Probabilidades

Pontificia Universidad Católica de Chile
Escuela de Ingenierı́a
Departamento de Ingenierı́a Industrial y de Sistemas
Repaso de Probabilidades
ICS2123 – Modelos Estocásticos
Alejandro Cataldo Cornejo
Segundo Semestre 2018
Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 1 / 40

Outline
1 Conceptos Básicos
2 Definición de una probabilidad
3 Variables aleatorias

Conceptos Básicos
Outline

Conceptos Básicos
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
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
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
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
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
Definición de una probabilidad
Outline

¿Qué es una probabilidad?
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 )
Probabilidad del vacı́o

P(φ) = 0
Probabilidad para la unión de dos eventos
P(E ∪ F ) = P(E ) + P(F ) − P(E ∩ F )
Si E y F son mutuamente excluyentes, entonces
P(E ∪ F ) = P(E ) + P(F )
Sea E y F tal que E ⊂ F , entonces:
P(F ) = P(F \ E ) + P(E )
P(E ) ≤ P(F )

Probabilidad Condicional
Sean A y B dos eventos cualquiera (asociados por supuesto a un cierto

experimento). Supongamos que sabemos que B ocurrió. ¿Cuál es la probabilidad
que A también haya ocurrido? (A|B)
¿Tiene sentido la pregunta?
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 )
Es decir, que haya ocurrido el evento F no influye en la probabilidad de que ocurra

el evento E. Además, de la definición de probabilidad condicional se puede
observar que para eventos independientes se cumple que:
P(E ∩ F ) = P(E ) · P(F )

Teoremas
Ley de probabilidades totales

Sn
Sean E1 , E2 , . . . , En eventos mutuamente excluyentes tal que i=1 Ei = Ω, y sea
F un evento cualquiera de Ω. Entonces:
n
X
P(F ) = P(F |Ei ) · P(Ei )
i=1
Demostración:
P(F ) = P(F ∩ Ω) = P(F ∩ (E1 ∪ E2 ∪ ... ∪ En ))
= 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
Teorema de Bayes (básico)

Sean E y F dos eventos de Ω. Se tiene que:
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
Teorema de Bayes (completo)

Sn
Sean E1 , E2 , . . . , En eventos mutuamente excluyentes tal que i=1 Ei = Ω y sea F
tal que P(F ) > 0. Entonces:
P(F |Ei ) · P(Ei )

P(Ei |F ) = n
P
P(F |Ei ) · P(Ei )
i=1
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.
Uso de los teoremas
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

Uso de los teoremas
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.
Uso de los teoremas
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?
Hint: Ocupe probabilidades totales y teorema de Bayes para resolver el problema

Variables aleatorias
Outline

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:
N: Cantidad de lanzamientos realizados hasta obtener un 5

M: Suma de los dados lanzados hasta obtener un 5
Ambas son variables aleatorias definidas sobre el mismo espacio muestral, pero
son distintas ya que la función es distinta.

Funciones de Variables Aleatorias

Podemos encontrar dos tipos de variables aleatorias:
Discretas
Continuas
Función de Distribución Acumulada
Para cada v.a. X , esta función se denota como FX (x) y se define como:
FX (x) = P(X ≤ x)
Corresponde a la probabilidad de que la v.a. X tome un valor menor o igual a x.
Función de Probabilidad y Función de Densidad de Probabilidad

La función de probabilidad para la v.a. discreta X se define como:
P(X = k)
Mientras que la función de densidad para la v.a. continua X se define como:
dFX (x)
fX (x) = = FX0 (x) (se asume FX diferenciable)
dx
Variable Aleatoria
Podemos notar que en el caso de las v.a. discretas:

P
i P(X = i) = 1
Mientras que en el caso de las v.a. continuas:

R∞
−∞
f (x)dx = 1
La probabilidad de que el valor esté entre A y B es:
Z B
P(A ≤ X ≤ B) = f (x)dx
A
La función distribución F(x) cumple que:

Z x
F (x) = P(X ≤ x) = f (t)dt
−∞
Notemos que P(A ≤ X ≤ B) = F (B) − F (A)

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
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
1 Determine la función de densidad de X

2 ¿Cuál es la probabilidad del suceso {−2 ≤ X ≤ 1}?
3 ¿Cuál es la probabilidad del suceso {X = 1}?
Solución:
1
(
ex
2 si x ≤ 0
f (x) = e −x
2 si x > 0
2 1 − 12 (e −1 + e −2 )
3 0
Distribución de probabilidades condicionales
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
Valor esperado o esperanza

Si X es una v.a. discreta:
X
E(X ) = i · P(X = i)
i
Si X es una v.a. continua:

Z
E(X ) = x · fX (x)dx
x
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
Si X es una v.a. continua:

Z
E(X |Y = y ) = x · fX |Y (x|y )dx
x

Ley de probabilidades totales para una v.a

X
P(X = k) = P(X = k|Y = i) · P(Y = i)
i
Si X e Y son v.a. continuas:

Z
Fx (x) = P(X ≤ x) = P(X ≤ x|Y = y )fY (y )dy
y

Ley de probabilidades totales para la esperanza una v.a

X
E(X ) = E(X |Y = i) · P(Y = i)
i
Si X e Y son v.a. continuas:

Z
E(X ) = E(X |Y = y )fY (y )dy
y

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:
R : La tarea es de dificultad alta, T : Tiempo requerido

Calculemos las probabilidades condicionales:
Z ∞ t=∞
P(T > 5|R) = f2 (t)dt = −e −t/10 = e −0,5

5 t=5
Z 8 Z 8
1 3
P(T > 5|R̄) = f2 (t)dt = dt =
5 5 8 8
Por lo tanto, usando probabilidades totales:
P(T > 5) = P(T > 5|R)P(R) + P(T > 5|R̄)P(R̄)

2 3 1
= e −0,5 · + ·
3 8 3

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
Demuestre que X + Y es una variable aleatoria que distribuye Poisson y

encuentre sus parámetros.
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
Calcule P(X = k|X + Y = n) para n, k enteros positivos y n ≥ k.
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 }
Ejercicio 3: Suponga que tiene una moneda cargada tal que

P(Sello) = q = 1 − P(Cara) con 0 < q < 1. Los lanzamientos son independientes.
Calcule el valor esperado de lanzamientos hasta obtener una Cara por primera vez.

Ejercicios Propuestos
Ejercicio 4: Un juego consiste en lo siguiente: un dado y una moneda se lanzan

al mismo tiempo una cantidad de veces que distribuye Binomial(n, p)
(n ∈ {1, 2, 3, . . . }, o < p < 1). En cada lanzamiento el jugador obtiene una
ganancia igual al número que entregó el dado si la moneda sale cara, e igual a cero
si la moneda sale sello. El dado es equilibrado y la moneda tiene una probabilidad
q (0 < q < 1) de que salga cara. Los resultado de dados y monedas, y la cantidad
de veces que se realizan los lanzamientos son todos independientes.¿Cuál es la
esperanza de la ganancia que se obtiene al jugar el juego?

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.
En muchas ocasiones, el ı́ndice t corresponde a unidades discretas de tiempo,

siendo el conjunto T = {0, 1, 2, 3, ...}
Además, el ı́ndice t puede representar tiempo u otra variable continua como
la distancia desde el origen. En este caso, T = [0, ∞)
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.

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.
Estados transiente y de régimen
En estado transiente la distribución de probabilidades de las variables

aleatorias varı́a a través del proceso.
En estado de régimen (o estado estable) la distribución de probabilidades de
las variables aleatorias es constante a través del proceso.

Probabilidades

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilidades

Încărcat de

Drepturi de autor:

Formate disponibile

Pontificia Universidad Católica de Chile

Alejandro Cataldo Cornejo

Segundo Semestre 2018

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 1 / 40

2 Definición de una probabilidad

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 2 / 40

2 Definición de una probabilidad

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 3 / 40

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 4 / 40

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 5 / 40

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 6 / 40

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 7 / 40

2 Definición de una probabilidad

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 9 / 40

¿Qué es una probabilidad?

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 10 / 40

Probabilidad del vacı́o

P(E ∪ F ) = P(E ) + P(F ) − P(E ∩ F )

Si E y F son mutuamente excluyentes, entonces

P(E ∪ F ) = P(E ) + P(F )

Sea E y F tal que E ⊂ F , entonces:

P(F ) = P(F \ E ) + P(E )

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 11 / 40

Sean A y B dos eventos cualquiera (asociados por supuesto a un cierto

¿Tiene sentido la pregunta?

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 12 / 40

Es decir, que haya ocurrido el evento F no influye en la probabilidad de que ocurra

P(E ∩ F ) = P(E ) · P(F )

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 13 / 40

Ley de probabilidades totales

P(F ) = P(F ∩ Ω) = P(F ∩ (E1 ∪ E2 ∪ ... ∪ En ))

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 14 / 40

Teorema de Bayes (básico)

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 15 / 40

Teorema de Bayes (completo)

P(F |Ei ) · P(Ei )

Uso de los teoremas

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 17 / 40

Uso de los teoremas

Uso de los teoremas

Hint: Ocupe probabilidades totales y teorema de Bayes para resolver el problema

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 19 / 40

2 Definición de una probabilidad

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 20 / 40

N: Cantidad de lanzamientos realizados hasta obtener un 5

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 21 / 40

Funciones de Variables Aleatorias

Corresponde a la probabilidad de que la v.a. X tome un valor menor o igual a x.

Función de Probabilidad y Función de Densidad de Probabilidad

Mientras que la función de densidad para la v.a. continua X se define como:

Podemos notar que en el caso de las v.a. discretas:

Mientras que en el caso de las v.a. continuas:

La función distribución F(x) cumple que:

Notemos que P(A ≤ X ≤ B) = F (B) − F (A)

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 23 / 40

1 Determine la función de densidad de X

Distribución de probabilidades condicionales

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 26 / 40

Valor esperado o esperanza

Si X es una v.a. continua:

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 27 / 40

Si X es una v.a. continua:

Cataldo, Lorca (PUC–Chile) Repaso de Probabilidades ICS2123 / 2018–2 28 / 40