Professional Documents
Culture Documents
PROBABILIDAD
DEFINICIONES Y CONCEPTOS
BASICOS
Estadstica
Estadstica Descriptiva
Modelos Probabilsticos
Inferencia Estadstica
Definici
on
La estadstica es una disciplina que se preocupa de desarrollar t
ecnicas y modelos que permiten estudiar la forma como la incertidumbre
sobre un fen
omeno es alterada por la informaci
on disponible. La Teora de Probabilidad
tiene un rol fundamental en este proceso de
disminuci
on de incertidumbre.
reas de aplicaci
A
on: ingeniera, agronoma,
medicina, finanzas, educaci
on, estudios de mercado, compa
nas de seguros, isapres, AFP, ciencias sociales, . . .
La noci
on de probabilidad originalmente estaba
asociada con juegos de azar.
Ejemplo
Lanzar una moneda al aire. Si sale cara gano
$ 1000 y si sale sello pago $ 5000.
Experimento aleatorio: lanzar una moneda al
aire
1. Principio de raz
on insuficiente (moneda equilibrada)
Ganancia
Prob.
cara
+$1000
sello
1
2
$5000
1
2
La ganancia promedio en un n
umero grande de
juegos:
C
1 (1000)
2
1 (5000)
Definici
on Experimento en teora de probabilidad es cualquier proceso cuyo resultado no se
conoce de antemano con certeza. Usualmente
se habla de fen
omeno o experimento aleatorio (). Cuando existe un resultado posible, el
experimento es determinstico.
Definici
on El conjunto de resultados posibles
de un fen
omeno o experimento aleatorio es denominado espacio muestral y denotado por .
Ejemplos
1
0
sale cara
sale sello
Dado 1
1
2
3
4
5
6
1
(1, 1)
(1, 2)
(1, 3)
(1, 4)
(1, 5)
(1, 6)
2
(2, 1)
(2, 2)
(2, 3)
(2, 4)
(2, 5)
(2, 6)
Dado 2
3
4
(3, 1) (4, 1)
(3, 2) (4, 2)
(3, 3) (4, 3)
(3, 4) (4, 4)
(3, 5) (4, 5)
(3, 6) (4, 6)
5
(5, 1)
(5, 2)
(5, 3)
(5, 4)
(5, 5)
(5, 6)
6
(6, 1)
(6, 2)
(6, 3)
(6, 4)
(6, 5)
(6, 6)
# = 36 = 62.
Observaci
on En los Ejemplos 1 a 4, es finito.
Notaci
on Ak denota el producto cartesiano de
A con A k veces.
Definici
on Se llama suceso o evento a cualquier
subconjunto del espacio muestral.
(, ) A A es un evento asociado a
.
Observaci
on Un elemento de ser
a denotado
por w y {w} es denominado suceso elemental.
( es el universo; A es un conjunto; w es un
elemento)
En el ejemplo 4:
Eventos posibles: conjunto potencia de (2#)
Sea A: la suma de los n
umeros es par.
A:
(1, 1); (1, 3); (1, 5); (2, 2); (2, 4); (2, 6);
(3, 1); (3, 3); (3, 5); (4, 2); (4, 4); (4, 6);
(5, 1); (5, 3); (5, 5); (6, 2); (6, 4); (6, 6)
Definici
on Sea w el resultado de un fen
omeno.
Decimos que un evento A ocurre ssi w A.
Observaci
on
B ocurre
wA
wA
o wB
A ocurre
o B ocurre
iI
Ai
iI
w Ai para alg
un i I
ocurre al menos un Ai
Ai ocurre
w Ai i I
iI
Si A1 A2 y A1 ocurre A2 ocurre.
A1 A2 ocurre
w A1 w
/ A2
ocurre A1 y no ocurre A2
Definici
on Dos sucesos A y B se dicen mutuT
amente excluyentes (Disjuntos) ssi A B =
Notaci
on P() = {A : A } conjunto potencia o de partes de .
Definici
on Sea un espacio muestral y A
P(). Se dice que A es una -
algebra ssi
i. A
ii. Si A A AC A
1. = {a,b,c}
C = {, {a, b}, {a, b, c}}, C no es -
algebra.
3. Sean A, B
algebra.
A = {, A, AC , B, B C , } no es -
C , B, B C , , A S B C ,
,
A,
A
S
S
S
4. A = A B, AC B C , AC B,
T
T
CT C
CT
B ,A
B, A
B, A
BC , . . .
, es -
algebra.
n An A
k
[
i=1
Ai A
k
\
i=1
Ai A
Definici
on Sea un e.m. y sea A una
algebra sobre . Se llama espacio medible al
par (, A). Si A es un elemento de A; se dice
que A es medible.
Ejemplo Sean A1 y A2 -
algebras sobre .
T
Es A1 A2 una -
algebra?
S
Es A1 A2 una -
algebra?
DEFINICION AXIOMATICA DE
PROBABILIDAD
Presentamos la definici
on axiom
atica de la
probabilidad.
A P (A) tenga propiedades que intuitivamente esperamos que tenga una probabilidad
con cualquiera de las interpretaciones disentidas.
Definici
on Sea un e.m. asociado a un experimento y A una -
algebra sobre . Una
medida de probabilidad P es una funci
on (conjunto) P : A R tal que:
Ax.2) P () = 1
i=1
Ai =
P (Ai)
i=1
Propiedades
(i) P () = 0
=
Ax. 3
P
() = P
() +P ()
| {z }
| {z }
1
|{z}
P () = 0
Ax. 2
AC
P ()
=
Ax. 3
=
Ax. 2
(iii) P (A
P (A
AC )
P (A) + P (AC )
1 = P (A) + P (AC )
B) = P (A) + P (B) P (A
T
B)
(iv) P (A B) = P (A) P (A B) Si B A
P (A B) = P (A) P (B)
(v) P (A
C) =?
(vi)
k
[
i=1
Ai =?
Ejemplo Sean A y B sucesos asociados al mismo experimento y suponga que P (A) = 0.4;
S
e valor tiene p
P (A B) = 0.7; P (B) = p. Qu
si:
a. A y B son mutuamente excluyentes?
b. P (A
B) = P (A)P (B)
Observaci
on
P (A
n
[
k=1
B) P (A) + P (B)
Ak
n
X
k=1
P (Ak )
PROBABILIDAD EN ESPACIOS
MUESTRALES FINITOS
Sean = {w1, w2, . . . , wn}
A = P() (todos los subconjuntos de )
Para definir una funci
on de probabilidad sobre , es suficiente especificar n
umeros a cada
suceso elemental.
P ({wi}) = pi
1 i n tal que
i. 0 pi 1
ii.
i = 1, . . . n
Pn
i=1 pi = 1
wA
{w}) =
wAk
P ({w})
Ejemplo: Definici
on cl
asica de probabilidad.
1
P ({wi}) = n
(1 i n)
1. P ({wi}) = pi
2. pi 0,
i = 1, . . . , n
Pn
i=1 pi = 1
3.
P (A) =
pi ,
AA
i:wi A
Ejemplos
Sea = {0, 1, . . . , n}
1. pi = P ({i}) =
n
i
pi(1 p)ni 0
0p1
i = 0, 1, . . . , n
Note que
!
n
X
n
pi =
pi(1 p)ni 0
i
i=0
i=0
n
X
0p1
i = 0, 1, . . . , n
Entonces si
P (A) =
iA
n
i
pi(1 p)ni,
!
1 n
n
i = 0, . . . , n
Si n = 2,
= {0, 1, 2}
P0 = P ({0}) =
P1 = P ({1}) =
P2 = P ({2}) =
2
2
n!
k!(n k)!
Cn,k =
n
k
!
1 2
2
0
2
1
1
2
4
!
1 2
1
=
2
2
!
1 2
1
=
2
4
=
P ({0}) =
1
2
3
4
5
6
1
(1, 1)
(1, 2)
(1, 3)
(1, 4)
(1, 5)
(1, 6)
2
(2, 1)
(2, 2)
(2, 3)
(2, 4)
(2, 5)
(2, 6)
3
(3, 1)
(3, 2)
(3, 3)
(3, 4)
(3, 5)
(3, 6)
4
(4, 1)
(4, 2)
(4, 3)
(4, 4)
(4, 5)
(4, 6)
5
(5, 1)
(5, 2)
(5, 3)
(5, 4)
(5, 5)
(5, 6)
6
(6, 1)
(6, 2)
(6, 3)
(6, 4)
(6, 5)
(6, 6)
25
P ({0}) =
36
10
P ({1}) =
36
1
P ({2}) =
36
Este es un caso especial de la medida de
probabilidad definida en (1) con n = 2 y
p=1
6
2
i
P ({0}) =
P ({1}) =
!
1 0 5 2
2
P ({2}) =
P ({i}) = pi =
pi(1p)ni,
i = 0, 1, 2
Si p = 1
6
0
2
1
2
2
25
6
6
36
!
1 1 5 1
10
=
6
6
36
!
1 2 5 0
1
=
6
6
36
=
!
1 n
n
1
=
n
0
2
2
!
n
1 n
n
P ({1}) = n =
1
2
2
P ({0}) =
P ({2}) =
P ({i}) =
n
2
2n
n
i
2n
!
1 n
n
!
1 n
n
i = 0, 1, . . .
En el ejemplo;
Sea A = Se obtiene al menos una cara.
P (A) = 1 P (Ac)
= 1 P ({0})
1
= 1 n
2
n
[
{i})
i=k
n
X
P ({i})
i=k
!
n
X
1 n
n
i=k
Note que
n
X
i=0
pi =
n
X
1
=1
i=0 n + 1
DEFINICION CLASICA DE
PROBABILIDAD
La primera definici
on formal de probabilidad la
dio un matem
atico y m
edico: Girolamo Cardano (1501-1576)
= {w1, . . . , wn}
A = P()
1
pi = P ({wi}) =
n
i = 1, . . . n
pi =
i:wi A
P (A) =
1
#{i : wi A}
=
n
i:w A n
X
i
#A
,
Ejemplo Se lanza tres veces una moneda equilibrada al aire.Calcule la probabilidad de obtener al menos dos caras.
Sea A: Obtener al menos dos caras.
4
1
P (A) = 3 =
2
2
METODOS DE CONTEO
Regla de Multiplicaci
on
(Principio Fundamental del Conteo)
Considere un experimento que se realiza en k
etapas con los siguientes caractersticas:
Ejemplos
= 2n posibilidades de combinaci
on
n1
n2
# = 6n1 2n2
Ida Regreso
(
T
B
A
T
T
A
T
A
Resp: 3 2 = 6
4. Cu
antos N0 naturales de 3 dgitos (0, 1, , 9)
distintos podemos formar?
= 9 9 8 = 648
Supuestos:
1. Los cumplea
nos de las k personas no est
an
relacionadas (no hay gemelos presentes).
x1
x2
x3
xk
1 xi 365,
i = 1, , k
Xi N
= {(x1 , , xk ) : 1 xi 365, xi N, i = 1, , k}
# = 365k
A : al menos dos personas del grupo tienen
cumplea
nos el mismo da.
P (A) = 1 P (Ac)
Ac : los cumplea
nos de los k personas son en
das distintos.
#Ac =?
1
365
364
363
365 (k 1)
P (A) = 1 365364363365(k1)
k
365
P (A)
VARIACIONES, PERMUTACIONES Y
COMBINACIONES
Considere una urna que contiene n fichas (id
enticas)
numeradas de 1 a n. Si k fichas son seleccionadas al azar de la urna, decimos que una
muestra de tama
no k ha sido seleccionada.
La muestra es ordenada si el orden en el cual
son seleccionadas las fichas se toma en cuenta,
en caso contrario es no ordenada.
1
Ordenada si i1
i2
kn
ik
No ordenada {k fichas}.
Ejemplo: = {a, b, c}
=6
Ejemplo: = {1, 2, 3}
3
2
n=3
3!
=3=
2!
k=2
=9
4
2
=6
6 =3=
2
3
2
=6
TEOREMA:
i) El no de muestras ordenadas de tama
no k
seleccionados sin reemplazo (de n) es
Pn,k = n(n 1) (n (k 1)) =
n!
(n k)!
n!
n
=
= cn,k
k
k!
(n k)!k!
y si el muestreo es con reemplazo el no es:
=
N(k,n) =
n+k1
k
Ejemplos
1. Formar los posibles no de 3 dgitos usando
los nos 1, 2, 3, 4, 5.
5
=53 = 125.
8
4
P (A) =
5
3
8
4
! =
1
7
#A
n+k1
k
11
4
n = 6, k = 3
P (A) =
6+31
3
11
4
SM
i=1 Ai
P (A) = P (
M
[
Ai )
i=1
M
X
P (Ai)
i=1
P (Ai Aj ) +
1ijM
1i1 i2 i3 M
+ (1)M +1P (A1 A2 Am)
#Ai (M 1)!
1
P (Ai) =
=
=
, i = 1, , M
#
M!
M
#(Ai Aj )
(M 2)! 2!
P (Ai Aj ) =
=
#
M!
2!
1
!
=
M
2!
2
(M k)! k!
P (Ai1 Ai2 Aik ) =
M!
k!
1
!
=
M
k!
k
1
P (A1 A2 Am) =
M!
P (A) =
X 1
M
2
+ + (1)M +1
= 1
M
2
M
2
+ + (1)M +1
+
2!
+
2!
M
3
M
3
M
3
1
1
1
1
M
+1
= 1
+
+ + (1)
2!
3! 4!
M!
3!
1
M!
1
M!
1 e1 = 0.6312
+
3!
TEOREMA:
i) El no de maneras en la cual n bolitas distinguibles distintas pueden ser distribuidas
en k urnas (cada urna puede contener de 0
a n bolitas) es k n.
ii) El no de maneras en la cual n bolitas (distinguibles) pueden ser distribuidas en k urnas tal que la j-
esima urna contenga nj
Pn
bolitas (nj > 0)
j=1 nj = n es
n!
=
n1!n2! nk !
n
n1 , n 2 , , n k
n
n1 , n 2 , , n k
Tambi
en corresponde al n
umero de maneras en
la que n objetos de los cuales n1 son del tipo
1, n2 son del tipo 2, nk son del tipo k; pueden
P
ser permutados k1 ni = n.
Ejercicios:
B) P (A) + P (B) 1
3. Si P es una funci
on de probabilidad y C1, C2, . . .
forman una partici
on de , muestre que
P (A) =
n=1
P (A
Cn )