1. 1.2 Fundamentos de probabilidad; variables aleatorias.

4. Ejemplo: Sea el experimento “Lanzar un dado”; entonces, E = {1,2,3,4,5,6} 1 2 3 4 6 5 E A=“Obtener un nº menor o igual que 2”; B=“Obtener nº par”

5. Ejemplo: Sea el experimento “Lanzar un dado”; entonces, E = {1,2,3,4,5,6} 1 2 3 4 6 5 E A=“Obtener un nº menor o igual que 2”; B=“Obtener nº par” A B

6. A ∩ B = “A intersección B” = “se dan A y B a la vez”= {2} A U B = “A unión B” =“se da A ó B ó ambos a la vez” = {1,2,4,6} = “no A” = “contrario de A” = “no se da A” = {3,4,5,6} Suceso seguro (hay certeza de que se da): E Suceso imposible (hay certeza de que no se da): Ø Se dice que A y B son incompatibles si A ∩ B = Ø (es decir, no pueden darse a la vez); en otro caso, son compatibles .

7. Probabilidad de un suceso : Una probabilidad es una función que asigna a cada suceso A, un nº (su probabilidad, P(A)), de manera que: 1.- 0 ≤ P(A) ≤ 1 2.- P(E)=1 3.- Si A y B son incompatibles, entonces P(A U B) = P(A) + P(B) Ejemplo de probabilidad : Ley de Laplace En el ejemplo anterior, ¿P(A)? ¿P(B)? ¿P(A ∩ B)?

9. 2. Probabilidad condicionada . Ejemplo: Se sospecha que existe relación entre la aparición de una cierta enfermedad de la sangre en una comunidad, y la exposición a determinados desechos químicos en un vertedero próximo al lugar de estudio. Para estudiar la existencia o no de relación entre ambos fenómenos, se elige una muestra aleatoria de 620 personas de la comunidad, de las cuáles 300 habían estado expuestas a los desechos, y 320 no lo habían estado. En ambos grupos, se determinó el número de personas que tenían la citada enfermedad. Los resultados se muestran en la siguiente tabla:

10. Tiene la enfermedad Ha estado expuesto 620 520 100 Totales: 320 272 48 NO 300 248 52 SI NO SI

12. Probabilidad condicionada: (Probab. de A condicionado B) (Probab. de B condicionado A) Decimos que A y B son independientes , si P(A/B) = P(A); P(B/A) = P(B) Se cumple: A y B independientes ↔ P(A ∩ B)=P(A) P(B)

13. 3. Variables aleatorias . Una variable X se dice aleatoria cuando toma valores con determinadas probabilidades. Si la variable X toma valores discretos (de modo que en- tre dos valores consecutivos no se alcanzan todos los intermedios) se dice que es discreta ; si toma todos los valores dentro de un intervalo, se dice que es continua .

14. Función de densidad o de probabilidad de una variable discreta X: es la función que asigna a cada valor que puede tomar la variable, la proba- bilidad con la que eso sucede. Se puede expresar mediante una fórmula f(x), ó mediante una tabla. La función de densidad cumple: 1.- f(x) ≥0 para todo valor que pueda tomar la variable. 2.- La función de distribución de una variable discreta X es la función que asigna a cada valor que puede tomar la variable, la probabilidad de que tome ese valor, o cualquier valor inferior.

15. Ejemplo: Variable aleatoria de Poisson Dado un suceso que aparece de modo muy esporádico, en un Intervalo de tiempo o un espacio dado (por ejemplo, accidentes), ¿cuál es la probabilidad de que se haya dado x veces? : número medio o esperado de ocurrencias

17. DEFINICION (Función de densidad): Dada una variable aleatoria continua X decimos que f(x) es una función de densidad, si la probabilidad de que X tome valores en el intervalo (a,b) es igual al área encerrada por la gráfica de f(x), el eje x y las rectas x=a, x=b. Se cumple: 1.- f(x) ≥0 para todo valor de x 2.-

18. En estas condiciones, P(a ≤ X ≤ b) (es decir, la probabilidad de que la variable X esté entre los valores a y b), se calcula como: a b f(x)

19. IMPORTANTE: En consecuencia, la probabilidad de que la variable X tome un valor determinado, es CERO: Por lo tanto,

20. ¿De dónde procede esta idea? ¿Tiene algún sentido intuitivo?

21. Ejemplo : Estudiamos el peso de los ejemplares de una cierta especie de pájaro; para ello, tomamos una muestra, agrupamos los datos en intervalos, y calculamos los porcentajes. Peso % 150 155 160 165 170 175 180 185 20 40 100 2 180-185 5 175-180 23 170-175 40 165-170 20 160-165 8 155-160 3 150-155

22. % 150 155 160 165 170 175 180 185 20 40 ¿Probabilidad de que un ejemplar de la MUESTRA , tomado al azar, tenga un peso superior a 170? Prob.=%=Area 1 Peso 100 2 180-185 5 175-180 23 170-175 40 165-170 20 160-165 8 155-160 3 150-155

23. Peso % 150 155 160 165 170 175 180 185 20 40 Prob.=%=Area ¿Probabilidad de que un ejemplar de la MUESTRA , tomado al azar, tenga un peso superior a 170? 100 2 180-185 5 175-180 23 170-175 40 165-170 20 160-165 8 155-160 3 150-155

24. Peso % 150 155 160 165 170 175 180 185 20 40 Prob.=%=Area ¿Probabilidad de que un ejemplar de la MUESTRA , tomado al azar, tenga un peso superior a 170? 100 2 180-185 5 175-180 23 170-175 40 165-170 20 160-165 8 155-160 3 150-155

25. Peso % 150 155 160 165 170 175 180 185 20 40 Prob. (muestra) Muestra POBLACION Conocida (DATOS) Desconocida!!! ¿Qué hacemos, entonces? ¿Probabilidad de que un ejemplar de la POBLACION , tomado al azar, tenga un peso superior a 170?

26. ¿Probabilidad de que un ejemplar de la POBLACION , tomado al azar, tenga un peso superior a 170? 170 % Peso Función de densidad y = f(x) 170 Esa área es la probabilidad pedida ; también puede interpretarse como el porcentaje total de pájaros (no sólo de mi muestra) con un peso superior a 170.

27. ¿Probabilidad de que un ejemplar de la POBLACION , tomado al azar, tenga un peso superior a 170? 170 % Peso Función de densidad y = f(x) 170 Si conocemos la expresión f(x), entonces el área se calcula como

28. DEFINICION (Función de distribución): Dada una variable aleatoria continua X, con función de densidad f(x), la función de distribución F(x) es la función que para cada valor de la variable nos da la probabilidad de que X tome ese valor, o cualquier otro inferior.

30. MEDIA: Variable discreta: Variable continua: Media, varianza, desv. típica de una v.a .

31. VARIANZA: Variable discreta: Variable continua:

32. DESVIACION TIPICA:

33. A. Distribución normal: N( µ, σ ) 4. Principales distribuciones continuas . Previamente: curva normal N( µ, σ ) o campana de Gauss

36. C. Distribución chi-cuadrado de Pearson de n grados de libertad: donde son variables aleatorias independientes y para i = 1, 2,…, n. La gráfica de su función de densidad es:

37. C. Distribución chi-cuadrado de Pearson de n grados de libertad: Media: n Varianza: 2n Es importante en inferencia estadística

38. D. Distribución t de Student de n grados de libertad: Normal Chi-cuadrado de n grados de libertad

39. D. Distribución t de Student de n grados de libertad: Es SIMETRICA respecto al eje Y Media: 0 Varianza: n/(n-2) (para n>2) Es importante en inferencia estadística

40. E. Distribución F de Snedecor con n 1 , n 2 grados de libertad : Chi-cuadrado con n 1 grados de libertad Chi-cuadrado con n 2 grados de libertad