Resumen Control 1 Probabilidades

1. Metodos de Enumeracion
1.1. Principio de multiplicacion
Supongamos que dos procedimientos, designados como 1 y 2 pueden hacerse de n1 y n2 maneras
respectivamente. Tambien supongamos que cada una de las maneras de efectuar 1 puede ser seguida por
cualquiera de las maneras de efectuar 2. Entonces el procedimiento que consta de 1 seguido por 2 se puede
hacer de n1 n2 maneras.

1.2. Principio de adicion

Supongamos que dos procedimientos, designados como 1 y 2 pueden hacerse de n1 y n2 maneras
respectivamente. Supongamos ademas que no es posible que ambos, 1 y 2, se hagan juntos. Entonces el
numero de maneras como se puede hacer 1 o 2 es n1 + n2 .

1.3. Permutaciones
(a) Supongamos que tenemos n objetos diferentes. Agrupar los n objetos es equivalente a ponerlos en
una caja con n compartimientos en un orden especfico. La primera casilla se puede llenar de n maneras,
la segunda de (n-1) maneras, ..., y la ultima de solo una manera. Por lo tanto, aplicando el principio de
multiplicacion, vemos que la caja se puede llenar de n(n-1)(n-2) 1 maneras, eso es n!, y as, el numero
de permutaciones de n objetos diferentes esta dado por:

Pnn = n!

(b) Nuevamente consideremos n objetos diferentes. Esta vez deseamos escoger r de esos objetos, 0 r n,
y permutamos el r elegido. Indiquemos el numero de maneras de hacerlo, por Prn . Recurriendo al esquema
anterior, el primer casillero puede llenarse de nmaneras, el segundo de (n-1)y el r -esimo compartimiento
de n-(r -1) maneras; denuevo usando el principio de multiplicacion y la notacion factorial, se tiene:
n!
Prn =
(n r)!

1.4. Combinaciones
Nuevamente vamos a considerar n objetos diferentes. Esta vez estamos interesados en contar el numero
de maneras como podemos escoger r de esos n objetos sin considerar el orden. Por ejemplo, considerando
los objetos a, b, c y d, y r =2; deseamos contar ab, ac, ad, bc, bd, y cd. En otras palabras, no contamos ab
y ba puesto que solo difieren en el orden. As, el numero de maneras de elegir r entre n objetos diferentes,
sin considerar el orden, esta dado por
 
n! n
C= =
r!(n r)! r
Teorema del Binomio
n  
n
X n k nk
(a + b) = a b
k
k=0

1
Propiedades    
n n
(a) =
r nr
     
n n1 n1
(b) = +
r r1 r

1.5. Permutaciones cuando no todos los objetos son diferentes

Supongamos que tenemos n objetos tales que hay n1 de una clase, n2 de la segunda clase, ..., nk de
una k-esima clase, en donde n1 + n2 + ... + nk = n. Entonces el numero de permutaciones de esos objetos
esta dada por
n!
n1 !n2 !...nk !

2. Probabilidad condicional e independencia

2.1. Probabilidad condicional
Sean A y B dos sucesos asociados con un experimento . Indiquemos con P (B|A) la probabilidad
condicional del suceso B, dado que A ha ocurrido. Cada vez que calculamos P (B|A) estamos esencialmente
calculando P (B) con respecto al espacio muestral reducido de A en vez del espacio muestral original S.
De lo anterior se deduce:
P (A B) P (A B)
P (A|B) = y P (B|A) =
P (B) P (A)
Es facil ver que P (B|A) satisface diversos postulados, como:
(1)0 P (B|A) 1
(2)P (S|A) = 1
(3)P (B1 B2 |A) = P (B1 |A) + P (B2 |A) si B1 B2 = 0
(4)P (B1 B2 ...|A) = P (B1 |A) + P (B2 |A) + ... si Bi Bj = para i 6= j

La consecuencia mas importante de la definicion de probabilidad condicional se obtiene de la manera

siguiente:
P (A B) = P (B|A)P (A)
lo que equivale a,
P (A B) = P (A|B)P (B)
Esto se conoce como el teorema de multiplicacion de probabilidades. Se puede generalizar como:

P [A1 A2 ... An ] = P (A1 )P (A1 |A2 )P (A3 |A1 , A2 )...P (An |A1 , A2 , ..., An1 )

Definicion. Decimos que los sucesos B1 , B2 , ..., Bk representan una particion del espacio muestral S
si:
(a) Bi Bj = para todo i 6= j.
(b) ki=1 Bi = S
S
(c) P (Bi ) > 0

Teorema de la probabilidad total:

P (A) = P (A|B1 )P (B1 ) + P (A|B2 )P (B2 ) + ... + P (A|Bk )P (Bk )

2
2.2. Teorema de Bayes
Sean B1 , ..., Bk una particion del espacio muestral S. Sea A un suceso asociado con S. Aplicando la
definicion de probabilidad condicional, podemos escribir:

P (A|Bi )P (Bi )
P (Bi |A) = Pk
j=1 P (A|Bj )P (Bj )

Formula de Bayes.
P (A|B)P (B)
P (B|A) =
P (A)
Observacion. Generalmente, para calcular P (A), es necesario utilizar la formula de probabilidades totales.

2.3. Sucesos Independientes

Hemos considerado dos sucesos A y B que no pueden ocurrir simultaneamente, esto es A B = . Ta-
les sucesos se designaron mutuamente excluyentes. Indicamos previamente que si A y B son mutuamente
excluyentes, entonces P (A|B) = 0, porque la ocurrencia de B impide la ocurrencia de A. Por otra parte,
se tiene que B A y, por tanto, P (B|A) = 1.

Definicion. A y B son sucesos independientes si y solo si

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

Observacion: Esta definicion es equivalente a P (B|A) = P (B)yP (A|B) = P (A)

Definicion. Decimos que tres sucesos A, ByC son mutuamente independientes si y solo si todas las
condiciones siguientes se mantienen:

P (A B) = P (A)P (B), P (A C) = P (A)P (C)

P (B C) = P (B)P (C), P (A B C) = P (A)P (B)P (C)

3. Variables aleatorias unidimensionales

Definicion. Sea un experimento y S el espacio muestral asociado con el experimento. Una funcion
X que asigna a cada uno de los elementos s S, un numero real X(s), se llama variable aleatoria.
Observaciones: No toda funcion que se conciba puede ser considerada como variable aleatoria. Una exi-
gencia (aunque no la mas general) es que para todo numero real x el suceso X(s) = x y para todo intervalo
I, el suceso X(s) I tiene probabilidades definidas y consecuentes con los axiomas basicos. Ademas, en
algunos casos, el resultado s del espacio muestral es ya la caracterstica numerica que queremos anotar.
Sencillamente tomamos X(s) = s, la funcion identidad. Finalmente, es muy importante comprender que
una exigencia basica de una funcion (uni-variada): a cada s S le corresponde exactamente un valor X(s).

El espacio Rx , el conjunto de todos los valores posibles de X, se llama el recorrido. En ciertos sentidos,
podemos considerar a Rx como otro espacio muestral. El espacio muestral (original) S corresponde a los
resultados no numericos (posiblemente) del experimento, mientras que Rx es el espacio muestral de la
variable aleatoriaX, que representa la caracterstica numerica que puede ser de interes.

Definicion. Sea un experimento y S su espacio muestral. Sea X una variable aleatoria definida en
S y sea Rx su recorrido. Sea B un suceso respecto a Rx ; esto es, B Rx . Supongamos que A se define

A = s S|X(s) B

3
En este caso decimos que A y B son sucesos equivalentes.

Ejemplo Consideremos el lanzamiento de dos monedas. En este caso, S = CC, CS, SC, SS. Sea X el
numero de caras obtenidas. En este caso Rx = 0, 1, 2. Sea B = 1, tenemos que A = CS, SC es equivalente
a B.

Definicion. Sea B un suceso en el recorrido Rx . Definimos entonces P (B) como sigue:

P (B) = P (A), en donde A = s S|X(s) B.

3.1. Variables aleatorias discretas

Definicion Sea X una variable aleatoria. Si el numero de valores posibles de X (esto es, Rx , el re-
corrido) es finito o infinito numerable, llamamos a X una variable aleatoria discreta. Esto es, se pueden
anotar los valores posibles de X como x1 , x2 , ...xn ....
Definicion. Sea X una variable aleatoria discreta. Por tanto Rx , el recorrido de X, consta, a lo mas, de
un numero de valores x1 , x2 , ... infinito numerable. Asociamos p(xi ) = P (X = xi ), llamado probabilidad
de xi . Los numeros p(xi ), i = 1, 2, ... deben cumplir con:

0 para todo i,
(a)pi P
(b) i=1 p(xi ) = 1

La funcion p definida anteriormente se llama funcion de probabilidad de la variable aleatoria X. Mientras

que la coleccion de pares (xi , p(xi )), i = 1, 2, ..., se llama distribucion de probabilidad de X.
Sea B un suceso asociado con la variable aleatoria X. Esto es B Rx . Especficamente, supongamos que
B = xi1 , xi2 , ... Por tanto

P (B) = P [s|X(s) B]P

= P [s|X(s) = xij , j = 1, 2, ...] =
j=1 p(xij

1
Observacion Recordar que la serie geometrica1 + r + r2 + ... converge a siempre que |r| < 1.
1r

3.2. La distribucion binomial

Consideremos un experimento y sea A un suceso asociado con . Supongamos que P (A) = p y por lo
tanto el espacio P (A) = 1 p. Consideremos n repeticiones independientes de . Por lo tanto, el espacio
muestral consiste en todas las sucesiones posibles a1 , a2 , ..., an , en donde cada ai es A o A, segun que A o A
ocurra en la iesima repeticion de . (Hay 2n de tales sucesiones.) Aun mas, supongamos que P (A) = p es
el mismo para todas las repeticiones. Definamos la variable aleatoria X como sigue:X= numero de veces
que ocurrio el suceso A. Llamamos a X una variable aleatoria binomial con los parametros n y p. Sus valo-
res posibles obviamente son 0,1,2,...,n. Las repeticiones individuales de se llamaran ensayos de Bernoulli.

Teorema Sea X una variable binomial basada en n repeticiones. Entonces

P (X = k) = nk pk (1 p)nk , k = 0, 1, ..., n.

3.3. Variables aleatorias continuas

Definicion. Se dice que X es una variable aleatoria continua si existe una funcion f, llamada funcion
de densidad de probabilidad de X, que satisface las siguientes condiciones:

4
 (a)f (x) 0 para todo x,
R +
(b) f (x)dx = 1.
Rb
(c) Para cualquier a, b, tal que < a < b < +, tenemos P (a X b) = a f (x)dx.

Observaciones.
Ra
(1) P (X = a) = a f (x)dx = 0, es decir, la probabilidad en un punto en especfico es 0 pero esto no
implica que sea imposible.
R x+x
(2) P (x X x + x) =def x f (x)dx =T V M x f (), (x, x + x)
si x es pequeno, P (x X x + x) x f (x)
P (x X x + x)
f (x) = .
x
As, f (x) 6= P (x X x + x).

3.4. Funcion distribucion acumulada

Definicion. Sea X una variable aleatoria, discreta o continua. Definimos que F es la funcion de dis-
tribucion acumulada de la variable aleatoria X como F (x) = P (X x).

Teorema. (a)Si X es una variable aleatoria discreta,

X
F (x) = p(xj ),
j

en donde la suma se toma sobre los ndices j que satisfacen xj x

(b)Si X es una variable aleatoria continua,

Z x
F (x) = f (s)ds.

Teorema.

(a) La funcion F es no decreciente. Esto es, si x1 x2 , tenemos que F (x1 ) F (x2 ).

(b) limx F (x) = 0 y limx F (x) = 1.

Teorema

(a) Sea F la fda de una variable aleatoria continua con fdp f . Luego

d
f (x) = F (x),
dx
para toda x en la cual F es diferenciable.

(b)Sea X una variable aleatoria discreta con valores posibles x1 , x2 , ..., y supongamos que es posible
rotular esos valores de modo que x1 < x2 < .... Sea F fda de X. Entonces

p(xj ) = P (X = xj ) = F (xj ) F (xj1 )