Fundamentos de Estadstica y

Teora de la Probabilidad
Kesber Angulo Snchez
 Probabilidad

El clculo de probabilidades, nos suministra las

reglas para el estudio de
experimentos aleatorios, constituyendo la base
para la

Estadstica Inductiva o Inferencial

 Probabilidad
Definicin

Frecuentista o probabilidad subjetiva (Kolmogorov):

Proporcin de ocurrencias (frecuencias relativas) de
un resultado, en una larga serie de repeticiones de un
experimento aleatorio.

Cundo una serie es lo bastante larga?

Cuando las frecuencias relativas varan poco al realizar
nuevas repeticiones
 Probabilidad

Leyes o axiomas que debe cumplir una funcin de

probabilidad:
La probabilidad slo puede tomar valores
comprendidos entre 0 y 1.
(no puede haber sucesos cuya probabilidad de
ocurrir sea del 200% ni del 5%)
La probabilidad del suceso seguro es 1, es decir, el
100%.
La probabilidad del suceso imposible debe ser 0.
 Probabilidad

Leyes o axiomas que debe cumplir una funcin de

probabilidad:
La probabilidad de la interseccin de dos sucesos
debe ser menor o igual que la probabilidad de cada
uno de los sucesos por separado, es decir:

PA B PA
PA B PB
 Probabilidad

Leyes o axiomas que debe cumplir una funcin de

probabilidad:
La probabilidad de la unin de sucesos debe ser
mayor que la de cada uno de los sucesos por separado,
es decir:

PA B PA
PA B PB
 Probabilidad

Leyes o axiomas que debe cumplir una funcin de

probabilidad:
La probabilidad del suceso contrario (complemento)
de A, debe valer:

PA 1 PA
Probabilidad: Escalas
Probabilidad: Grficos
 Cuatro tipos de probabilidad

Marginal Unin Conjunta Condicional

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

Se llama probabilidad de A condicionada a B

o probabilidad de un suceso A sabiendo
que se ha producido un suceso B:

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)

Cuando A y B son excluyentes, una vez ha ocurrido

A, B es imposible:
P( A B) 0
P( B | A) 0
P( A) P( A)
12
 Eventos Independientes
Los sucesos A y B sern independientes si la
ocurrencia de B no influye en la probabilidad
de A y al revs. Es decir, si:
P( A | B) P( A) y P( B | A) P( B)
P( A B)
P( A | B) P( A B) P( A | B) P( B)
P( B)
Como:
P( A B)
P( B | A) P( A B) P( B | A) 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)

y adems para cada posible subconjunto de k sucesos:

P(Aj+1 ... Aj+k) = P(Aj+1) ... P(Aj+k)

donde j+k < m.
De modo que, p. ej. tres sucesos A, B y C son independientes si:

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

P(B C) = P(B) P(C)
P(A B) = P(A) P(B)
P(A B C) = P(A) P(B) P(C) 14
 Probabilidad de la unin de dos eventos

Si A y B son dos eventos, entonces la probabilidad

que ocurra uno u otro o los dos es:

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

Economistas Estable Expansin Contraccin Total

Academia 125 100 100 325
Industria privada 50 35 25 110
Gobierno 25 40 0 65

Total 200 175 125 500

Si elegimos un economista al azar, hallar la probabilidad:

a) De que sea de la academia y que su opinin sea economa estable.
b) De que no sea del gobierno y que su opinin sea economa en expansin.
c) De que sea de la industria privada o que su opinin sea economa en contraccin.
d) Si se sabe que se eligi un economista del gobierno. Cul es la prob. de que su
opinin sea estable.
Ejemplo:

Un banco comercial tiene una agencia en la ciudad de

Huancayo. Dicha agencia tiene dos cajeros automticos en la
ciudad que operan independientemente. La probabilidad de
que un cajero tenga efectivo en soles cada vez que sea
requerido es de 0.98. si un cliente decide retirar efectivo el
sbado por la noche, determine:

a) Cul es la probabilidad de que al menos uno de los cajeros

tenga efectivo en soles?
b) Cul es la probabilidad de que solo uno de ellos tenga
efectivo?
Ejemplo:
Ejemplo:

Forma de pago

Tipo de pedido Al contado Crdito

Regular 10 15
Espordico 20 155
 La ley de probabilidad total
Supongamos que A1, A2, ... ,An son una particin de E,
es decir que los sucesos son mtuamente excluyentes
entre s (AiAj= para todo par) y su unin es E
entonces:
n
A1 A2 P( B) P( B Ai )
i 1

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

Este clculo es para medir la incertidumbre de la ocurrencia

del evento B.
Medicin del futuro, representado por el evento B
 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
.
. Supongamos ahora que B ocurre.
Pr( A n ) Pr( B / A n )
. Cul de los sucesos Aj ha ocurrido?

An

De otra forma, cul es el valor de Pr( A j / B ) con j = 1, ...n?

 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
.
Pr( Aj B) Pr( B / Aj ) Pr( Aj )
. Pr( A j / B)
Pr( A n ) Pr( B / A n ) Pr( B) Pr( B)
.

Pr( B / Aj ) Pr( Aj )
An Pr( A j / B) n

P( B / A ) Pr( A )
i 1
i i

Medicin del pasado, representado por el evento Aj

 El teorema de Bayes
Las aplicaciones del teorema de Teorema de Bayes son infinitas, y no
exentas de grandes polmicas. El problema radica es que al decir B ha
ocurrido se puede pensar que es un hecho determinstico, y por lo tanto
no tiene objeto calcular la probabilidad Pr(B), es decir si B ha ocurrido
entonces Pr(B) = 1. No obstante, el problema cambia radicalmente si uno
expresa si B ocurre, y esta es la interpretacin correcta. Por otro lado,
las probabilidades asociadas a los eventos Ai son de tipo a priori, y que a
veces de manera arbitraria deben asignarse puesto que no se tiene
informacin sobre el pasado, y que se espera que van a ser
mejoradas con la informacin que puede entregar el suceso B, de
hecho las probabilidades Pr(Ai / B) son llamadas a posteriori.

Muchos casos judiciales de tipo forense acuden a este teorema para

la dictacin de las sentencias por parte de los jueces.
Ejemplo:

Una empresa del rubro automotriz esta estudiando la

posibilidad de importar para el prximo ao un nuevo modelo
de autos japoneses. Al estudiar la posible situacin econmica
que existira para el prximo ao se contempla 3 posibilidades:
existencia de inflacin, estabilidad econmica o crecimiento
econmico, estimando dichas alternativas con las siguientes
probabilidades: 0.10, 0.55, 0.35 respectivamente. La
probabilidad de importar el nuevo modelo es 0.25 si existiera
inflacin; 0.75 si existiera estabilidad econmica y 0.85 si
existiera crecimiento econmico. Determine lo siguiente:
a) Cul es la probabilidad de que la empresa decida
finalmente importar los autos japoneses?
b) Si la empresa decidi no importar el nuevo modelo de
autos. Cul es la probabilidad de que exista crecimiento
en la economa?
 Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:

X :E
w X ( w)
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.

La variable aleatoria puede ser discreta o continua.

Veremos en este captulo el caso discreto.
Ejemplo de variable aleatoria discreta:
Nmero de caras al lanzar
3 monedas.
Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral

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)}

Definamos la variable aleatoria discreta X como:

con S = {2,3,...,12} la suma de puntos.

Una posible funcin de probabilidad es:
f : [0,1]
f (2) P(X 2 ) P( (1,1) ) 1/ 36
f (3) P(X 3 ) P( (1,2) (2,1) ) 2 / 36
f (4) P(X 4 ) P( (1,3) (3,1) (2,2) ) 3 / 36
...
Funcin de probabilidad de la variable aleatoria X

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

Observa que cumple las dos condiciones: es siempre

positiva y est normalizada.
Funcin de distribucin (acumulada)
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:
F : [0,1]
x F ( x) P( X x)

En nuestro ejemplo de los dos dados:

F(5) = P(X 5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Funcin de distribucin de la variable aleatoria 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.

X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada uno

con probabilidad 1/6

1 1
6
F(x)

f(x)
0.5

0 1 6 x 0 1 6 x

Funcin de probabilidad f(x) Funcin de distribucin F(x)

 Algunos problemas de probabilidad estn relacionados con la
probabilidad P(a <X b) de que X asuma algn valor en un
intervalo (a, b]. Observa que:

P(a < X b) = F (b) - F(a)

Para demostrarlo observa que, como los sucesos

X a y a < X b son mutuamente excluyentes, entonces:

F(b) = P(X b) = P(X a) + P(a < X b)

= F(a) + P(a < X b)

En el ejemplo de los dos dados, calcula la probabilidad de que

los dos dados sumen al menos 4 pero no ms de 8:

P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

 Funcin de distribucin de
una variable aleatoria continua
Para una variable aleatoria continua disponemos de un
conjunto no numerable de valores. No es posible definir
una probabilidad para cada uno. Por eso definimos
previamente la funcin de distribucin de probabilidad,
que s tiene un significado inmediato y semejante al caso
discreto:

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

Donde f(x) se llama funcin densidad de probabilidad

de la distribucin F(x), es continua y definida no negativa.

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

Se puede pensar como la

0.20
generalizacin de un histograma
de frecuencias relativas para
variable continua. 0.15

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

A partir de la definicin es fcil ver que:

b
P(a X b) F (b) F (a) f (v)dv
a

De modo que la probabilidad es el rea bajo la curva

densidad f(x) entre x = a y x = b.

Nota: para cualquier par de valores a y b, en el caso de una variable

aleatoria continua, las probabilidades correspondientes a los
intervalos a < X b, a < X < b, a X < b y a X b son la misma.
No as en variable discreta. 38
Algunas propiedades de la funcin de distribucin

F () lim F ( x) lim P( X x) P( E ) 1
x x

F () lim F ( x) lim P( X x) P() 0

x x

P( x1 X x2 ) F ( x2 ) F ( x1 )
F es montona creciente.

F es continua por la derecha: la probabilidad de

que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la funcin de distribucin
en ese punto.
 Supongamos que X tiene como funcin densidad a f(x) = 0.75(1-x2)
si -1 x 1 y cero en otro caso. Encuentra la funcin de distribucin
y las probabilidades P(-1/2 X 1/2) y P(1/4 X 2). Y x tal que
P(X x) = 0.95

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( 12 X 12 ) F ( 12 ) F ( 12 ) 0.75 (1 v 2 )dv 0.6875

12
1

P(
1
4 X 2) F (2) F ( 4 ) 0.75 (1 v )dv 0.3164
1 2

1
4

P( X x) F ( x) 0.5 0.75 x 0.25 x 0.95 x 400.73

3
 Esperanza matemtica o media
x j p( x j ) (Distribucin discreta)
j

xf ( x)dx

(Distribucin continua)

Varianza y desviacin tpica

( x j ) p ( x j )
2 2
(Distribucin discreta)
j

( x ) f ( x)dx
2 2
(Distribucin continua)

La desviacin tpica o estndar es el valor positivo de la raz

cuadrada de 2 . Ambas miden la dispersin de la distribucin.
41
 Momentos de orden k centrados
en el origen y en la media.
E (T ( X )) T ( x j ) p ( x j ) (Distribuc in discreta)
j

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

F ( xmed ) P( X xmed ) P( X xmed ) 0.5 Cont.

moda xmod: es el valor para el cul la distribucin toma su

mximo absoluto.
dF ( x)
f ( x)
dx

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

4o momento: describe el aplanamiento de la distribucin.

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)

toma 3 como su cero, ya que ste

es el valor de la kurtosis de una
distribucin normal estndar 44
Ejemplos:

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,...).

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen, ...

Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco.

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos muestrales, por ejemplo : la media.
Y en general cualquier caracterstica que se obtenga como suma de muchos factores.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la normal. Distribuciones binomiales con n grande (n>30) y p ni pequeo (np > 5)
ni grande (n(1-p) > 5).
 Distribucin normal o gaussiana
Est caracterizada por dos parmetros: la media, y la
desviacin tpica, .

Su funcin de densidad es:

( x ) 2
1
N (, ) f ( x) e 2 2
( 0)
2

La curva normal adopta un nmero infinito de formas,

determinadas por sus parmetros y .
 Caractersticas de la distribucin Normal
Tiene forma de campana, es asinttica al eje de las abscisas
(para x = )
Simtrica con respecto a la media () donde coinciden la mediana
(Mn) y la moda (Mo )
Los puntos de inflexin tienen como abscisas los valores

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

20 30 40 50 60 70 80 90 100 110 120

Curvas normales con distintas medias y desviaciones estndar.

N(, ): Interpretacin
geomtrica

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%

Si tomamos intervalos centrados en , y cuyos extremos estn

a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
a distancia 25 tenemos probabilidad 99%
 ( x ) 2
1
N (, ) f ( x) e 2 2
2
Podemos obtener la funcin de
distribucin F(x) integrando la
funcin de densidad de probabilidad:

x ( v ) 2 De modo que la probabilidad de una

1
F ( x) e
2
2
dv variable aleatoria normal X en un
2 intervalo a x b es:
b ( v ) 2
1
P(a X b) F (b) F (a)
2 a
e 2 2
dv
( v ) 2
1
En particular:
2 e

2 2
dv 1

No podemos calcular analticamente el valor de la integral!

Tabularemos sus valores numricos...
 Cmo calcular probabilidades asociadas
a una curva normal especfica?

Dado que tanto como pueden asumir infinitos valores lo

que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribucin
normal reducida o tipificada.

Se define una variable z= x -

Es una traslacin , y un cambio de escala de la
variable original.
 La nueva variable z se distribuye como una
NORMAL con media = 0 y desviacin tpica = 1
Recordemos de nuevo que en cualquier distribucin normal las
probabilidades delimitadas entre :
68 %
2 95 %
3 99 %

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

Sea una variable distribuida normalmente con media

= 4 y desviacin tpica = 1.5.
Cul es la probabilidad de encontrar un valor
menor que 5?
Cul es la probabilidad de encontrar un valor de
por lo menos 6?
Cul es la probabilidad de encontrar un valor entre
3.5 y 6?
Ejemplo:
Se sabe que los aos de experiencia que tienen los supervisores
de lnea en la compaa Lder siguen una distribucin normal
con una media de 7.8 aos y una desviacin estndar de 1.5
aos.
a) Si se selecciona un supervisor al azar, Cul es la probabilidad
de que tenga entre 8 y 10 aos de experiencia?
b) Se sabe que un supervisor VIP de lnea en la compaa
Lder debe estar en el 10% de los supervisores que tienen
mas aos de experiencia. Cuntos aos de experiencia debe
tener como mnimo un supervisor para estar considerado
como un supervisor VIP?
c) Si la compaa Lder cuenta con 800 supervisores y el
presidente desea premiar slo a los supervisores VIP, A
cuntos de ellos premiar?
Gracias