Mod Esto Unidad 02

Unidad 2: Repaso Probabilidad y
Estadísticas
Modelos Estocásticos
Profesor Alvaro J Cepeda Ortiz
alvarocepeda@Hotmail.com
Unidad 2: Repaso Probabilidad y Estadísticas
1 Funciones de Distribución de Probabilidades
2 Esperanza, Varianza y Momentos
3 Probabilidades y Esperanza condicionales
4 Intervalos de confianza y test de hipótesis
5 Elementos de combinatoria
6 Distribuciones mas importantes
Concepto de Probabilidad
• Evento Aleatorio (Incierto): Un evento que puede o no ocurrir , cuando se dan las
condiciones “C”.
• Probabilidad de una Evento (A): Sí se repiten las condiciones “C” repetidamente, la
proporción de las veces que ocurra el evento “A” rara vez se desvía de cierto valor
constante (se centra dentro de un valor), representando una constante del fenómeno. Ha
esta definición de probabilidad se le denomina frecuencias relativas.
• Probabilidad bajo definición clásica: “n” eventos mutuamente excluyentes y
equiprobables y que cubren todos los posibles resultados elementales del experimento.
• Probabilidad bajo definición axiomática: el modelo de Kolmogorov postula:
– Existe un conjunto Ω de eventos elementales
– Se define una familia F de subconjuntos de Ω con las siguientes condiciones
• Contiene al conjunto Ω como uno de sus elementos
• Si los conjunto A y B de G son elementos de F, también lo son AUB, A∩B, y los
complementos A y B.
– Los elementos de la familia F son eventos aleatorios, para cada elemento de A de F,
se define un número P(A), que se define la probabilidad de A, que satisface las
siguientes condiciones:
• P(Ω)=1
• Si A1, A2, … An, son eventos mutuamente excluyentes, entonces:
• P(A1UA2...UAn)=P(A1)+P(A2)…+P(An)
Concepto de Probabilidad
Familia “F”
P(Ω)=1
Conjunto “Ω” P(A1UA2...UAn)=P(A1)+P(A2)…+P(An)
Conjunto A e P(Ej) ≥0, P(Ej) = 1,

e
e e
e
e
e
Conjunto B
e
e e
e
e
e
Conceptos Estadísticos
• Un evento aleatorio, es uno que puedo o no ocurrir cuando se presenta un conjunto de C

condiciones. Este conjunto C de condiciones se denomina experimento , no puede ser
predicho a priori.
• El conjunto de todos los resultados posibles del experimento se denomina espacio
muestral.
– Ejemplo: Lanzar dos dados, podemos definir dos espacios muestrales:
• Todos los pares de números posibles, Ω = {(n,m): n,m=1,2,3,4,5,6}
• La suma de los dos dados, el espacio muestral es Ω ={2,3,4…12}
• El resultado de un experimento, una vez que se lleva a cabo, corresponderá a uno y
solo uno de los eventos elementales.
• Una variable aleatoria “X” es una función desde el espacio muestral Ω hasta el conjunto
R de los números reales.
Ω IR
X
w X(w)
Conceptos Probabilísticos
Ω IR
X
w X(w)
• La función de distribución de X, que denominaremos FX( ) se define del siguiente

modo:
– FX(x) = P {w: X(w) ≤ x}
• El conjunto A {w: X(w) ≤ x} es el conjunto de todos los resultados elementales del
experimento cuya imagen, según la función X, es menor o igual al número real x, y por la
tanto es un evento, y como tal tiene asociado una P(A).
Ejemplo Probabilístico
Suponga que un lanzamiento de un dado (un ensayo del experimento) se quiere predecir la
probabilidad del evento A={3,5}. Puede decirse que se da o realiza el evento A si sale “3”; si esto
no es así pero sale el “5”, también se dice que se da el evento A. En consecuencia resulta lógico
pensar que la probabilidad teórica del evento A esta relacionada con las probabilidades de los
resultados simples que los constituyen. La propuesta para dicha relación es:
1 1 2
P( A)  P(3,5)  P(3)  P(5)   
6 6 6
y se trata de una aplicación de la regla conocida como regla aditiva de probabilidades.
Se puede tener la siguiente expresión:
mE
P( E ) 
ns
ns = cantidad eventos posibles del espacio muestral S.
me= cantidad de eventos de interés del espacio muestral.
Acercamiento Experimental a la Probabilidad
Se tiene que la probabilidad de que salga “cara” al lanzar una moneda es 0,5, pero ¿esto
realmente ocurre al realizar el experimento?.
Los resultados de un número k de lanzamientos de una moneda o ensayos se componen de una
secuencia de “caras” y “sellos”, por lo que se irá registrando el número de “caras” que se vayan
dando sucesivamente; a este valor se le denominará frecuencia absoluta acumulada y se
denotará como Fk(E); también se calculará la proporción o frecuencia relativa del número de
caras que se van dando sucesivamente, denotada como fk(E) y conocida como la frecuencia
relativa acumulada:
ncaras F ( E)
Ensayo:k Resultado Fk fk f k ( E)   k , k  1,2,3...
1 1/1=1 nensayos k
cara 1
2 cara 2 2/2=1
3 cara 3 3/3=1
4 cara 4 4/4=1
5 cara 5 5/5=1
6 cara 6 6/6=1
7 sello 6 6/7=0,86
8 cara 7 7/8=0,87
9 cara 8 8/9=0,89
10 cara 1 8/10=0,8
Asignación de probabilidad al evento E
Ensayo: k Fk fk |fk-0,5| Realizando una serie de 100 ensayos, se puede observar que la
1 1 1.0000 0.5000
función tiende a 0,5, con un margen de error del orden del 0,05
2 2 1.0000 0.5000
3 3 1.0000 0.5000
4 4 1.0000 0.5000
fk
5 5 1.0000 0.5000 01.100
01.000
6 6 1.0000 0.5000
00.900
7 6 0.8571 0.3571
00.800
8 7 0.8750 0.3750
00.700
9 8 0.8889 0.3889
00.600
10 8 0.8000 0.3000 00.500
11 9 0.8182 0.3182 00.400
12 10 0.8333 0.3333 0 20 40 60 80 100
13 10 0.7692 0.2692
. . . .
ncaras
. . . . fk  0,5 cuando k 
. . . . nensayos
91 51 0.5604 0.0604
92 51 0.5543 0.0543
93 51 0.5484 0.0484 lim f k  0,5
k
 
94 52 0.5532 0.0532
95 53 0.5579 0.0579
96 53 0.5521 0.0521
97 54 0.5567 0.0567
98 55 0.5612 0.0612
99 55 0.5556 0.0556
100 55 0.5500 0.0500
Variables Aleatorios Discretas
Supongamos el lanzamiento de dos monedas, donde

S = {(cara, cara), (sello, cara), (cara, sello), (sello, sello)}
Para facilitar la manipulación matemática, se expresa la siguiente tabla.
S (cara, cara) (sello, cara) (cara, sello) (sello, sello)

Y 0 1 1 2
Como los valores números de Y heredan la naturaleza aleatoria de los resultados que
representan, esto se conoce como variable aleatoria, dado que es un conjunto discreto, se
tendrá que Y es una variable aleatoria discreta.
Podemos tener
x=(cara, sello)
Y(x)=1
Por tanto
y=Y(x)
Distribuciones Discretas de Probabilidad
La variable aleatoria puede ver como un proceso que permite, por medio de una función ir de un
espacio muestral S de un experimento a un “nuevo” espacio Y. Para que Y sea un realidad un
nuevo espacio muestral del experimento, se requiere asignar probabilidades a los elementos de
Y, pero la asignación no es arbitraria; se hace a través de una función y de modo que Y sea
equivalente a S. el resultado de esta asignación es conocida como una función de probabilidad
o distribución de probabilidades.
S (cara, cara) (sello, cara), (cara, sello) (sello, sello)

Y 0 1 2
P(y) ¼ 2/4 ¼
La distribución de probabilidad del

lanzamiento de dos dados.
Distribución de Probabilidades Acumulada
Si consideramos de forma acumulada los resultados de la distribución de probabilidad se

puede obtener la gráfica y ecuación siguientes
P(a  z  b)  F (b)  F (a)

Siendo a y b eventos de S
Media una Variable Aleatoria
La media del conjunto de números {x1, x2, x3… xn}, que constituye una variable aleatoria
discreta X, se denota como µx, y está dad como la media ponderada de sus elementos xi,
utilizando como pesos las probabilidades P(xi) correspondientes. En términos algebraicos,
esto queda expresado así:
x1 * P( x1 )  x2 * P( x2 )  ....  xn * P( xn )

P( x1 )  P( x2 )  ....  P( xn )
Dado que
P( x1 )  P( x2 )  ....  P( xn )  1
Se tiene
n
 x   xi * P( xi )
i 1
Varianza de una Variable Aleatoria
La varianza de una variable aleatorio discreta X se denota como  x2 (Var(X)) y se define

como la media ponderada de las diferencias de valores xi de X respecto a su media µx’
elevadas al cruadrado: (xi-µx)2 .Los pesos utilizados para cada diferencia son las
probabilidades correspondientes P(xi). Algebraicamente:
( x1   x ) 2 * P( x1 )  ( x2   x ) 2 * P( x2 )  ....  ( xn   x ) 2 * P( xn )
  Var( X ) 
2
P( x1 )  P( x2 )  ....P( xn )
X
Dado que
P( x1 )  P( x2 )  ....  P( xn )  1
Se tiene
n
  Var( X )   ( xi   x ) 2 * P( xi )
2
x
i 1
Obteniendo raíz cuadrada es la desviación estándar
 x   x2
Ejemplo de Esperanza
Se diseña un nuevo juego al azar (el pepito) consistente en colocar en una urna transparente
25 esferas. Mediante el mecanismo de inyección de aire se capturaría una esfera en cada
juego. Las esferas tienen impreso un número que corresponde a los pesos que ganaría en una
participación. La distribución de los números es como sigue
•10 esferas tienen impreso el número 20
Se puede decir que el costo base de participación es el costo en el que juego es legal (juego
equitativo para la casa y jugadores). A partir del costo base se decide el costo real de
participación; esto es, el precio por juego que resulte atractivo para los jugadores y deje
ganancias a la casa.
Calcule el costo base y discuta el costo real de participación.
Ejemplo de Esperanza
Se define la variable aleatoria X como el número impreso en cada esfera, esto es lo que un
jugador puede obtener en un jugada:
Esperanza matemática de una función
definida sobre una variable aleatoria
La esperanza matemática de una función g(x) definida sobre una variable aleatoria X={x1,
x2, x3… xn} esta dada por
E( g ( x))  g ( x1 ) * P( x1 )  g ( x2 ) * P( x2 )  ....  g ( xn ) * P( xn )
Donde g(x1) y P(x1) son, respectivamente, los valores funcionales y las probabilidades
correspondientes a x, para i=1, 2, ….n.
En términos de sumatoria se tiene:
n
E ( g ( x))   g ( xi ) * P( xi )
i 1
Supongamos g(x)= a + bx, cuya esperanza corresponderá a:
E(a  bx)  (a  bx1 ) * P( x1 )  (a  bx2 ) * P( x2 )  ....  (a  bxn ) * P( xn )
a * P( x1 )  bx1 * P( x1 )  a * P( x2 )  bx2 * P( x2 )  ....  a * P( xn )  bxn * P( xn )
a * (P( x1 )  P( x2 )  P( xn ))  b( x1 * P( x1 )  x2 * P( x2 )  ....  xn * P( xn ))  a  b * E( x)
Probabilidad Condicional
Existen situaciones en que la distribución de probabilidad puede irse modificando a medida

que se obtiene mayor información , ya sea de la historia pasada del proceso o de cómo
ésta va evolucionando a partir del presente.
Las variables aleatorias siguen siendo las mismas, pero son las funciones de distribución
de probabilidades las que cambian.
A y B son dos subconjuntos de Ω, entonces la probabilidad condicional de A dado B,
corresponde a la probabilidad de que ocurra A dado que se sabe que B ocurrió, y se define
como:
P( A / B)  P( A  B) / P( B)
nresultados( A  B)
P( A / B) 
nresultados( B)
Ejemplo Probabilidad Condicional
Considere el lanzamiento de 2 dados, uno verde y uno rojo. La probabilidad de que la suma de
los números resultantes en ambos dados dé mayor igual a 8, es 15/36 (ver resultados dentro del
triangulo).
Sin embargo, si el dado rojo ya se detuvo y el número resultante es 5, entonces la probabilidad
de que las suma sea mayor igual a 8 es de 4/6 (ver parte sombreada del rectángulo). En otras
palabras de obtener mayor o igual 8 cuando se tiene información relacionado con el evento de
interés.
Dado Verde
1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 3 4 5 6 7
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 4 5 6 7 8
Dado Rojo
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

4 5 6 7 8 9
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 6 7 8 9 10
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 7 8 9 10 11
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
7 8 9 10 11 12
Otro Ejemplo de Probabilidad Condicional
Se tienen dos discos giratorios el primero se ha dividido en 4 secciones iguales, numerados 1,

2, 3 y 4. El segundo disco se ha dividido en tres sectores iguales coloreados como verde,
blanco y rojo: v, b y r, respectivamente. Determine la probabilidad de obtener (2,b) dado que el
primer disco ya se detuvo y lo hizo en un número par.
Se tiene el siguiente espacio muestral:

Disco 2
v b r
1 (1,v) (1,b) (1,r)
Disco 1
2 (2,v) (2,b) (2,r)

3 (3,v) (3,b) (3,r)
4 (4,v) (4,b) (4,r)
Hay 12 resultados posibles equiprobables, por lo que la probabilidad a priori de A=(2,b) es

1/12. Como se tiene información de que el resultado del disco 1 es par, los resultados posibles
se reducen al subconjunto o evento C= [(2,v), (2,b), (2,r), (4,v), (4, b), (4,r)], cuya probabilidad
a priori es 6/12. La intersección del evento A y del evento C es solamente (2,b), o sea el mismo
evento A, cuya probabilidad es 1/12. Se tienen
Distribución de medias de muestras y
Teorema del Límite Central
Experimento de Buffon: Se tiene un plano con dos rectas paralelas separadas con una
distancia entre sí de 2a. Sobre él, se arrojan agujas al azar de longitud 2l (l<a), como se muestra
a continuación.
2l
2a 2l 2l 2l
2l
La medición de la posición del centro de la aguja a la paralela más cercana da lugar a una
variable aleatorio continua X cuyo espacio muestral es [0,a].
La distribución de probabilidades es uniforme continua con media µ=a/2 y varianza σ2=a2/12. Así,
si a=10, se tiene µ=5, σ2=8,22 y σ=2,89.
Veamos el ejemplo
Teorema del Límite Central:
En el caso de una población cualquiera con media µ y varianza σ2, la
distribución de las medias de muestras X , obtenida partir de todas las
muestras aleatorias de tamaño n de la población, estará distribuida
aproximadamente en forma normal si el tamaño n de las muestras es grande
(n≥30)
Distribución de proporciones de muestras
Definamos  = n° elementos de una pob con cierta característica/tamaño pob
Podemos tener una distribución de probabilidades de la proporción
Por ejemplo, se tiene una caja con 5 bolas, tres blancas y 2 negras, la proporción de las blancas
es  = 3/5. Entonces tendríamos una variable aleatoria que asocia cada muestra con su
Y
proporción correspondiente, así
p 1 0
Y (b1 )  y Y (n1 ) 
1 1
Muestras posibles b1 b2 b3 n1 n2
Proporción: pi 1 1 1 0 0
La media de la población será:

111 0  0 3 Por lo tanto   
 
5 5
2 2
La Varianza queda: 3  3 
  1 * 3    0  * 2
2  
5  5  6

5 25
Expresando σ2 como 3/5*2/5, queda:
 2   (1   )
Segundo ejemplo, se emplean muestras de tamaño n=2, con restitución, tenemos 25 muestras
posibles como lo presenta la tabla
b1 b2 b3 n1 n2
La media de la población de muestras será: b1 2/2 2/2 2/2 1/2 1/2
(2 / 2) * 9  (1 / 2) *12  (0 / 2) * 4 3 b2 2/2 2/2 2/2 1/2 1/2

p  
25 5 b3 2/2 2/2 2/2 1/2 1/2
Se tiene entonces, para n=2 que  p   n1 1/2 1/2 1/2 0/2 0/2
La varianza es n2 1/2 1/2 1/2 0/2 0/2
2 2 2
3  3 1 3 
  1 * 9     *12    0  * 4

5  5 2 5  3
 p2 
25 25
Expresando  p2 como (3/5*2/5)/2, queda:
 (1   )
 p2 
2
Se podría continuar con n=3, 4, 5 llegando a resultado similares, por lo que se tiene.
Población Finita Población Infinita

p   p  
 (1   )  (1   )
 p2  * f ( N , n)  p2 
n n
 (1   )  (1   )
p  * f ( N , n) p 
n n
donde f ( N , n)  1 Para muestro con

restitución
N  n Para muestro sin

y f ( N , n) 
N  1 restitución
Ejemplo de Distribución de proporción de las
muestras
En una empresa empacadora de alimentos se emplean máquinas que empaquetan embutidos.

La forma de establecer si el empaquetado se hizo de manera adecuada, puede ser a través del
peso o si no hay aire en el paquete (empaquetado debe ser al vació). En el segundo caso, la
determinación se hace por inspección visual y el resultado puede ser que el artículo se juzgue
defectuoso y se separe de la línea de proceso. Se dan a continuación una serie de datos
correspondientes a 30 lotes.
Lote Paquetes Defectuosos Lote Paquetes Defectuosos

1 406 4 16 402 3
2 409 9 17 405 9
3 410 8 18 406 7
4 402 3 19 409 6
5 401 5 20 412 5
6 414 4 21 413 8
7 404 7 22 403 6
8 401 8 23 409 9
9 406 6 24 415 17
10 413 4 25 401 10
11 410 12 26 400 6
12 408 7 27 410 8
13 400 4 28 401 8
14 410 15 29 405 3
15 403 10 30 411 5
muestras
Dado que no se tiene la proporción de la población π, se puede empezar estimándola a partir de

los datos disponibles.
Para el cálculo del error estándar se requiere el tamaño n de lotes. Como los tamaños de los
lotes son distintos, se calcula el promedio de ellos.
muestras
Proporción Defectuosos
005%
004%
004%
003%
Proporción
003%
002%
002%
001%
001%
000%
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Lotes
El proceso se encuentra bajo control
Intervalos de Confianza
Con información contenida en los datos de una muestra interesa estimar un valor al parámetros
de interés de la población de origen. La estimación puede hacerse directamente con el valor
simple del estadístico (estadígrafo) de muestra, en cuyo caso se dice que se tiene una
estimación puntual del parámetro población.
Dada la cantidad de muestras posibles que se pueden obtener, su variabilidad, y el hecho de que
este tipo de estimación se basa en una sola de ellas, el estadístico de muestra o estimación
puntual queda normalmente por arriba o por debajo del parámetro correspondiente, esto es lo
que motiva a la construcción de un intervalo alrededor del estadístico de la muestra, intentando
atrapar el parámetro.
Es por esto que la construcción del intervalo de confianza se basa en el teorema del límite
central, con lo que se puede establecer el nivel de significancia o probabilidad de que esta
estimación sea incorrecta.
Es así que podemos tener un Error muestral:  

 : parámetro poblacional de interés
 : estadístico de muestra o estimador puntual de 
 Puede ser
cualquier
estimador
Insesgadez
El estadístico de muestra  es un estimador insesgado del parámetro poblacional  si:
  
En caso contrario se dice que  es un estimador sesgado de 
El sesgo de un estimador sesgado  queda definido como:
sesgo de  =   
Gracias al teorema del límite central la teoría sobre la distribución normal es aplicable a alas
distribuciones de muestras grandes. Así, el que la probabilidad de un intervalo de dos
desviaciones estándar muéstrales  X a cada lado de µ sea de 0,955, puede interpretarse como
app 95,5% de las muestras queda dentro del intervalo (  2 X ,   2 X ) o dado que se conoce
σ, dentro de (   2 / n ,   2 / n ) , se desprende:
Para cualquiera de estas muestras, un intervalo de dos desviaciones estándar
muéstrales construido a cada lado de ella, contendrá la media poblacional.
Un intervalo construido para cualquier media x y tamaño grande de n. tiene una probabilidad
de 0,955 de contener a µ.
P( x  2 / n    x  2 / n )  0,955
Las probabilidades del intervalo de confianza, son conocidas como niveles de confianza, y se
denotan con la letra y
Las probabilidades complementarias del intervalo de confianza, son conocidas como niveles de
significancia, y denotan por la letra griega α.
El número de desviaciones estándar a cada lado del intervalo, dependerá de y, por lo tanto suele
escribirse z y , así en general el cálculo exacto del número de desviaciones estándar z y a cada
lado de µ puede plantearse como:
P( x  z y / n    x  z y / n )  y
Nivel de Confianza y Valor Crítica Zy

0,9 1.645
0.95 1.960
0.99 2.576
Ejemplo Intervalos de Confianza
En el llenado de bolsas de jabón en polvo, se tiene que la especificación del peso en la etiqueta
es de 1.000 gramos. De antecedentes históricos se tiene que la desviación estándar de la
población es de 15 grms. Se tomo una muestra de 50 bolsas y se encontró que la media fue de
990 grms. Se desea construir los intervalos de confianza utilizando 90, 95 y 99%.
Para y=90% Para y=95% Para y=99%
1.645 * (15) 1.960 * (15) 2.5676 * (15)

LCI  990   986.51 LCI  990   985.84 LCI  990   984.54
50 50 50
1.645 * (15) 1.960 * (15)

LCS  990   993.49 LCS  990   994.16 2.576 * (15)
50 50 LCS  990   995.46
50
Así 986,51<µ<993,49 Así 985,84<µ<994,16 Así 984,54<µ<995,46
Permutaciones y Combinatorias
Permutaciones y Combinatorias son fórmulas ampliamente usadas para algunos casos de

conteo de la muestra. Es decir, expresan de forma simplificada algunos arreglos de
probabilidades utilizados ampliamente.
Ejemplo de Permutación
Pedro, Juan, Israel y Gerardo fueron los empleados del año en LaPolar, por lo que se rifaran los
premios entre ellos. Sacarán bolas con su nombre de una urna, el primero obtendrá un Televisor
de 42” con pantalla plasma, el segundo obtendrá una lavadora, el tercero un netbook y el cuarto
un frigobar. Se sacarán las bolas sin restitución.
4 P4  4 * 3 * 2 *1  24
De forma general:
n Pn  n * (n 1) * (n  2) *....*1  n! Para n>=1
Que sucede cuando los elementos con que se realiza la permutación no son todos diferentes,
por lo que existen algunos que se repiten.
n!
n Pn ( n1 , n2 ,...nr )  , n1  n2  ...  nr  n
n1!*n2!*..* nr !
Se tienen 6 números elaborados de bronce: 3,4,5,6,7,8. Las diferentes cifras que se pueden
elaborar son 6!=720.
Supongamos que ahora que los dígitos 7 y 8 son reemplazados por el 4, quedando entonces
3,4,5,6,4,4.
Se desea calcular el número de permutaciones posibles con 6 elementos de los cuales 3 son
repetidos.
6 P6(3) *3 P3 6 P6
P6 6!
6 P6 ( 3)    6 * 5 * 4  120
6
P
3 3 3!
Ahora se quiere reemplazar el dígito 5 por el 3, tendríamos: 3,4,3,6,4,4.
2 P2 *6 P6(3, 2) 6 P6(3)
P6(3) P 6!
6 P6(3, 2)  6
 6 6   60
P
2 2 P * P
3 3 2 2 3!*2 !
Ejemplo de Combinatoria
El club de futbol Barcelona ha invitado a los equipos Real Madrid, Manchester y Chelsea a un
torneo corto, para el primer encuentro se podría tener cualquiera de las siguientes posibilidades.
Barcelona v/s Real Madrid Barcelona v/s Chelsea Barcelona v/s Manchester
Manchester v/s Chelsea Real Madrid v/s Manchester Real Madrid v/s Chelsea
Una ordenación diferente daría el mismo resultado, ya que el orden juega un rol importante. Así
el ejemplo es una Combinación de 4 elementos para ser arreglados sobre 2 posibilidades.
2 P2 *4 C2 4 P2
4 P2
C
4 2 
2 P2
Pr
n Cr 
n
r Pr
n!
n Cr  ,n  r 1
(n  r )!r!
Distribución Uniforme Discreta
Representa situaciones en las que, a cada elemento de la variable aleatoria, es posible de

asignarle la misma probabilidad. Así la variable aleatoria X={x1, x2,…. xn}, y se tienen n
elementos equiprobables, la probabilidad de cada uno de ellos es igual a 1/n, dando lugar a la
distribución probabilidad uniforme.
X x1 x2 …. xn
P(xi) 1/n 1/n …. 1/n
1
P( xi )  ,para i=1, 2, …, n
n
La función de distribución acumulada sería:
k
1
P( X  xk )  P( x1 )  P( x2 )  ....  P( xk )   P( xi )  k *
i 1 n
Distribución Uniforme Discreta
La gráfica de la distribución uniforme acumulada

sería la siguiente
La media y varianza de la variable aleatoria con

distribución uniforme sería:
Media
1 1 1 ( x1  x2  ....  xn )
 x  x1 *  x2 *  .....  xn * 
n n n n
n
x i
x  i 1
n
Varianza
( x1   x ) 2 *1 / n  ( x2   x ) 2 *1 / n  ....  ( xn   x ) 2 *1 / n
  Var( X ) 
2
P( x1 )  P( x2 )  ....P( xn )
X
( x1   x )  ( x2   x )  ....  ( xn   x )
2 2 2  (x   )
i x
2
 X2   i 1
n n
Desviación Estándar
n
 (x   )
i x
2
X  i 1
n
Distribuciones de Probabilidad Discretas
Resumiendo
Dado una variable aleatoria X con un espacio muestral R={x1,x2,….,xn} tiene una distribución
uniforme si
Entonces, cada posible valor tiene igual probabilidad. La Media y la varianza son:
Entonces, E(X) es la media aritmética de los valores que X puede asumir, En particular, si xi=i,
entonces.
0.14
0.12
Probablidad
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8
Distribución Geométrica
Dado una variable aleatoria X con un espacio muestral R={1,2,….} tiene una distribución
geométrica con parámetro p, o<p<1, si
La Media y la varianza son:
Por ejemplo, si X es una variable aleatoria discreta que indica la frecuencia con que uno debe
lanzar un dado para obtener a la primera vez un 6, entonces X tiene una distribución geométrica
con p=1/6.
Es la probabilidad de que se necesiten x ensayos para obtener un
1.2
éxito.
1 Algunos casos, la distribución geométrica se define en un espacio
muestral de R={0,1,2…}, entonces
Porbabilidad
0.8
0.6
p=0,11 p=0.25
0.4 p=0,5 p=0,75
p=0,99
0.2
0
1 2 3 4 5 6 7 8
Distribución Bernoulli
Dado una variable aleatoria X con un espacio muestral R={0,1} tiene una distribución Bernoulli
con parámetro p, o<p<1, si
Distribución Binomial
Puede verse como una sucesión de n ensayos de Bernoulli.

El ensayo de Bernoulli, consisten en un ensayo con dos resultados posible – artículo
defectuoso o artículo no defectuoso, cara o sello, éxito o fracaso, así tenemos que la
probabilidad de éxito p y la de fracaso q, por lo que
p+q =1
Es así que los resultados posible de un n ensayos bernoulli se expresa como 2n
Si n=3, hay 8 resultados posibles:
{(f,f,f), (e,f,f), (f,e,f), (f,f,e), (e,e,f), (e,f,e), (f,e,e), (e,e,e)}
En el caso de n=2, la variable aleatorio queda
S (f,f) (e,f), (f,e) (e,e)

X 0 1 2
Ejemplo
Se tienen 10 bolas en una urna; tres de ellas son rojas y siete azules. Si se hacen n
extracciones con restitución, cada extracción constituye un ensayo de Beronuilli , y las n
extracciones un experimento Binomial.
En una extracción cualquiera, el obtener una bola roja puede definirse como éxito, e, y el
obtener una bola azul como fracaso f.
Por lo tanto, p=0,3, para cada ensayo de Beronulli, y complementariamente q=0,7.
La variable aleatoria X puede tomar cualquiera de los valores siguientes
0 éxitos (ninguna bola roja en n extracciones)
1 éxito (una bola roja en n extracciones)
…………
n éxitos (n bolas rojas en n extracciones)
La probabilidad de cada uno de estos n+1 resultados conformarán la distribución de

probabilidad.
Se tiene un experimento Binomial con n ensayos de Beronulli; hay entonces 2n resultados

posibles. La variable aleatoria Binomial es X={0, 1, 2, …, n}.
Ahora, se busca la probabilidad de obtener 0 éxitos, y por tanto, n fracasos: P(x=0), por lo que
hay solo un resultado que favorece este evento, y esta representada por:
ensayos: 1, 2, ….., n
resultados {f, f, ….....,f}

La probabilidad de obtener un fracaso f en un ensayo es q; la probabilidad de obtener dos
fracasos consecutivos {f,f} en dos ensayos, dado que son independientes, es q2
De modo que la probabilidad de que se den n fracasos consecutivos en n ensayos es qn y se
tiene por inducción, el término para cualquier valor de x de X, esto es P(x).
Es así que en el caso de x éxitos, y por lo tanto, n-x fracasos, y se trata de determinar la P(x).
El arreglo más simple de los de este tipo es x éxitos seguidos de n-x fracasos.
ensayos: 1, 2, ….., x, 1, 2,…., n-x
resultados {e, e, …...,e, f, f,….., f}
La probabilidad de este resultado, debido a la condición de independencia en cada ensayo, es

pxqn-x.
Cualquier otro arreglo con x éxitos y n-x fracasos tendrá la misma probabilidad, y lo que queda
entonces es determinar el número de estos arreglos; para esto se puede considerar que se
trata de permutaciones de n elementos, donde uno de los elementos se repite x veces y el otro
n-x veces, por lo que se tienen entonces, de acuerdo la formula de permutaciones con
repetición arreglos. Por lo tanto la probabilidad de obtener x éxitos en n ensayos
n!
x!(n  x)!
 n! 
P( x)   
 * p x q n x  , para x=0,1,2,…n.
 x!(n  x)! 
Por simplicidad suele denotarse
n
 
P( x)    * p x q n  x  b( x; n, p) , para x=0,1,2,…n.
 x
Ejemplo
Del ejemplo de las 3 bolas rojas y 7 bolas azules en una urna, sí se considera que se hacen
10 extracciones con restitución, determinar:
a) La probabilidad de obtener exactamente 0 bolas rojas y exactamente 10 bolas rojas.
b) La probabilidad de obtener exactamente 4 bolas rojas y exactamente 6 bolas rojas.
c) La probabilidad de obtener menos de 4 bolas rojas.
d) ¿Pará que valor de x se esperaría obtener el mayor valor de probabilidad?.
Considerando como éxito el obtener una bola roja en una extracción, p=0,3 y q=0,7. Se tienen
10 extracciones por lo que n=10.
a) En este inciso se pide la probabilidad de obtener exactamente 0 bolas rojas y 10 bolas
rojas, por lo que x=0 y n=10, respectivamente. Por lo tanto:
10  10! 10!

b(0;10,0.3)    * 0,30 * 0,710  *1* 0,710  *1* 0,0282  0,0282
0  (10  0)!*0! 10!
10  10! 10!

b(10;10,0.3)    * 0,310 * 0,7 0  * 0,310 *1  * 5,9049 *10 6 *1  5,9049 *10 6
10  (10  10)!*10! 10!
b) De acuerdo con la fórmula
10  10!
b(4;10,0.3)    * 0,34 * 0,7 6  * 0,34 * 0,76  0,2001
4  (10  4)!*4!
10  10!
b(6;10,0.3)    * 0,36 * 0,7 4  * 0,36 * 0,7 4  0,0367
6  (10  6)!*6!
c) En este caso se pide la probabilidad de obtener menos de cuatro bolas rojas, por lo que el
evento se favorece cuando se obtienen 3 bolas rojas, que 3 cumple con esta condición, pero
también se cumple cuando se obtienen 3 bolas rojas, 1 bola roja, e incluso cuando no se
obtienen bolas rojas, ya que cada uno de estos elementos favorecen el evento. Se trata de la
probabilidad del evento {0,1,2,3}.
P( X  4)  P( x  0)  P( x  1)  P( x  2)  P( x  3)
P( X  4)  b(0;10,0.3)  b(1;10,0.3)  b(2;10,0.3)  b(3;10,0.3)

P( X  4)  0,0282  0,1211  0,2335  0,2668  0,6496
d) Se atiende exclusivamente el hecho de que hay 3 bolas rojas y 7 bolas azules en la urna,
se esperaría, empleando las ideas de probabilidad teórica, obtener en 10 extracciones
alrededor de 3 bolas rojas, de modo que la hipótesis es que la probabilidad mayor debería ser
la de X=3. La distribución de probabilidad sería:
X 0 1 2 3 4 5 6 7 8 9 10
b(x:10, 0.3) 0,028 0,121 0,233 0,267 0,200 0,103 0,037 0,009 0,001 0,000 0,000
e) Al graficar la distribución se obtiene.
La función de distribución acumulada F correspondiente a la distribución binomial se

expresa como:
F ( x)  P( X  x)  P(0)  P(1)  .....  P( x)
 b(0; n, p)  b(1; n, p)  .....  b( x; n, p)

La notación más comúnmente empleada es:
B( x; n, p)  b(0; n, p)  b(1; n, p)  .....  b( x; n, p)
En notación de sumatoria:
x
B( x; n, p)   b(k ; n, p)
k 0
Ejemplo: En un estudio se encontró que 90% de las casa de una colonia de una cierta ciudad
tienen piso de cemento. En una muestra tomada aleatoriamente de 10 casas, ¿Cuál es la
probabilidad de que:
a) a lo más 4 casas tengan piso de cemento?
b) Al menos 5 casas tengan piso de cemento?
c) Más de 2 casas, pero menos de 7 casa, tengan piso de cementos?
a) La expresión “a lo más de 4 casas tengan piso de cemento” significa el máximo de casas

aceptable para validar o favorecer el evento, por tanto, el evento se favorece se si se
encuentran 4 casas con piso de cemento, pero, si se encuentran 3 casas con piso de
cemento, el evento también se favorece, así como con 2,1 o 0 casas con piso de
cemento.
Por lo tanto, la situación puede expresarse, en términos de función acumulada como
B(4;10,0.9)≈ 0,0001
b) La expresión “al menos 5 casas tengan piso de cemento”, se refiere al mínimo de casas
aceptable para validar o favorecer un resultado; de modo que, de entrada se
considerarían 5 éxitos. Se favorece si se encuentra 5,6,7,8,9 o 10 éxitos.
En términos de distribuciones acumuladas esto puede calcularse así:
P( X  5)  1  B(4;10,0.9)
Dado que se tiene el valor de B(4;10,0.9) del inciso anterior resulta fácil el cálculo:
P( X  5)  0,99999
c) En este caso, una parte del enunciado dice: “más de dos casas….”, y se refiere a más de 2
éxitos, por lo que el primer valor a considerar es de 3 éxitos. El complemento del
enunciado: “pero menos de siete casas tengan piso de cemento”, indica que el último
valor a incluir es 6. De este modo, se trata entonces de calcular:
P(2  X  7)  P(3  X  6)  B(6;10,0.9)  B(2;10,0.9)
 0,0128  3,736 *107  0,0128
La media y varianza de la distribución binomial
n2 x 0 1 2  x  0q 2  2qp  2 p 2  x2  (0q 2  2 pq  4 p 2 )  4 p 2

b( x; n, p) q 2 2qp p 2  2 p(q  p)  2 p  2 pq
n3 x 0 1 2 3  x  0q 3  3q 2 p  6qp2  3 p 3  x2  (3q 2 p  12qp2  qp3 )  9 p 2

b( x; n, p) q 3 3q 2 p 3qp2 p 3  3 p(q2  2 pq  p2 )  3 p(q2  4qp  3 p2  3 p)
 3 p(q  p)2  3 p  3 p[q(q  4 p)  3 p(1  p)]
 3 p[q(q  4 p)  3 pq]
 3 p[q(q  p)]  3 pq
De forma general
 x  np
 x2  npq
 x  npq
Resumen Distribución Binomial

Dado una variable aleatoria X con un espacio muestral R={0,1,…n} tiene una distribución
Binomial con parámetro p, o<p<1, y n si
1
Distribución Binomial n=8
0.9
0.8
0.7 p=0.11
Probabilidad
0.6 p=0.25
0.5
p=0.5
0.4
p=0.75
0.3
p=0.99
0.2
0.1
0
1 2 3 4 5 6 7 8 9 10
Distribuciones de Probabilidad de Poisson
Distribución Poisson
Dado una variable aleatoria X con un espacio muestral R={0,1,2,….} tiene una distribución
poisson con parámetro λ si
El parámetro λ es igual al valor medio y la varianza de X:
0.3
0.25 λ=2 λ=3

λ=4 λ=5
Probabiludad
0.2 λ=6
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10 11 12 13
Ejemplo de Distr de Poisson
Se sabe que una substancia radioactiva emite, en promedio, 2.5 partículas por segundo. Se
desea encontrar la probabilidad de que:
a) El número de emisiones en un segundo sean: x=0,1,2,3,4,5.
b) Se emita a lo máximo una partícula en 1 segundo.
c) Se emita en 3 segundos una partícula.
d) Se emitan desde 3 hasta 6 partículas en 2 segundos.
e) Construir una gráfica de la distribución de probabilidad individual y acumulada para λ=2.5
Distribuciones de Probabilidad Continuas
Distribución Uniforme Continua

Dado una variable aleatoria X sobre el intervalo [c,d] donde c<d.
Así, para cualquier subintervalo [a,b] de [c,d], la probabilidad correspondiente es
La media y varianza
Distribución Pareto
Dado una variable aleatoria X tiene una distribución pareto sobre el intervalo si tiene una
distribución
La media y varianza
Distribución Exponencial
Dado una variable aleatoria X tiene una distribución exponencial con parámetro λ si tiene la
siguiente distribución de densidad
La media y varianza son
Distribución Erlang
Dado una variable aleatoria X tiene una distribución Erlang con parámetros λ y n si tiene la
La media y varianza son
Distribución Gamma
Dado una variable aleatoria X tiene una distribución Erlang con parámetros α y β si tiene la
Donde Gamma esta definido por
La Media y Varianza son
Distribución Beta
Dado una variable aleatoria X tiene una distribución Beta en el intervalo [0,1] con parámetros α y
β si tiene la siguiente distribución de densidad
Donde Beta esta definido por
Distribución Weibull
Dado una variable aleatoria X tiene una distribución Weibull con parámetros ϴ y β si tiene la
Distribución Normal
Dado una variable aleatoria X tiene una distribución Normal con parámetros µ y σ si tiene la
La media y varianza:
Derivadas
La derivada se representa cómo una función que

cambia (valor de la variable dependiente) a medida
que su entrada (valor de la variable independiente)
cambia. En términos poco rigurosos, una derivada
puede ser vista como cuánto está cambiando el
valor de una función en un punto dado (o sea su
velocidad de variación)
Por ejemplo, la derivada de la posición de un
vehículo con respecto al tiempo, es la velocidad
instantánea con la cual el vehículo está viajando.
Derivadas de Potencias
Derivada del producto de dos

funciones.
f ' ( xy)  xf ' ( y)  yf ' ( x)

Derivada Exponencial.
yf '
( x )  xf '
( y)
f ( x)  e x f ( x / y) 
'
f ( y) 2
f ' ( x)  e x * f ' ( x)
Integrales
Propiedades Integral
 dx  x  C
1
 x dx  ln( x)  C  
x x
e dx e
x n 1  ln x dx  x ln x  x
 dx  n 1  C
n
x
 dx  ln x  C
n 1
x
Fin Unidad 02

Mod Esto Unidad 02

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Mod Esto Unidad 02

Caricato da

Copyright:

Formati disponibili

Unidad 2: Repaso Probabilidad y

1 Funciones de Distribución de Probabilidades

2 Esperanza, Varianza y Momentos

3 Probabilidades y Esperanza condicionales

4 Intervalos de confianza y test de hipótesis

6 Distribuciones mas importantes

Conjunto A e P(Ej) ≥0, P(Ej) = 1,

• Un evento aleatorio, es uno que puedo o no ocurrir cuando se presenta un conjunto de C

• La función de distribución de X, que denominaremos FX( ) se define del siguiente

Supongamos el lanzamiento de dos monedas, donde

S (cara, cara) (sello, cara) (cara, sello) (sello, sello)

S (cara, cara) (sello, cara), (cara, sello) (sello, sello)

La distribución de probabilidad del

Si consideramos de forma acumulada los resultados de la distribución de probabilidad se

P(a  z  b)  F (b)  F (a)

La varianza de una variable aleatorio discreta X se denota como  x2 (Var(X)) y se define

Obteniendo raíz cuadrada es la desviación estándar

a * P( x1 )  bx1 * P( x1 )  a * P( x2 )  bx2 * P( x2 )  ....  a * P( xn )  bxn * P( xn )

Existen situaciones en que la distribución de probabilidad puede irse modificando a medida

3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

Se tienen dos discos giratorios el primero se ha dividido en 4 secciones iguales, numerados 1,

Se tiene el siguiente espacio muestral:

2 (2,v) (2,b) (2,r)

Hay 12 resultados posibles equiprobables, por lo que la probabilidad a priori de A=(2,b) es

Definamos  = n° elementos de una pob con cierta característica/tamaño pob

Podemos tener una distribución de probabilidades de la proporción

La media de la población será:

La media de la población de muestras será: b1 2/2 2/2 2/2 1/2 1/2

(2 / 2) * 9  (1 / 2) *12  (0 / 2) * 4 3 b2 2/2 2/2 2/2 1/2 1/2

Población Finita Población Infinita

donde f ( N , n)  1 Para muestro con

N  n Para muestro sin

En una empresa empacadora de alimentos se emplean máquinas que empaquetan embutidos.

Lote Paquetes Defectuosos Lote Paquetes Defectuosos

Dado que no se tiene la proporción de la población π, se puede empezar estimándola a partir de

El proceso se encuentra bajo control

Es así que podemos tener un Error muestral:  

Nivel de Confianza y Valor Crítica Zy

Para y=90% Para y=95% Para y=99%

1.645 * (15) 1.960 * (15) 2.5676 * (15)

1.645 * (15) 1.960 * (15)

Permutaciones y Combinatorias son fórmulas ampliamente usadas para algunos casos de

n Pn  n * (n 1) * (n  2) *....*1  n! Para n>=1

Representa situaciones en las que, a cada elemento de la variable aleatoria, es posible de

La función de distribución acumulada sería:

La gráfica de la distribución uniforme acumulada

La media y varianza de la variable aleatoria con

La Media y la varianza son:

La Media y la varianza son:

Puede verse como una sucesión de n ensayos de Bernoulli.

En el caso de n=2, la variable aleatorio queda

S (f,f) (e,f), (f,e) (e,e)

n éxitos (n bolas rojas en n extracciones)

La probabilidad de cada uno de estos n+1 resultados conformarán la distribución de

Se tiene un experimento Binomial con n ensayos de Beronulli; hay entonces 2n resultados

resultados {f, f, ….....,f}

resultados {e, e, …...,e, f, f,….., f}

La probabilidad de este resultado, debido a la condición de independencia en cada ensayo, es

10  10! 10!

10  10! 10!

b) De acuerdo con la fórmula

P( X  4)  b(0;10,0.3)  b(1;10,0.3)  b(2;10,0.3)  b(3;10,0.3)

e) Al graficar la distribución se obtiene.

(2 / 2) * 9  (1 / 2) 12  (0 / 2) 4 3 b2 2/2 2/2 2/2 1/2 1/2

n Pn  n * (n 1) * (n  2) ....1  n! Para n>=1