
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 132/154
Variables Aleatorias Discretas Distribuciones Discretas
Distribucion Uniforme
Definicion
Sea X una VAD finita, la cual posee n valores especıficosx1, x2, . . . , xn, cada valor con una probabilidad de 1/n. Estoes, que su funcion de probabilidad esta definida por:
f(x) =1
n, x = x1, x2, . . . , xn
La media y la varianza de la distribucion uniforme discreta:
E[X] =1
n
n∑i=1
xi, V(X) =1
n
n∑i=1
(xi − E[X])2
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 133/154
Variables Aleatorias Discretas Distribuciones Discretas
Proceso de Bernoulli
En muchas ocasiones, un experimento aleatorio se desarrollaal repetir n veces un ensayo.
Dicho ensayo tiene dos resultados que se pueden calificar yasea como un “exito” o como un “fracaso”.
Ya que las repeticiones son independientes una de la otra, lasprobabilidades de exito (p) o fracaso (q = 1− p) se mantienenconstantes.
A todo el experimento antes descrito se le denomina“Proceso de Bernoulli” y a cada repeticion se le llama“Ensayo de Bernoulli”, notacion: Bern(p).
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 134/154
Variables Aleatorias Discretas Distribuciones Discretas
Distribucion Binomial
Si X denota el numero de exitos en n ensayos de Bernoullicon P(exito) = p, entonces X es una Variable Aleatoria deBinomial, X ∼ Bin(n, p).
La distribucion de esta variable aleatoria discreta es unaDistribucion Binomial con parametros n y p.
En esta distribucion, la P(X = x) se denotara como b(x;n, p).
b(x;n, p) =(nx
)pxqn−x, x = 0, 1, 2, . . . , n
La media y la varianza de la distribucion binomial:
E[X] = np, V(X) = npq
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 135/154
Variables Aleatorias Discretas Distribuciones Discretas
Distribucion Geometrica
Suponga que consideramos secuencia infinita de ensayos deBernoulli Bern(p).
Sea la variable aleatoria X el numero de ensayos hasta que elprimer exito es obtenido.
Entonces, X es una Variable Aleatoria Geometrica,X ∼ Geom(p).
Cuando X = x corresponde a x− 1 fracasos y un exito. Ladistribucion de probabilidad de X es una DistribucionGeometrica:
g(x; p) = pqx−1, x = 1, 2, 3, . . .
La media y la varianza de la distribucion geometrica:
E[X] =1
p, V(X) =
1− pp2
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 136/154
Variables Aleatorias Discretas Distribuciones Discretas
Distribucion Binomial Negativa
Suponga que consideramos secuencia infinita de ensayos deBernoulli Bern(p).
Sea la variable aleatoria X el numero de ensayos hastaobtener el k − esimo exito.
Entonces, X es una Variable Aleatoria Binomial Negativa,X ∼ NegBin(k, p).
La distribucion de probabilidad de X es una DistribucionBinomial Negativa:
b∗(x; k, p) =
(x− 1
k − 1
)pkqx−k, x = k, k + 1, k + 2, . . .
La media y la varianza de la distribucion binomial negativa:
E[X] =k
p, V(X) =
k(1− p)p2
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 137/154
Variables Aleatorias Discretas Distribuciones Discretas
Variable Aleatoria Hipergeometrica
La variable aleatoria hipergeometrica X representa elnumero de exitos de una muestra aleatoria de tamano n quese selecciona de N artıculos, de los que k se denominan“exitos” y N − k “fracasos”.
h(x;N,n, k) =
(kx
)(N−kn−x
)(Nn
) , x = 0, 1, 2, . . . , n
La media y la varianza de la distribucion hipergeometrica:
E[X] =nk
N, V(X) =
N − nN − 1
· n · kN
(1− k
N
)
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 138/154
Variables Aleatorias Discretas Distribuciones Discretas
Proceso Poisson
Sea N(t) un proceso de conteo. Esto es, N(t) es el numerode ocurrencias (o arribos, o eventos) de algun proceso sobre elintervalo continuo [0, t].
Sea λ > o el numero promedio de ocurrencias por unidad detiempo o longitud o volumen, etc.
El numero de resultados en dos intervalos mutuamenteexcluyentes, son independientes. Por lo que el proceso Poissonno tiene memoria.
Los resultados ocurren uno a la vez y a un ritmo deλ/unidad de tiempo y este no cambia con el tiempo.
La probabilidad de que ocurra un solo resultado durante unintervalo muy pequeno es proporcional a la longitud delintervalo y no depende de el numero de resultados quesuceden fuera de este.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 139/154
Variables Aleatorias Discretas Distribuciones Discretas
Distribucion Poisson
Sea X el numero de resultados en un proceso Poisson(λ) enuna unidad del intervalo de tiempo.
Entonces X tiene una Distribucion de Poisson conparametro λ.
Notacion: X ∼ Pois(λ).
p(x;λ) =e−λλx
x!, x = 0, 1, 2, . . . , λ > 0
La media y la varianza de la distribucion Poisson.
E[X] = V(X) = λ
El valor de λ puede ser cambiado simplemente al cambiar lasunidades de tiempo.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 140/154
Variables Aleatorias Continuas
Agenda
6 Variables Aleatorias ContinuasIntroduccionDistribuciones Continuas
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 141/154
Variables Aleatorias Continuas Introduccion
Variable Aleatoria Continua
Si por ejemplo; un experimento consiste en seleccionar enforma aleatoria un numero entre 0 y 1.
Existen un numero infinito de posibles resultados con lamisma probabilidad.
Por lo cual:
P(cada punto) = P(X = x) = 0
Definicion
Entonces, una Variable Aleatoria Continua es aquella conuna cantidad infinita e incontable de posibles valores y conuna probabilidad de cero para cada valor particular.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 142/154
Variables Aleatorias Continuas Introduccion
Funcion de Densidad de Probabilidad
Sea X una variable aleatoria continua, entonces f(x) es unalegıtima funcion de densidad de probabilidad (fdp) si:
1. El area bajo f(x) es igual a 1∫Rf(x)dx = 1
2. Nunca es negativa: f(x) ≥ 0, ∀ x3. La probabilidad de que X tome un valor dentro del intervalo
(x1, x2), es igual a el area bajo f(x) en dicho intervalo.
P(x1 < X < x2) =
∫ x2
x1
f(x)dx
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 143/154
Variables Aleatorias Continuas Introduccion
Funcion de Distribucion Acumulada
La funcion de distribucion acumulada (fda), esta definida por
F (x) = P(X ≤ x)
En el caso de una variable aleatoria continua esto implica
F (x) =
∫ x
−∞f(x)dx
Teorema: Si X es una V.A. Continua:
f(x) = F ′(x) o F (x) =
∫f(x)dx
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 144/154
Variables Aleatorias Continuas Introduccion
Ejemplo
Sea X una variable aleatoria continua con fdp:
f(x) =
3x2/8 si 0 < x < 2
0 otro caso
Calcular la funcion de distribucion acumulada.∫f(x) dx =
∫3x2
8dx =
x3
8
F (x) =
0 si x ≤ 0
x3/8 si 0 < x < 21 si x ≥ 2
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 145/154
Variables Aleatorias Continuas Introduccion
Valor Esperado
La media o valor esperado de una V.A.C. X, esta dado por
µ = E[X] =
∫Rxf(x)dx
El valor esperado de una funcion de X, por ejemplo g(X),esta dado por
µ = E[g(X)] =
∫Rg(x)f(x)dx
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 146/154
Variables Aleatorias Continuas Introduccion
Ejemplo
Sea X una variable aleatoria continua con fdp:
f(x) =
3x2/8 si 0 < x < 2
0 otro caso
Calcular el valor esperado de X:
E[X] =
∫Rxf(x) dx
=
∫ 2
0
3x3
8dx
=3x4
32
2
0
= 1.5
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 147/154
Variables Aleatorias Continuas Introduccion
Varianza
Definicion
La varianza para una Variable Aleatoria Continua X esta dada por
V(X) = E[(X − µ)2
]= E
[X2]− (E[X])2
Defincion
La Desviacion Estandar esta dada por: σ = +√
V(X)
Ejemplo
En el ejemplo anterior la varianza esta dada
V(X) = E[X2]− (E[X])2 = 2.4− (1.5)2 = 0.15
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 148/154
Variables Aleatorias Continuas Distribuciones Continuas
Distribucion Uniforme Continuo
Si X es igualmente probable en cualquier parte dentro delintervalo (a, b).
Entonces X tiene una distribucion uniforme en (a, b).
Es decir X ∼ U(a, b).
f(x) =
1
b− a, a < x < b
0, de otro modo.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 149/154
Variables Aleatorias Continuas Distribuciones Continuas
Distribucion Triangular
Este es muy bueno cuando se quiere modelar variablesaleatorias a partir de una cantidad limitada de datos (mınimo,moda, maximo). Si se aplica a una VAC, X ∼ Tri(a, b, c).
f(x) =
2(x− a)
(b− a)(c− a)a ≤ x < b
2(c− x)
(c− b)(c− a)b ≤ x ≤ c
0 de otro modo
E[X] =a+ b+ c
3V(X) =
a2 + b2 + c2 − ab− ac− bc18
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 150/154
Variables Aleatorias Continuas Distribuciones Continuas
Distribucion Exponencial
Considere un Proceso Poisson.
Esta distribucion puede modelar el tiempo que transcurreantes de que ocurra un evento.
Tiempos de espera, tiempo de vida de un componente,longitud entre defectos, etc.
Ası, X ∼ Exp(λ), es decir, que X tiene una distribucionexponencial con parametro λ > 0,
f(x) =
λe−λx x > 0
0 x ≤ 0
E[X] = 1/λ, V(X) = 1/λ2,
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 151/154
Variables Aleatorias Continuas Distribuciones Continuas
Distribucion Normal
Es quiza, la mas importante funcion de densidad enprobabilidad y estadıstica. Sea X ∼ Nor(µ, σ2), es decir, Xtiene una distribucion normal con parametros µ (media) y σ2
(varianza), ası como una fdp:
f(x) =1√
2πσ2· e−
(x−µ)2
2σ2 , ∀ x ∈ R
Esta distribucion describe en forma aproximada muchos de losfenomenos que ocurren en la naturaleza, la industria y lainvestigacion; como lo son, mediciones y errores.
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 152/154
Variables Aleatorias Continuas Distribuciones Continuas
Distribucion Normal Estandar
La distribucion Nor(0, 1) es llamada distribucion normalestandar.
La variable normal estandar Nor(0, 1) es frecuentementedenotada por la letra Z.
Lo bueno de esta distribucion normal estandar, es el hecho deque hay tablas disponibles para su funcion de distribucionacumulada.
Es posible estandarizar cualquier variable aleatoria normal Xen una normal estandar al aplicar la transformacion:
Z =x− µσ
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 153/154
Variables Aleatorias Continuas Distribuciones Continuas
Distribucion Normal Estandar
La funcion de distribucion acumulada de Nor(0, 1) es Φ(z)
Por ello:
P(Z ≤ a) = Φ(a)
P(Z ≥ b) = 1− Φ(b)
P(a ≤ Z ≤ b) = Φ(b)− Φ(a)
Φ(0) = 1/2
Φ(−b) = P(z ≤ −b) = P(z ≥ b) = 1− Φ(b)
P(−b ≤ Z ≤ b) = 2Φ(b)− 1
IPN – UPIICSA – UPIS M en C Juan Carlos Gutierrez Matus 154/154