Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Teora de la Probabilidad
Kesber Angulo Snchez
Probabilidad
PA B PA
PA B PB
Probabilidad
PA B PA
PA B PB
Probabilidad
PA 1 PA
Probabilidad: Escalas
Probabilidad: Grficos
Cuatro tipos de probabilidad
P( X ) P( X Y ) P( X Y ) P( X | Y )
La La La La
probabilidad probabilidad probabilidad probabilidad
de que de que de que de que
ocurra X ocurra X o Y ocurra X e Y ocurra X
sabiendo que
ha ocurrido Y
10
Probabilidad condicionada
P( A B)
P( A | B)
P( B)
11
Probabilidad condicionada
Una vez A ha ocurrido, ya es seguro:
P( A A) P( A)
P( A | A) 1
P( A) P( A)
Entonces: P( A B ) P( A) P( B ) 13
Independencia de m sucesos
Similarmente, m sucesos A1...., Am se llaman independientes
si:
P(A1 ... Am) = P(A1) ... P(Am)
P( A B) P( A) ( B) P( A B)
Ejemplo:
Usted recolecto datos sobre 500 economistas de la academia, la industria privada, y
el gobierno respectos a sus opiniones sobre si la economa podra ser estable, podra
expandirse o podra entrar en un periodo de contraccin en el futuro prximo.
Economa
Forma de pago
B n
P( B) P( B | Ai ) P( Ai )
i 1
A3 A4 20
El teorema de Bayes
A1
Pr( B / A 1)
Pr( A1 )
A2 Pr( B / A 2)
Pr( A2 )
w Pr( B / A 3) B
Pr( A3 ) A3
n
Pr( B) Pr( B / Ai ) Pr( Ai )
.
. i 1
Pr( A n ) Pr( B / A n )
.
An
An
Pr( B / Aj ) Pr( Aj )
An Pr( A j / B) n
P( B / A ) Pr( A )
i 1
i i
X :E
w X ( w)
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.
Ley de
correspondencia
N reales
(# de caras) 0 1 2 3 caras
Establecer una variable aleatoria
X :E
para un experimento aleatorio no
es ms que una manera de asignar
de "manera natural" nmeros a los
eventos. w X ( w)
Funcin de probabilidad o distribucin
Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad o distribucin
de probabilidad asociada a X, de la siguiente forma:
p : [0,1]
x p ( x) P( X x)
La funcin de probabilidad debe cumplir:
(i) 0 p( x) 1 x
(ii ) p( x) 1 (Suma sobre todos los posibles valores
x que puede tomar la variable aleatoria).
Sea el experimento lanzar dos dados. Definamos
el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
6/36
P
5/36 5/36
4/36 4/36
3/36 3/36
2/36 2/36
1/36 1/36
2 3 4 5 6 7 8 9 10 11 12 X
F
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12 x
Ejemplo: Dibuja la funcin de probabilidad f(x) y la funcin de
distribucin F(x) de una variable discreta definida como:
X = Nmero en la cara de un dado.
1 1
6
F(x)
f(x)
0.5
0 1 6 x 0 1 6 x
F : [0,1]
x F ( x) P( X x)
35
Definimos la funcin de distribucin para la variable
aleatoria continua como:
x
F ( x) f (t )dt
x
Diferenciando tenemos: dF ( x)
f ( x)
dx
para cada x donde f(x) es continua. 36
Funcin de densidad de probabilidad
Es una funcin no
negativa de integral 1. 0.25
P ( a x b) 0.10
F (b) F (a ) 0.05
b 0.00
f ( x)dx
10
11
12
13
14
15
1
9
a b
a 37
Observa que:
f (v)dv 1
F () lim F ( x) lim P( X x) P( E ) 1
x x
P( x1 X x2 ) F ( x2 ) F ( x1 )
F es montona creciente.
F(x) = 0 si x -1
x
F ( x) 0.75 (1 v 2 )dv 0.50 0.75 x 0.25 x 3 si - 1 x 1
1
F(x) = 1 si x >1.
1
2
P(
1
4 X 2) F (2) F ( 4 ) 0.75 (1 v )dv 0.3164
1 2
1
4
E ( X k ) x j p( x j )
k Momentos de orden k
j
E (( X )k ) ( x j - )k p ( x j )
j
E (T ( X )) T ( x) p ( x)dx (Distribuc in continua)
E( X k ) p( x)dx
k
x Observa que para k = 2:
2 = E((X - )2)
E (( X )k ) ( x )k p ( x)dx 42
Otros valores tpicos o medidas del valor central son:
mediana x( N 1) / 2 si N es impar
xmed Discr.
1 / 2( x N / 2 x( N 1) / 2 ) si N es par
x
F ( x) f (t )dt
43
Los momentos de orden superior son menos robustos y, por lo tanto, menos
utilizados
3er momento: describe la asimetra de la distribucin.
Asimetra (skewness)
i 1 i
N
1 ( x x ) 3
m3
N 3
m3 ( x x )3 p( x)dx
1 i 1 i
N
Kurtosis ( x x ) 4
m4 m4 ( x x ) 4 p ( x)dx
N 4
Se suele medir en una escala que (Figs. Press et al., Numerical Recipes)
45
Distribucin normal
Sin duda la distribucin continua
de probabilidad ms importante,
por la frecuencia con que se
encuentra y por sus aplicaciones
tericas, es la distribucin
Pierre Simon de Laplace normal, gaussiana o de
(1749-1827) Laplace- Gauss. Fue descubierta
y publicada por primera vez en
1733 por De Moivre. A la misma
llegaron, de forma independiente,
Laplace (1812) y Gauss (1809),
en relacin con la teora de los
errores de observacin
astronmica y fsica .
Karl F. Gauss
(1777-1855)
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de una especie
(tallas, pesos, dimetros, permetros,...).
( x ) 2
1
N (, ) f ( x) e 2 2
( 0)
2
Puntos
de
inflexin
+
- , Mo, Mn +
Distribucin normal con =0 para varios valores
1.6
1.2 0.25
0.5
1
p(x) 0.8
0.4
0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
( x ) 2
1
N (, ) f ( x) e 2 2
( 0)
2
5 5
10
Podemos interpretar la
media como un factor
de traslacin.
Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
Entre la media y
dos desviaciones
tpicas aprox. 95%
68%
95%
99% z
-3 -2 -1 0 1 2 3
Tipificacin
Dada una variable de media y desviacin tpica
, se denomina valor tipificado z, de una
observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
tpicas, es decir:
x
z
En el caso de variable X normal, la interpretacin es clara:
asigna a todo valor de N(, ), un valor de N(0,1) que deja
exctamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los dos es
ms extremo.
EJEMPLO