clase 2 repaso probabilidad y estadística
TRANSCRIPT
-
ICI2212 Modelos Estocsticos
Profesor Claudio C. Araya Sassi
Unidad 2: Repaso Probabilidad y Estadstica
2 Semestre 2013
Facultad de Ingeniera
Escuela de Industrias
Ingeniera Civil Industrial
-
Introduccin a la Teora de Probabilidad
Experimento aleatorio
Un experimento cuyos resultados no pueden ser determinados por adelantado.
Espacio muestral (S)
El conjunto de todos los posibles resultados de un experimento.
Evento (E)
Subconjunto de un espacio muestral, y se dice que ocurre si el resultado del experimento es un elemento de ese subconjunto.
2 Profesor MSc. Claudio Araya Sassi
-
Introduccin a la Teora de Probabilidad
Diagramas de Venn
3 Profesor MSc. Claudio Araya Sassi
) : ) :
) : )
-
Introduccin a la Teora de Probabilidad
Leyes algebraicas
1. Conmutativa
2. Asociativa
3. Distributiva
4 Profesor MSc. Claudio Araya Sassi
= =
= = ( )
= ( ) ( ) = ( ) ( )
) : ) : ) : = ( ) ( )
-
Introduccin a la Teora de Probabilidad
Leyes de DeMorgan
Demostracin
Supongamos que es un resultado de .
Entonces no est contenido en
Lo cual significa que no est contenido en ninguno de los eventos , = 1, 2, . . , ,
Implicando que est contenido en para todo = 1, 2, . . ,
y as est contenido en .
5 Profesor MSc. Claudio Araya Sassi
1.
=1
=
=1
=1
=1
=1
-
Introduccin a la Teora de Probabilidad
Leyes de DeMorgan
Demostracin
Supongamos que es un resultado de .
Entonces est contenido en para todo = 1, 2, . . ,
Lo cual significa que no est contenido en ninguno de los eventos , = 1, 2, . . , ,
Implicando que est no contenido en para todo = 1, 2, . . ,
y as est contenido en .
6 Profesor MSc. Claudio Araya Sassi
1.
=1
=
=1
=1
=1
=1
-
Introduccin a la Teora de Probabilidad
Leyes de DeMorgan
Demostracin
Utilizando la primera ley de DeMorgan para obtener
Lo cual, puesto que , es equivalente a
Queda:
7 Profesor MSc. Claudio Araya Sassi
2.
=1
=
=1
=1
= ()
=1
()=
=1
=
=1
/( )
=1
=
=1
-
Axiomas de Probabilidad
Una forma de definicin de probabilidad de un evento es en trminos de su frecuencia relativa.
Se supone que un experimento, cuyo espacio muestral es , es desarrollado repetidamente bajo exactamente las mismas condiciones.
Para cada evento del espacio muestral , se define () como el nmero de veces en las primeras repeticiones del experimento que el evento ocurre.
Entonces, (), la probabilidad del evento , est definida por:
Esto es, () est definida como la proporcin (lmite de) del tiempo que ocurre.
8 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
=
()
-
Axiomas de Probabilidad
Considere un experimento cuyo espacio muestral es .
Para cada evento del espacio muestral , asumimos que el nmero () est definido y satisface las siguientes tres axiomas:
Axioma 1: 0 () 1
Axioma 2: = 1
Axioma 3: Para cualquier secuencia de eventos mutuamente excluyentes 1, 2, . ., esto es, eventos para los cuales = cuando (donde es el conjunto vaco),
Donde:
: Probabilidad del evento .
9 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
=1
= ()
=1
-
Ejemplo 1
En el experimento de lanzar una moneda y si se asume que salga una Cara (C) es igualmente probable que salga un Sello (S), entonces se tendra:
Por otro lado, si la moneda estuviera sesgada y una Cara tuviera el
doble de probabilidades de aparecer que un Sello, entonces se tendra:
Ejemplo 2
En el experimento de lanzar un dado, suponiendo que los seis lados son equiprobables en aparecer, se tendra:
10 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
= =1
2
=2
3 =
1
3
1 = 2 = 3 = 4 = 5 = 6 =1
6
2, 4, 6 = 2 + 4 + 6 =1
2 ( )
-
Proposiciones
i. = 1 .
Demostracin
Como y son mutuamente excluyentes y puesto que = , se tiene por los axiomas 2 y 3 que:
Por lo tanto, queda:
Finalmente,
11 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
1 = = = + ()
1 = + ()
= 1
-
Proposiciones
ii. Si , .
Demostracin
Puesto que , se puede expresar como:
Por lo tanto, como y son mutuamente excluyentes, se obtiene desde el Axioma 3 que:
Y como ( ) 0 se tiene que:
12 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
= ( )
= + ( )
-
Proposiciones
iii. ( )1 = .
1
Demostracin
Para cualquier secuencia finita de eventos 1, 2, . , y = > , entonces como los eventos son mutuamente excluyentes y como
Se tiene desde el Axioma 3 que:
Implicando que = 0
13 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
1
=
=1
=
=1
=
=1
+
=+1
2
-
Proposiciones
iv. ( )1 .
1 (Desigualdad de Boole)
Demostracin
Sea 1 = 1, Entonces
14 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
1
=
1
=1
, > 1.
2
=1
=
=1
=
=1
=1
-
Proposiciones
v. = + ( )
Demostracin
Sea
Adems, puesto que se tiene que:
O en forma equivalente,
Reemplazando en (1) queda
15 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
= ( )
= + (1) ( 3)
= ( ) ( )
= + ( ) ( 3)
( ) =
= + Q.E.D.
-
Ejemplo 3
Paulina est llevando dos libros para leer estas vacaciones de Fiestas Patrias. Con probabilidad de 0,5 a ella le gustar el primer libro; con probabilidad de 0,4 a ella le gustar el segundo libro; con probabilidad de 0,3 le gustarn ambos libros. Cul es la probabilidad que a ella no le guste ningn libro?
Solucin
Sea denota el evento que a Paulina le guste el libro , = 1, 2.
Entonces la probabilidad que a ella le guste al menos uno de los libros es:
Debido a que el evento que a Paulina no le guste ningn libro es el complemento del evento que a ella le guste al menos uno de ellos, se obtiene el resultado:
16 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
1 2 = 1 + 2 1 2 = 0,5 + 0,4 0,3 = 0,6
1 2
= ( 1 2) = 1 1 2 = 0,4 (1 Ley de DeMorgan)
-
Proposiciones
La sumatoria es tomada sobre todos los
posibles
subconjuntos de tamao r del conjunto
La probabilidad de la unin de n eventos es igual a la suma de las probabilidades de estos eventos tomados uno a la vez, menos la suma de las probabilidades de estos eventos tomados dos a la vez, ms la suma de las probabilidades de estos eventos tomados tres a la vez y as sucesivamente.
17 Profesor MSc. Claudio Araya Sassi
Introduccin a la Teora de Probabilidad
. 1 2 = (
=1
) (1 1
-
Introduccin
Es frecuente el caso cuando un experimento es desarrollado que se est interesado principalmente en alguna funcin de los resultados en forma opuesta a los resultados mismos.
Las cantidades de inters o ms formalmente estas funciones de valores reales definidas sobre el espacio muestral son conocidas como variables aleatorias.
Debido a que el valor de una variable aleatoria es determinado por el resultado del experimento, se pueden asignar probabilidades a los valores posibles de variable aleatoria.
18 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias
-
Ejemplo 4
Sea la variable aleatoria que est definida como la suma de dos dados.
19 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias
-
Ejemplo 5
Sea la variable aleatoria que est definida como el nmero de Caras que aparecen al lanzar dos monedas.
20 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias
= 0 = (, ) =1
4
= 1 = , , (, ) =2
4
= 2 = (, ) =1
4
= 0 + = 1 + = 2 = 1
-
Ejemplo 6
Suponga que se lanza una moneda que tiene una probabilidad p de salir Cara, hasta que la primera Cara aparece. Sea N el nmero de lanzamientos requeridos, entonces asumiendo que los resultados de los sucesivos lanzamientos son independientes, N es una variable aleatoria que toma uno de los valores 1, 2, 3, . . . , con sus respectivas probabilidades.
21 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias
= 1 = = , = 2 = , = 1 , = 3 = (, , ) = (1 )2, = = (, , , , ) = (1 )1, 1
1
-
Variables Aleatorias Discretas
Una variable aleatoria que puede tomar a lo ms un nmero contable de posibles valores se dice discreta.
Para una variable aleatoria discreta , se define la funcin de probabilidad de por:
La funcin de probabilidad es positiva para a lo ms un nmero contable de valores de . Esto es, si debe asumir uno de los valores 1, 2, . , entonces
22 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Discretas
= =
0 = 1, 2,
= 0
= 1
=1
-
Variables Aleatorias Discretas
Ejemplo 7
Sea la variable aleatoria que est definida como el nmero de Caras que aparecen al lanzar dos monedas.
23 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Discretas
-
Variables Aleatorias Discretas
Ejemplo 8
Sea la variable aleatoria que est definida como la suma de dos dados.
24 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Discretas
-
Variables Aleatorias Discretas
Funcin de distribucin acumulada
La funcin de distribucin acumulada puede ser expresada en trminos de () por
25 Profesor MSc. Claudio Araya Sassi
= ()
Variables Aleatorias Discretas
-
Variable Aleatoria Bernoulli
Suponga que se realiza una prueba o experimento, cuyos resultados pueden ser clasificados como un xito o un fracaso.
Si se tiene = 1 cuando el resultado es un xito y = 0 cuando es un fracaso, entonces la funcin de probabilidades de est dada por:
Donde , 0 1, es la probabilidad que la prueba sea un xito.
26 Profesor MSc. Claudio Araya Sassi
0 = = 0 = 1
1 = = 1 =
Pruebas independientes que tienen una probabilidad de xito comn fueron primero estudiadas por el matemtico suizo Jacques Bernoulli (1654-1705). En su libro Ars Conjectandi (El arte de la Conjetura), publicado por su sobrino Nicholas ocho aos despus de su muerte en 1713, Bernoulli mostr que si el nmero de tales pruebas fuera grande, entonces la proporcin de ellas que fueran exitosas sera cercana a con una probabilidad cercana a 1.
Variables Aleatorias Discretas
-
Variable Aleatoria Binomial
Suponga que se realizan pruebas o experimentos independientes, cuyos resultados pueden ser clasificados como un xito con probabilidad o un fracaso con probabilidad 1 .
Si representa el nmero de xitos que ocurren en la pruebas, entonces se dice que es una variable aleatoria binomial con parmetros , .
De esta forma, una variable aleatoria Bernoulli es slo una variable aleatoria binomial con parmetros (, ).
La funcin de probabilidad de una v.a. binomial con parmetros , est dada por:
Donde:
27 Profesor MSc. Claudio Araya Sassi
=
(1 ) = 0, 1, ,
=!
! !
Variables Aleatorias Discretas
-
Variable Aleatoria Binomial
Ejemplo 9
Cinco monedas son lanzadas. Si los resultados se asumen independientes, halle la funcin de probabilidad del nmero de caras obtenidas.
Solucin
28 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Discretas
-
Variable Aleatoria Poisson
Una variable aleatoria , que toma uno de los valores 0, 1, 2,.., se dice una variable aleatoria Poisson con parmetro si para algn > 0,
La ecuacin anterior define una funcin de probabilidad, puesto que
29 Profesor MSc. Claudio Araya Sassi
= = =
! = 0, 1, 2, .
=0
=
!=
=0
= 1
La distribucin de probabilidad de Poisson fue introducida por Simen Denis Poisson en un libro que el escribi considerando la aplicacin de la teora de probabilidad a los procesos, pruebas criminales, y temas relacionados. Este libro, publicado en 1837, fue titulado Recherchs sur la probabilit des jugements en matire criminelle et en matire civile.
Variables Aleatorias Discretas
-
Variable Aleatoria Poisson
La v.a. Poisson posee un tremendo rango de aplicaciones en diversas reas debido a que puede ser usada como una aproximacin de una v.a. binomial con parmetros (, ) cuando es grande y es lo suficientemente pequeo para que tenga un tamao moderado. Para ver esto, suponga que es una v.a. binomial con parmetros (, ) y sea = . Entonces
Ahora, para grande y moderado,
Por lo tanto, para grande y moderado:
30 Profesor MSc. Claudio Araya Sassi
= =!
! !(1 )=
!
! !
1
=( 1) ( + 1)(1 /)
! (1 /)
1
( 1) ( + 1)
1 1
1
=
!
Variables Aleatorias Discretas
-
Variable Aleatoria Poisson
Ejemplos de v.a. Poisson
1. El nmero de errores de impresin sobre una pgina (o un grupo de pginas) de un libro
2. El nmero de personas en una comunidad que tiene 100 aos de edad
3. El nmero de nmeros de telfonos equivocados que son marcados en un da
4. El nmero de clientes que entran a una oficina de correos en un da dado
Ejemplo 10
Suponga que el nmero de errores tipogrficos sobre la pgina de un libro tiene una distribucin Poisson con parmetro = 1/2. Calcule la probabilidad que exista al menos un error en esta pgina.
Solucin. Sea el nmero de errores sobre esta pgina, se tiene
31 Profesor MSc. Claudio Araya Sassi
1 = 1 = 0 = 1 12 0,393
Variables Aleatorias Discretas
-
Esperanza
Ejemplo 11
Ejemplo 12
Ejemplo 13 (Bernoulli)
32 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Discretas
-
Esperanza
Ejemplo 14 (Binomial)
33 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Discretas
-
Definicin. Variables aleatorias cuyo conjunto de posibles valores es incontable.
Se dice que es una v.a. continua si existe una funcin no negativa , definida para todo real (,), teniendo la propiedad que para cualquier conjunto de los nmeros reales
:
34 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas
=
1 = (, ) =
=
-
35 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas
= =
= 0
< = = =
=
-
Ejemplo 11
Suponga que es una v.a. continua cuya funcin de densidad de probabilidad est dada por
a) Cul es el valor de C?
b) Encuentre > 1
Solucin
a)
b)
36 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas
= 4 22 0 < < 2
0
4 22 2
0
= 1 22 23
3
=2
= 1 =0
=3
8
> 1 =
1
=3
8 4 22 =
1
2
2
1
-
Ejemplo 12
La cantidad de tiempo, en horas, que un computador funciona antes de fallar es una v.a. continua con funcin de densidad de probabilidad dada por
Cual es la probabilidad de que
a) Un computador funcione entre 50 y 100 horas antes de fallar
b) Funcionar menos de 100 horas?
Solucin
a)
b)
37 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas
= /100 0
0 < 0
1 = ()
= /100
0
1= (100) /100
= 100 0 =
1
100
50 < < 150 = 1
100/100
150
50
= /100 150
= 1/2 32 0,384
50
< 100 = 1
100/100
100
0
= /100 100
= 1 1 0,663 0
-
Relacin entre distribucin acumulada F y densidad de probabilidad f
Diferenciando ambos lados de la ecuacin anterior se tiene:
38 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas
= (, ] =
= ()
-
Esperanza
39 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas
-
Varianza
40 Profesor MSc. Claudio Araya Sassi
Variables Aleatorias Continuas