Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
BIOESTADISTICA
PROBABILIDADES
LIMA, 2016
I. INTRODUCCION A PROBABILIDADES
0 P( A) 1
Condiciones
1. P( A) 1 : suceso seguro
2. 0 P( A) 1 : suceso posible
3. P( A) 0 : sucesoimposible
OBJETIVOS
DEFINICIONES DE
PROBABILIDAD
n ( Ai )
P ( A) lim n , i 1,2,3,..., k
n
C. Probabilidad Subjetiva
Ejemplo:
Espacio Muestral
Eventos: A, B,
Suceso
Son todos los elementos del espacio muestral
1 , 2 , 3 , .. . , 8
EJEMPLO:
SOLUCION
PROBABILIDADES - EXPERIMENTO ALEATORIO
3 L
TO
MIEN C
A
ANZ
2 L W W 1 / 8
S
C
1 / 4
O
NT
IE
W
1 / 8
M
W
C
ZA
N
LA
1 / 2
S
1
W
W 1 / 8
S
1 / 4
W 1 / 8
C
W 1 / 8
S C
1 / 4
W W 1 / 8
C
1 / 2
W 1 / 8
C
W
1 / 4
N(A) 3
P(A) 0,375
N() 8
SUCESOS
1, 2, 3, 4, 5, 6, 7, 8
3.4. ALGEBRA DE EVENTOS
Unin de Eventos
Sean A y B dos eventos cualesquiera del espacio de eventos. La unin de los
eventos A y B es el evento que consta de los elementos que pertenecen tanto a
A como a B y se representa por (A B).
A B
A B I / I A o I B
Complemento de Eventos
Interseccin de Eventos
1
A B ( A B)
A B I / i A y B A /
c
I i no B
Igualdad de Eventos
Inclusin de Eventos
A B, si w A w B. A = B, si A B y B A.
0 P A 1 P 1
P A
K
P K
i 1 Ai i
i 1
TEOREMAS
TEOREMA 1: P P P
TEOREMA 2:
P AC 1 P A
TEOREMA 3: P A Bi P( A) P(B) P( A B)
P( A B)
P A / Bi
P( B)
La probabilidad condicionada es uno de los conceptos clave en Teora de la
Probabilidad.
P A / Bi
P( A) P( A / B)
P( A1 ) P( A / B1 ) P( A2 ) P( A / B2 ) ... P( An ) P( A / Bn )
A. VARIABLE ALEATORIA
Es una funcin que asigna a cada elemento del espacio muestral uno y solo un
nmero real.
X X ( )
i. V.A. Discreta
ii. V.A. Continua
Funcin de probabilidad
P ( xi ) P X xi
1. 0 P ( x) 1
2. P ( xi ) 1
Tabla:
x x1 x2 x3 . . . xk
P ( xi ) P X xi P ( x1 ) P ( x2 ) P ( x3 ) . . .
Grafico
p ( xi )
p ( x3 )
p ( x2 ) p ( x4 )
p ( x15 )
p ( x1 ) p ( x6 )
x1 x21 x3. x4 x5 x6 X
Varianza
k
V ( xi ) ( xi E ( x))2 Pxi
i 1
Ejemplo
Veamos el caso del experimento de lanzar una moneda 3 veces, para calcular
el valor esperado y la varianza de la variable aleatoria X
X 0 1 2 3 Total
3.8. Distribuciones de probabilidad discretas
Binomial
Poisson
Hipergeomtrica
A. Distribucin Binomial
CARACTERISTICAS
Funcin de Probabilidad
n
n, x, p p x q n x
x
Donde
n, x, p : Distribucin Binomial
n: tamao de la muestra
x: observacin seleccionada
p= probabilidad de xito
q: probabilidad de fracaso
VALOR ESPERADO
E ( X ) np
Dnde:
n: tamao de muestra
p: probabilidad de xito
VARIANZA
V ( X ) npq
Dnde:
n: tamao de muestra
p: probabilidad de xito
q: probabilidad de fracaso
EJEMPLO 1:
X: N de pacientes curados
n: 6 pacientes
X B(n 6; p 0.75)
Rx 0,1,2,3,4,5,6
EJEMPLO 2
Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es
igual. Calcular la probabilidad de que una familia con 6 descendientes tenga 2
hijos.
SOLUCION
6
p( x) * (0.5) 2 * (0.5) 4 0.2344
2
La probabilidad de que la familia tenga dos hijos es 0.2344
Ejemplos propuestos
DISTRIBUCIN DE POISSON
x
e
p ( x)
x!
Donde:
p(x) : Probabilidad de X
: Promedio
e : Constante (2.71828)
x : Observaciones seleccionadas
VALOR ESPERADO
E (X )
DONDE:
: Promedio
VARIANZA
V (X )
EJEMPLO:
Solucin:
p ( x) 4
: 10 clientes por hora
e : (2.71828)
x : 5 clientes
10 5 (2.71828) 10
p( x) 0.378 0.4
5!
DISTRIBUCION HIPERGEOMETRICA
Funcin de Probabilidad
M N M
n x
X , x 0,1,2,..., min( n, M )
N
n
P ( X x)
0 en otros casos
P (x) : Probabilidad de x
N: Poblacin ( se divide en dos clases)
X: N de xitos en la muestra (de los xitos en M)
M: Elementos de xito de una clase de la poblacin
N M: Elementos de fracaso en la otra clase de la poblacin
n: tamao de la muestra
VALOR ESPERADO
nx
E (X )
N
Donde:
n: tamao de muestra
x: elementos elegidos (elementos objeto de estudio) para la investigacin
N: tamao de la poblacin
VARIANZA
nx ( N x) ( N n)
V (X )
N 2 ( N 1)
EJEMPLO
SOLUCIN
N: 10 autos
M : cuatro autos con falla
n: 3 autos
x: 2 autos fallados
4 10 4
2 3 2
P( x 2) 0.30
10
3
La probabilidad que 2 autos estn fallados es 0.30
NORMAL
x 2
1
f ( x) e 2 2
FUNCIN DE DENSIDAD
2
1 -x
f(x) = e 2 ; - < x < +
2
PROPIEDADES
a
1. P( x a) P
a
2. P( x b) 1 P
b a
3. P(a x b) P P
Uso de Tablas: Normal Acumulativa
En las tablas como las del modelo la distribucin normal estndar, se distribuye
desde Z = - 4 hasta Z = 4, frente a cada valor de Z se observa a su respectiva
probabilidad.
Ejemplo :
E X i y Var ( X ) 2
Si:
Yn x1 , x2 , x3 , xn
Se tiene:
X
Z Tiene aproximacin a N (0,1)
n
3.10. DISTRIBUCIONES MUESTRALES (MEDIA, PROPORCIN)
A. Distribucin de la Media
2
x Var ( xi ) , la variable aleatoria X N (0,1) X
n
X
Z N (0,1)
n
Ejemplo:
Solucin
X-------- N(12,6)
n = 10 alumnos
Promedio= 12 minutos
Desviacin estndar = 6 minutos
17 12 15a 12
P(15 x 17) P P
6 6 10
B. Distribucin de la Proporcin
p: proporcin
Ejemplo:
Solucin
p 0.90
p 0.85
n 200
p p( ) 0.85 0.90
Z Z 2.36
p(1 p) 0.90(0.10)
n 200
http://www.youtube.com/watch?v=WdNjOcy2Qcw
http://videos.pucp.edu.pe/videos/ver/7150b25afa9dafc81d8020ce37a08a7c