Repaso de Probabilidad y Estadstica

Area de Estadstica e Investigacion Operativa

Licesio J. Rodrguez-Aragon

Febrero 2011

Probabilidad 2
Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Interpretacion Frecuentista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Interpretacion Subjetiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Th. Probabilidad Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Th. de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Estadstica 12
Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Funcion de Probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Funcion de Distribucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Funcion de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Funcion de Distribucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Distribucion Normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Th. Central del Lmite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1
Probabilidad 2 / 19

Definicion
Probabilidad: Cociente entre el numero de casos favorables de un suceso y el numero de casos
posibles.

num. casos favorables a A

P (A) =
num. casos posibles

Es aplicable este concepto siempre?

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 3 / 19

Interpretacion Frecuentista
Se aplica a experimentos que se pueden repetir indefinidamente y bajo las mismas condiciones.

Las frecuencias relativas se estabilizan al repetirse el experimento.

Supongamos que un suceso A ocurra An veces en n repeticiones del experimento:
An
P (A) = lim
n n

Suponiendo que este lmite existe.

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 4 / 19

2
Interpretacion Subjetiva
Medida del grado de creencia que se tiene acerca de un suceso de interes.

Se puede aplicar en cualquier situacion en la que exista una opinion.

Al recibir informacion nueva, las probabilidades cambian.

La probabilidad de un suceso como la medida del grado de creencia que tiene una persona en un
momento preciso acerca de la ocurrencia de un suceso.

Requiere de un calibrado.

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 5 / 19

Probabilidad Condicional
Supongamos que estamos interesados en el suceso A, cuya probabilidad de ocurrencia definimos como
P (A), y nos informan que ha ocurrido el suceso B. Cambian nuestras creencias acerca de la
ocurrencia del suceso A?.

Son A y B independientes?

Siendo B un suceso tal que P (B) > 0, para cualquier otro suceso A denominaremos Probabilidad
Condicionada de A respecto de B:
P (A B)
P (A|B) =
P (B)
A y B son sucesos independientes si y solo si,

P (A B) = P (A) P (B)

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 6 / 19

3
Ejemplo
Supongamos que 3 maquinas M 1, M 2 y M 3 fabrican piezas con una produccion de 300, 450 y 600
piezas por hora respectivamente.

Sabemos que los porcentajes de piezas defectuosas que fabrica cada maquina son 2%, 3.5% y 2.5%
respectivamente.

Las piezas fabricadas se almacenan de forma conjunta en el mismo almacen. Cual es la probabilidad
de elegir al azar una pieza defectuosa?

P (D)
Parametros del problema:
P (Mi )
P (D|Mi )

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 7 / 19

4
Teorema de la Probabilidad Total
Si A1 , . . . , An E son un conjunto de sucesos exhaustivo,
n
[
Ai = E,
i=1

y mutuamente excluyente,
Ai Aj = i 6= j,
entonces, B E:
n
X
P (B) = P (B|Ai ) P (Ai )
i=1

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 8 / 19

5
Ejemplo
Una empresa desarrolladora de antivirus nos proporciona la siguiente informacion para juzgar las
ventajas de su producto estrella:

Si un ordenador esta infectado, lo cual ocurre segun ellos en un 1% de las ocasiones, el test antivirus
nos dira que el ordenador esta infectado el 99% de las ocasiones.
Si un ordenador no esta infectado, lo cual ocurre segun ellos en un 99% de los casos, el test antivirus
nos dira que esta infectado en un 5% de las ocasiones.

Son estos valores adecuados?

Parametros conocidos:
P (L), P (Lc ), P (T + |L), P (T + |Lc )

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 9 / 19

6
Teorema de Bayes
Sea A1 , . . . , An E, un sistema exhaustivo y excluyente de sucesos.

Sea B E un suceso del que conocemos las probabilidades:

P (B|Ai ) i = 1, . . . , n.

Entonces se verifica j = 1, . . . , n:

P (B|Aj ) P (Aj )
P (Aj |B) = Pn
i=1 P (B|Ai ) P (Ai )

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 10 / 19

7
 Verosimilitud
Supongamos que partimos de dos hipotesis, A o Ac , y partimos de unas creencias iniciales o
probabilidades a priori,
P (A) y P (Ac ) = 1 P (A)
Realizamos un experimento, G o Gc , del que obtenemos cierta informacion.

Dependiendo de cual de las hipotesis fuera cierta, A o Ac , tendramos una verosimilitud de que
ocurriese G,
P (G|A) o P (G|Ac ).
Puesto que hemos observado G las nuevas probabilidades relevantes seran las probabilidades a
posteriori,
P (A|G) o P (Ac |G)

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 11 / 19

Estadstica 12 / 19

Variables Aleatorias
En todo proceso de observacion o experimento podemos definir una variable aleatoria asignando a
cada resultado del experimento un numero:

 Resultado Numerico.

 Etiqueta numerica asignada a cada resultado cualitativo.

Variable Aleatoria Discreta: Aquella que solo puede tomar un numero finito, o infinito numerable, de
valores distintos.

Variable Aleatoria Continua: Aquella que puede tomar un numero infinito, o no numerable, de valores
distintos.

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 13 / 19

8
Funcion de Probabilidad
Dada una Variable Aleatoria Discreta, X, se define su funcion de probabilidad, f (xi ), como la
probabilidad de que X tome el valor xi :

f : E [0, 1]
xi f (xi ) = P (X = xi )

Si xi
/ E, f (xi ) = 0.

f (xi ) 0 i = 1, . . . , n.
P
f (xi ) = 1.

Momentos de una V.A.:

P
Esperanza o Media: E[X] = = xi f (xi )
Varianza: V ar[X] = 2 = (xi )2 f (xi )
P

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 14 / 19

Funcion de Distribucion
X
F (xi ) = f (xj ) = P (X xi )
ji

Ejemplo:

Distribucion de Bernulli: Resultado de la observacion de un experimento con dos resultados posibles.

P (X = 1) = p,
P (X = 0)1 p = q.

f (x) = px q 1x

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 15 / 19

9
Funcion de Densidad
Dada una Variable Aleatoria Continua, X, se define su funcion de densidad, f (xi ), como una funcion
integrable, no negativa, verificando:

f (xi ) 0 x R.
R
f (x)dx = 1
Rb
Dados a < b, P (a X b) = a f (x)dx.

Momentos de una V.A.:

R
Esperanza o Media: E[X] = = x f (x)dx
R
Varianza: V ar[X] = 2 = (x )2 f (x)dx

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 16 / 19

Funcion de Distribucion
Z x
F (x) = P (X x) = f (t)dt

Ejemplo:

Distribucion Uniforme:
1

ba a<x<b
f (x) =
0 en el resto


0 xa
xa
F (x) = a<x<b
ba
1 xb
a+b (b a)2
= ; 2 =
2 12

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 17 / 19

10
Distribucion Normal
Descubierta por Gauss como respuesta a las irregularidades y errores en procesos de medicion.

Una V.A. tiene una distribucion Normal, N (, ), si su funcion de densidad es:

(x )2
 
1
f (x) = exp
2 2 2

Normal estandar, = 0, = 1:  2
1 z
f (z) = exp
2 2
Z z  2
1 t
(z) = P (Z z) = exp dt
2 2

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 18 / 19

Teorema Central del Lmite

En todo proceso de medicion en el que no existen errores sistematicos, las medidas tomadas
seguiran una distribucion normal.

Licesio J. Rodrguez-Aragon Metodos Cuantitativos Org. Ind. 19 / 19

11