Documente Academic
Documente Profesional
Documente Cultură
Escuela de Ingenierı́a
Departamento de Ingenierı́a Industrial y de Sistemas
Repaso de Probabilidades
ICS2123 – Modelos Estocásticos
1 Conceptos Básicos
3 Variables aleatorias
Outline
1 Conceptos Básicos
3 Variables aleatorias
Conceptos Básicos
Experimento Aleatorio
Contiene un resultado que no puede predecirse a priori.
Espacio Muestral
Conjunto de todos los posibles resultados de un experimento aleatorio. Se denota
como Ω.
Evento
Cualquier subconjunto E del espacio muestral Ω.
Si el resultado del experimento pertenece a E , entonces se dice que E ocurre.
Conceptos Básicos
Ejemplos:
Lanzamiento de una moneda
Ω = {Cara, Sello}
E = {Cara} , {Sello}, {Cara, Sello}
Lanzamiento de un dado
Ω = {1, 2, 3, 4, 5, 6}
E = {1} , {2,3}, {4}, etc.
Tiempo de funcionamiento de una máquina
Ω = [0,∞)
Cartas que se sacan de un naipe español hasta obtener un As
Ω = {(A), (2, A), (3, A), (4, A), ..., (Q, A), (K , A), (2, 2, A),
(2, 3, A), (2, 4, A), ..., (2, Q, A), (2, K , A), (3, 2, A), ...}
Conceptos Básicos
Unión de eventos
Sean E , F eventos de Ω. El evento E ∪ F corresponde a todos los posibles
resultados que están en E o en F . Notación:
Sn
Colección de n eventos: i=1 Ei
S∞
Colección infinita de eventos: i=1 Ei
Intersección de eventos
Sean E , F eventos de Ω. El evento E ∩ F corresponde a todos los posibles
resultados que están en E y en F simultáneamente. Notación:
Tn
Colección de n eventos: i=1 Ei
T∞
Colección infinita de eventos: i=1 Ei
Conceptos Básicos
Evento complementario
Sea E un evento de Ω. El evento complementario a E , E C se define como todos
los elementos en Ω que no pertenecen a E . Por lo tanto:
E ∪ EC = Ω
E ∩ EC = φ
Diferencia de eventos
Sean E y F eventos de Ω. Se define la diferencia de E con F , E − F o E \ F ,
como todos los elementos en E que no pertenecen a F .
x ∈E \F ⇔x ∈E y x ∈
/F
Conceptos Básicos
Ejercicio
Se tiene una caja con 4 bolitas negras y 3 bolitas rojas. El experimento consiste
en sacar primero una bolita de la caja y luego otra bolita de la caja (sin devolver
la primera).
1 Defina el espacio muestral Ω para este experimento
2 ¿Se puede considerar a los siguientes conjuntos como eventos? E = {(roja,
negra)}, F = {(roja, roja), (roja, negra)} y G = {roja, negra}
3 Calcule E ∪ F , E ∩ F y (E ∪ F )C
4 Calcule F \ E y E \ F
Solución:
1 Ω = {(roja, roja),(roja, negra),(negra, roja),(negra, negra)}.
2 E y F son subconjuntos de Ω y por lo tanto son eventos, mientras que G no
lo es.
3 E ∪ F = {(roja, roja), (roja, negra)}, E ∩ F = {(roja, negra)} y
(E ∪ F )C = {(negra, roja), (negra, negra)}
4 F \ E = {(roja, roja)} , E \ F = φ
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 8 / 40
Definición de una probabilidad
Outline
1 Conceptos Básicos
3 Variables aleatorias
Probabilidad
Consideremos el espacio muestral Ω. Para cada evento E de Ω se define la
probabilidad de E , P(E ), como un número que satisface:
0 ≤ P(E ) ≤ 1
P(Ω) = 1
Para cualquier conjunto numerable de eventos E1 , E2 , . . . mutuamente
excluyentes (En ∩ Em = φ si n 6= m) se tiene que:
∞ ∞
!
[ X
P Ei = P(Ei )
i=1 i=1
Propiedades básicas
Probabilidad del complemento
P(E C ) = 1 − P(E )
P(E ) ≤ P(F )
Probabilidad Condicional
Para que A|B ocurra, debe ocurrir A ∩ B. Luego, parece natural definir la
probabilidad condicional.
Probabilidad Condicional
La probabilidad de que el evento E ocurra dado que el evento F ocurrió se define
como:
P(E ∩ F )
P(E |F ) = con P(F ) > 0
P(F )
Independencia de Eventos
Eventos Independientes
Los eventos E y F se dicen independientes si:
P(E |F ) = P(E )
Teoremas
Demostración:
= P((F ∩ E1 ) ∪ (F ∩ E2 ) ∪ ... ∪ (F ∩ En ))
= P(F ∩ E1 ) + P(F ∩ E2 ) + ... + P(F ∩ En )
n
X
= P(F |Ei )P(Ei )
i=1
Teoremas
P(F |E ) · P(E )
P(E |F ) =
P(F )
Demostración:
P(E ∩ F )
P(E |F ) =
P(F )
P(F ∩ E )
=
P(F )
P(F |E )P(E )
=
P(F )
Teoremas
Demostración:
P(F |Ei )P(Ei )
P(Ei |F ) = (1)
P(F )
P(F |Ei )P(Ei )
= n (2)
P
P(F |Ei )P(Ei ))
i=1
En donde (1) se deduce a partir del Teorema de Bayes (simple), y (2) se deduce a
partir de Probabilidades Totales.
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 16 / 40
Definición de una probabilidad
Ejercicio 1
Suponga que usted es un entrenador de fútbol, y posee dos delanteros. Sabe que
el jugador 1 convierte el 75% de los penales, mientras que el jugador 2 convierte
solo el 25%. En un entrenamiento, usted elige uno al azar para que tire 3 penales
y resulta que el jugador elegido convirtió los tres. ¿Cuál es la probabilidad de que
el jugador elegido haya sido el 1?
Solución:
A : convertir los tres penales
Ei : elegir al jugador i
P(A|E1 ) = 27/64
P(A|E2 ) = 1/64
P(A|E1 )P(E1 )
P(E1 |A) =
P(A|E1 )P(E1 ) + P(A|E2 )P(E2 )
= 27/28
Ejercicio 2
Usted tiene un mazo de naipes español (52 cartas) y selecciona una carta. Tenga
en cuenta la siguiente definición de eventos:
A: La carta seleccionada es un rey
B: La carta seleccionada es un 10
C: La carta seleccionada es un diamante
¿El evento A es independiente del B? ¿Y del C?
Solución: Podemos ver que
P(A) = P(B) = 1/13 P(C ) = 1/4
Ahora, pensemos en la probabilidad conjunta:
P(A ∩ B) = 0 P(A ∩ C ) = 1/52
Viendo las probabilidades por separado:
1/169 = P(A) · P(B) 6= P(A ∩ B) = 0 P(A) · P(C ) = 1/52 = P(A ∩ C )
Por lo tanto, A y B no son independientes, mientras que A y C sı́ lo son.
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 18 / 40
Definición de una probabilidad
Ejercicio 3 (Propuesto)
Para un juego de tenis se tiene un canasto con 6 pelotas usadas y 9 nuevas. Un
jugador selecciona 3 pelotas al azar, juega y luego devuelve las pelotas al canasto.
En ese instante llega Novak Djokovic a jugar y selecciona 3 pelotas al azar del
mismo canasto.
1 ¿Cuál es la probabilidad de que Djokovic seleccione exactamente dos pelotas
nuevas?
2 Si Djokovic seleccionó 2 pelotas nuevas, ¿cuál es la probabilidad de que el
jugador anterior haya usado dos pelotas nuevas?
Outline
1 Conceptos Básicos
3 Variables aleatorias
Variables Aleatorias
Variable aleatoria
Una variable aleatoria (v.a.) X es una función definida en el espacio muestral
asociado a un experimento aleatorio.
F :Ω→R
Ejemplo:
Tenemos el experimento de lanzar un dado hasta que salga un 5. Podemos definir:
Ambas son variables aleatorias definidas sobre el mismo espacio muestral, pero
son distintas ya que la función es distinta.
FX (x) = P(X ≤ x)
P(X = k)
dFX (x)
fX (x) = = FX0 (x) (se asume FX diferenciable)
dx
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 22 / 40
Variables aleatorias
Variable Aleatoria
Ejemplo
Ejercicio
Supongamos que un experimento consiste en lanzar simultáneamente dos dados y
que estamos interesados en la suma de los puntos totales obtenidos. Sea X la v.a.
que cuenta los puntos totales. ¿Cómo es ésta variable y cuál es su función de
probabilidad?
Solución
P(X = 2) = P{(1, 1)} = 1/36
P(X = 3) = P{(1, 2), (2, 1)} = 2/36
P(X = 4) = P{(1, 3), (2, 2), (3, 1)} = 3/36
P(X = 5) = 4/36
P(X = 6) = 5/36
P(X = 7) = P{(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} = 6/36
P(X = 8) = 5/36
P(X = 9) = 4/36
P(X = 10) = 3/36
P(X = 11) = 2/36
P(X = 12) = 1/36
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 24 / 40
Variables aleatorias
Ejemplo
Ejercicio
Sea X una v.a. con función de distribución acumulada:
( x
e
2 si x ≤ 0
FX (x) = e −x
1− 2 si x > 0
Solución:
1
(
ex
2 si x ≤ 0
f (x) = e −x
2 si x > 0
2 1 − 12 (e −1 + e −2 )
3 0
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 25 / 40
Variables aleatorias
Caso Discreto
Sean X e Y v.a. discretas. La función de probabilidades de X condicionado en Y
es:
P(X = x, Y = y )
P(X = x|Y = y ) =
P(Y = y )
Caso Continuo
Sean X e Y v.a. continua. La función de densidad de X condicionado en Y es:
fXY (x, y )
fX |Y (x|y ) =
fY (y )
Esperanza y Varianza
Varianza
Var (X ) = E (X − E(X ))2 = E(X 2 ) − E(X )2
Esperanza y Varianza
Esperanza condicional
Si X e Y son v.a. discretas:
X X P(X = i, Y = y )
E(X |Y = y ) = i · P(X = i|Y = y ) = i·
P(Y = y )
i i
Propiedades
Linealidad de la esperanza
Si X1 , X2 , ..., Xn son variables aleatorias con esperanzas E (Xi ) e Y es una función
lineal de Xi tal que:
Xn
Y =a+ bi Xi
i=1
Entonces:
n
X
E(Y ) = a + bi E(Xi )
i=1
Ejemplo
Ejemplo
Suponga que usted quiere calcular cuánto se demorará en realizar la tarea del
curso de Modelos Estocásticos, y sabe que la tarea puede ser de dificultad alta o
normal. Si es de dificultad normal, el tiempo en que se demore en realizar la tarea
distribuye según la función de densidad f1 (t) (t en horas). Si es de dificultad alta,
distribuye según la función de densidad f2 (t).
1 −t/10
1/8 ,si 0 < t < 8 10 e ,si t > 0
f1 (t) = f2 (t) =
0 ,en caso contrario. 0 ,en caso contrario.
Sabiendo que, por datos históricos, dos de cada tres tareas tiene dificultad alta,
calcule la probabilidad de que demore más de 5 horas en resolver la tarea.
Ejemplo
Solución:
Ejercicios
Ejercicio 1:
Sean X ∼ Poisson(α) e Y ∼ Poisson(β) dos variables aleatorias independientes
(α, β > 0)
Calcule la esperanza de X
Solución:
αn e −α
Sabemos que P(X = n) =
n!
∞ ∞ ∞
X X αi e −α X αi e −α
E(X ) = i · P(X = i) = i· =
i! i − 1!
i=0 i=0 i=1
∞ i−1 −α ∞ j −α
X α e X αe
=α =α =α·1=α
i − 1! j!
i=1 j=0
| {z }
Poisson!
Ejercicios
Solución:
∞
X
P(X + Y = k) = P(X = k − Y ) = P(X = k − Y |Y = i) · P(Y = i)
i=0
∞ k
X β i e −β X αk−i e −α β i e −β
= P(X = k − i) · = ·
i! k − i! i!
i=0 i=0
k
e −(α+β) X k!
= · αk−i β i
k! (k − i)!i!
i=0
−(α+β)
e (α + β)k
=
k!
Ejercicios
Solución:
P(X = k, X + Y = n) P(X = k, Y = n − k)
P(X = k|X + Y = n) = =
P(X + Y = n) P(X + Y = n)
P(X = k) · P(Y = n − k)
=
P(X + Y = n)
k n−k
n α β
= ... = · ·
k α+β α+β
Ejercicios Propuestos
Ejercicio 2:
Sean X e Y dos v.a. exponenciales independientes con parámetros α y β
respectivamente.
Calcule P(X ≤ Y ).
Encuentre la distribución de Z = min{X , Y }
Ejercicios Propuestos
Proceso Estocástico
Proceso Estocástico
Un proceso estocástico es una familia de variables aleatorias Xt (o X (t)), en que t
es un parámetro que varı́a de acuerdo a un ı́ndice en el conjunto T.
Entonces, en general:
{Xt , t = 0, 1, 2, ...} es un Proceso Estocástico en tiempo discreto.
{X (t), t ≥ 0} es un Proceso Estocástico en tiempo continuo.
Proceso Estocástico
Realización o instancia
La realización o instancia de un proceso estocástico corresponde a la sucesión de
instancias de las variables aleatorias que resultan de la “ejecución” del proceso.