Sei sulla pagina 1di 68
Procesos y variables aleatorias Roberto Carlos Hincapié roberto.hincapie@gmail.com

Procesos y variables aleatorias

Roberto Carlos Hincapié roberto.hincapie@gmail.com

Programa Introducción Probabilidad (8 hrs) Variables aleatorias (4 hrs) Procesos estocásticos (4 hrs)

Programa

Introducción Probabilidad (8 hrs) Variables aleatorias (4 hrs) Procesos estocásticos (4 hrs) Procesos Markovianos (8 hrs)

Evaluación

Examen 1:

Examen 2:

procesos estocásticos Examen final: 25% Cadenas de Markov

Tareas:

25% Probabilidades 25% Variables aleatorias,

25%

Introducción

Las medidas que se realizan en el mundo real son aleatorias. No es posible conocer el resultado de la medida antes de realizarlo. Se requieren herramientas para tomar decisiones en condiciones de aleatoriedad o incertidumbre. La probabilidad es una información que puede ser conocida con antelación.

Capitulo 1 Probabilidad

Capitulo 1

Probabilidad

Experimentos Supongamos un proceso de medición de alguna cantidad. A esta medida la llamaremos un

Experimentos

Supongamos un proceso de medición de alguna cantidad. A esta medida la llamaremos un experimento. Por ejemplo:

1.

El número de personas que ingresan a un banco por hora

2.

El resultado del lanzamiento de un dado

3.

La duración de una llamada telefónica

4.

El número de clientes que llegan a solicitar puesto a un restaurante en la hora del almuerzo

Espacio Muestral El conjunto de todos los resultados posibles del experimento, se denomina un espacio

Espacio Muestral

El conjunto de todos los resultados posibles del experimento, se denomina un espacio muestral. Los elementos que constituyen el espacio muestral se denominan puntos muestrales.

1. El número de personas que ingresan a un banco por hora. S 1 ={0,1,2,3,…}

2. El resultado del lanzamiento de un dado.

S 2 ={1,2,3,4,5,6}

3. La duración de una llamada telefónica. S 3 =[0,inf).

4. El número de clientes que llegan a solicitar puesto a un restaurante en la hora del almuerzo.

S 4 ={0,1,2,3,…}

Evento

Definimos un evento, como un subconjunto del espacio muestral. Este subconjunto puede ser de un único elemento, puede ser de varios puntos muestrales, etc.

1.

S 1 ={0,1,2,3,…}, e 1 ={0,1,2}, e 2 ={4}, e 3 ={4,5,6}.

2.

S 2 ={1,2,3,4,5,6}, e 1 ={2,4,6}, e 2 ={1,3,5}, e 3 ={1}.

3.

S 3 =[0,inf), e 1 =[0,10min], e 2 =[5min,10min]

Tipos de eventos Los eventos pueden ser: Simple: conformado por un único punto muestral Compuesto:

Tipos de eventos

Los eventos pueden ser:

Simple: conformado por un único punto muestral Compuesto: conformado por varios puntos muestrales Vacío (Φ): que no contiene ningún punto muestral Universal (S): que contiene todo el espacio muestral Suma o unión: conformada por los puntos que pertenecen a dos o mas eventos. Producto o intersección: conformado por los puntos que pertenecen simultáneamente a dos o mas eventos. Excluyentes: Dos eventos son excluyentes si su intersección es el evento vacío

Complemento (A): El complemento de un evento es los puntos muestrales de S que no pertenecen al evento.

Probabilidad

La probabilidad es una cantidad numérica asociada a un evento. Existen dos interpretaciones para la probabilidad:

Interpretación frecuentista Interpretación axiológica

Probabilidad

Interpretación frecuentista:

La probabilidad de un evento representa la frecuencia relativa de ocurrencia de un evento respecto a los experimentos realizados. Por ejemplo para el lanzamiento de una moneda:

S={cara, sello}, e 1 ={cara} Pr{e 1 }=0.5

Probabilidad

Interpretación frecuentista:

Pr{e 1 }=0.5 Lo anterior se interpreta como:

Si se lanzara 100 veces la moneda, aproximadamente 50 veces cae cara. Si se lanzara 100.000 veces la moneda, aproximadamente 50.000 veces cae cara.

Probabilidad

Interpretación frecuentista:

Para el número de personas que ingresan a un banco en una hora, S={0,1,2,3,…}, e={0,1,2,3} Pr{e}=0.8 Cómo se puede interpretar esto?

Probabilidad Interpretación axiológica: La probabilidad es una cantidad asociada a los eventos que cumple con
Probabilidad
Interpretación axiológica:
La probabilidad es una cantidad asociada a los
eventos que cumple con ciertos axiomas y
propiedades
Axiomas de probabilidad (Kolmogorov)
i) P A
{
}
≥ 0
ii) P S
{ }
= 1
iii) Para un conjunto de N eventos excluyentes A
i
A
∩ A
= Φ
;
i
j
P { ∑
N
}
N
A
= ∑
Pr A
{
i }
i
i
=
1
i
=
1

Probabilidad

Interpretación

axiológica:

Propiedades de la probabilidad

i) P

{

Φ

}

=

0

ii) 0

iii) P A iv) Si A

{

P A

{

}

=

}

1

1

B, P A

{

P A

}

{

}

{

v) P A

B

}

=

{

P A

{ }

P B

}

+

{ }

P B

{

P A

B

}

Si A

B

= Φ

, P{A

B}

=

P{A}

+

P{B}

Probabilidad

Interpretación axiológica:

Propiedades de la probabilidad

vi) Un conjunto A , i

i

= 1,2,

,

n de eventos excluyentes,

exaustivos y equiprobables, cumple con :

1

n

Pr{A } =

i

,

i

=

1,2,

,n

Probabilidad

Interpretación axiológica:

Propiedades de la probabilidad Ley de los grandes números:

Suponga un conjunto de N ensayos o experimentos. Sea N A el número de ensayos con un resultado en el evento A. Entonces:

N

N →∞

N

El resultado anterior corresponde a la interpretación frecuentista vista anteriormente.

vii) Lim

A

Pr{A}

Cálculo de las probabilidades Las propiedades anteriores se pueden utilizar para calcular las probabilidades de

Cálculo de las probabilidades

Las propiedades anteriores se pueden utilizar para calcular las probabilidades de diferentes eventos. El caso mas sencillo es el cálculo de la probabilidad de eventos equiprobables.

las probabilidades de diferentes eventos. El caso mas sencillo es el cálculo de la probabilidad de

1. Conocido el tamaño del espacio muestral, la probabilidad de cada evento simple es conocida.

2. Un evento se define como la unión de varios puntos simples.

3. La probabilidad de cualquier evento es la probabilidad de un evento simple multiplicada por el tamaño del evento.

4. Lo anterior equivale a Pr{A}=|A|/|S|

Cálculo de las probabilidades Ejemplo 1. Hallar la probabilidad de que al lanzar al aire

Cálculo de las probabilidades

Ejemplo 1. Hallar la probabilidad de que al lanzar al aire dos monedas, salgan: a) Dos caras, b) Dos sellos, c) Una cara y un sello.

Ejemplo 2 Se lanzan dos dados al aire y se anota la suma de los puntos obtenidos. Se pide: a) La probabilidad de que salga el 7, b) La probabilidad de que el número obtenido sea par, c) La probabilidad de que el número obtenido sea múltiplo de tres.

Cálculo de las probabilidades Tarea No. 1 Suponga un experimento consistente transmitir 5 bits mas

Cálculo de las probabilidades

Tarea No. 1 Suponga un experimento consistente transmitir 5 bits mas un bit de paridad. El bit de paridad se calcula por medio de la suma modulo 2 de los otros 5 bits transmitidos. Encuentre la probabilidad de que el bit de paridad sea 1.

Técnicas de conteo

El problema del método anterior es el cálculo del tamaño del espacio muestral o su declaración explícita cuando este es muy grande.

Ejemplo: Una línea de ferrocarril tiene 25 estaciones. ¿Cuántos billetes diferentes habrá que imprimir si cada billete lleva impresas las estaciones de origen y destino?

Debe existir alguna metodología para calcular el tamaño sin escribir el espacio muestral. Dichas técnicas se conocen como técnicas de conteo.

Técnicas de conteo

Se van a estudiar dos técnicas de conteo

Formula general de conteo - Selección Permutaciones y combinatorias

La utilización de cada una de ellas depende del tipo de espacio muestral a construir.

Técnicas de conteo

Formula general de conteo:

Si el un punto del espacio muestral se construye seleccionando una secuencia de m valores X 1 , X 2 , … X m y el número de formas de obtener cada uno de ellos es n 1 , n 2 , … n m , el tamaño del espacio muestral es:

|S|= n 1 n 2 n 3 …n m

Ejemplo: Encontrar el número total de licencias de carros particulares que se pueden crear en Colombia.

Técnicas de conteo

Selección:

Si el un punto del espacio muestral se construye seleccionando una secuencia de m valores X 1 , X 2 , … X m y cada valor se selecciona de un conjunto de valores de tamaños n 1 , n 2 , … n m , el tamaño del espacio muestral es:

|S|= n 1 n 2 n 3 …n m

El criterio importante es garantizar que los valores de cada

conjunto se seleccionan independientemente de los otros conjuntos. Esto también se reconoce como una extracción de elementos con reemplazo. Ejemplo: Cual es el tamaño del espacio muestral si se lanzan 4 dados simultáneamente?

Técnicas de conteo

En las permutaciones y combinatorias, se eligen los diferentes puntos del espacio muestral, desde un único conjunto sin reemplazo. Suponga por ejemplo, que se tienen 10 personas y se desea extraer un grupo de 3 de ellas. Al extraer la primera, quedan 9, etc. Esta es la diferencia fundamental respecto a la selección.

Técnicas de conteo La permutación considera que el orden en que se extraen los elementos
Técnicas de conteo
La permutación considera que el orden en que se extraen los
elementos es importante.
La combinatoria considera que el orden en que se extraen los
elementos NO es importante.
Si el grupo original cuenta con N elementos y se extrae un
subgrupo de n elementos, el número de formas diferentes de
hacerlo es:
N!
 N 
N!
N
P
n
  =
Permutación
Combinatoria

=

(N n)!

 

n

(N

n)!n!

Técnicas de conteo

Ejemplo 3: Una línea de ferrocarril tiene 25 estaciones. ¿Cuántos billetes diferentes habrá que imprimir si cada billete lleva impresas las estaciones de origen y destino? Ejemplo 4: Un alumno tiene que elegir 7 de las 10 preguntas de un examen. a) ¿De cuántas maneras puede elegirlas? b) ¿Y si las 4 primeras son obligatorias? Ejemplo 5: En un hospital se utilizan cinco símbolos para clasificar las historias clínicas de sus pacientes, de manera que los dos primeros son letras y los tres últimos son dígitos. Suponiendo que hay 25 letras, ¿cuántas historias clínicas podrán hacerse si: a) no hay restricciones sobre letras y números, b) las dos letras no pueden ser iguales?

clínicas podrán hacerse si: a) no hay restricciones sobre letras y números, b) las dos letras
clínicas podrán hacerse si: a) no hay restricciones sobre letras y números, b) las dos letras
Ejercicios propuestos En una clase de 10 alumnos van a distribuirse 3 premios. Averiguar de

Ejercicios propuestos

En una clase de 10 alumnos van a distribuirse 3 premios. Averiguar de cuantos modos puede hacerse si: a) los premios son diferentes; b) los premios son iguales. En todos los casos, una persona no puede recibir más de un premio. A partir de 5 matemáticos y 6 físicos hay que constituir un grupo de 2 matemáticos y 3 físicos. ¿De cuántas formas podrá hacerse si: a) todos son elegibles, b) un físico particular ha de estar en esa comisión, c) dos matemáticos concretos no pueden estar juntos? Tres personas, A, B, C, juegan lanzando una moneda cada una al dar una señal, y comparan los resultados. Gana el jugador cuya moneda cae en posición distinta de la de los otros dos; si las tres monedas caen en la misma posición, se repite el lanzamiento hasta que una sea diferente. a) Suponiendo que no se hacen trampas y que se usan monedas equilibradas, calcule la probabilidad de que el primer jugador gane. b) Cuál es la probabilidad de que empaten?

Cálculo de las probabilidades Cuando los eventos no son equiprobables, es necesario recurrir a otras

Cálculo de las probabilidades

Cuando los eventos no son equiprobables, es necesario recurrir a otras técnicas para poder calcular la probabilidad de los puntos muestrales. Suponga que los puntos del espacio muestral se construyen seleccionando un conjunto de valores, pero cada valor tiene una cierta probabilidad.

del espacio muestral se construyen seleccionando un conjunto de valores, pero cada valor tiene una cierta

Se utiliza un diagrama de árbol para construir la probabilidad completa de los puntos muestrales. Cada nivel del árbol corresponde a una selección. Las ramas del árbol corresponden a probabilidades y la probabilidad de un punto corresponde al producto de las ramas desde el origen hasta la última selección.

y la probabilidad de un punto corresponde al producto de las ramas desde el origen hasta
Cálculo de las probabilidades Ejemplo 6: Una universidad tiene tres facultades, con el 50%, el

Cálculo de las probabilidades

Ejemplo 6: Una universidad tiene tres facultades, con el 50%, el 25% y el 25% de estudiantes. En cada facultad, el 60% de los estudiantes es mujer y el resto hombres. Encontrar el espacio muestral y las probabilidades de cada punto muestral. S={(f 1 ,m), (f 1 ,h), (f 2 ,m), (f 2 ,h), (f 3 ,m), (f 3 ,h)}

Cálculo de las probabilidades Para calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30

Cálculo de las probabilidades

Para calcular las probabilidades, creemos el diagrama de árbol

calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m),

(f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m), Pr{(f2,m)}=0.15 (f2,h), Pr{(f2,h)}=0.10 (f3,m), Pr{(f3,m)}=0.15 (f3,h), Pr{(f3,h)}=0.10

Cálculo de las probabilidades Para calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30

Cálculo de las probabilidades

Para calcular las probabilidades, creemos el diagrama de árbol

calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m),

(f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m), Pr{(f2,m)}=0.15 (f2,h), Pr{(f2,h)}=0.10 (f3,m), Pr{(f3,m)}=0.15 (f3,h), Pr{(f3,h)}=0.10

Cálculo de las probabilidades Para calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30

Cálculo de las probabilidades

Para calcular las probabilidades, creemos el diagrama de árbol

calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m),

(f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m), Pr{(f2,m)}=0.15 (f2,h), Pr{(f2,h)}=0.10 (f3,m), Pr{(f3,m)}=0.15 (f3,h), Pr{(f3,h)}=0.10

Cálculo de las probabilidades Para calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30

Cálculo de las probabilidades

Para calcular las probabilidades, creemos el diagrama de árbol

calcular las probabilidades, creemos el diagrama de árbol (f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m),

(f1,m), Pr{(f1,m)}=0.30 (f1,h), Pr{(f1,h)}=0.20 (f2,m), Pr{(f2,m)}=0.15 (f2,h), Pr{(f2,h)}=0.10 (f3,m), Pr{(f3,m)}=0.15 (f3,h), Pr{(f3,h)}=0.10

Cálculo de las probabilidades Tarea 2 En un sobre hay 20 papeletas, ocho llevan dibujado

Cálculo de las probabilidades

Tarea 2 En un sobre hay 20 papeletas, ocho llevan dibujado un carro y las restantes son blancas. Hallar la probabilidad de extraer al menos una papeleta con el dibujo de un coche: a) Si se saca una papeleta, b) Si se extraen dos papeletas, c) Si se extraen tres papeletas. Un noble frances (Antoine Gombauld) planteó la siguiente apuesta: Al lanzar un dado 4 veces, por lo menos una de las veces el resultado sería igual a 6. Calcule la probabilidad de ganar la apuesta. ESTE NO

Probabilidad de eventos compuestos Los eventos compuestos se construyen a partir de la unión o

Probabilidad de eventos compuestos

Los eventos compuestos se construyen a partir de la unión o intersección de otros eventos. La unión de eventos incluye todos los elementos que pertenecen a cualquiera de los eventos:

S={0,1,2,3,4,…}, e 1 ={0,1,2,3}, e 2 ={2,3,4,5} e 1 Ue 2 ={0,1,2,3,4,5}

Probabilidad de eventos compuestos El problema es el cálculo de la probabilidad. En forma general:
Probabilidad de eventos compuestos
El problema es el cálculo de la probabilidad.
En forma general:
P A
{
B
}
=
P A
{
}
+
P B
{ }
P A
{
B
}
Si A
∩ B
= Φ
, P{A
B}
=
P{A}
+
P{B}
Un error muy común es suponer que eventos
son excluyentes cuando en realidad no lo
son.
Retomar el ejemplo del noble Francés.
Probabilidad de eventos compuestos La intersección de eventos incluye solamente los elementos que pertenecen a

Probabilidad de eventos compuestos

La intersección de eventos incluye solamente los elementos que pertenecen a todos los eventos que se intersectan:

S={0,1,2,3,4,…}, e 1 ={0,1,2,3}, e 2 ={2,3,4,5}

e 1 e 2 ={2,3}

La forma general de calcular esta intersección depende del

concepto de probabilidad condicional que se estudiará pronto. Si dos eventos son excluyentes, la probabilidad de su intersección es cero. Si dos eventos son independientes, es decir, no existe relación entre las probabilidades de ocurrencia,

P{A B}= P{A}P{B}

Probabilidad de eventos compuestos Ejemplo 7: Dos hermanos salen de caza. El primero mata un

Probabilidad de eventos compuestos

Ejemplo 7: Dos hermanos salen de caza. El primero mata un promedio de 2 piezas cada 5 disparos y el segundo una pieza cada 2 disparos. Si los dos disparan al mismo tiempo a una misma pieza, ¿cuál es la probabilidad de que la maten? Ejemplo 8: En una asignatura se ha decidido aprobar a aquellos que superen uno de los dos parciales. Con este criterio aprobó el 80%, sabiendo que el primer parcial lo superó el 60% y el segundo el 50% ¿Cuál hubiese sido el porcentaje de aprobados, si se hubiese exigido superar ambos parciales?

Probabilidad condicional

La probabilidad asociada a un evento mide la ocurrencia relativa del evento, respecto al espacio muestral. En ocasiones es importante encontrar la probabilidad respecto a un subconjunto del espacio muestral, por ejemplo:

La probabilidad de que un paciente de urgencias quede hospitalizado es respecto a todos los pacientes de urgencias. La probabilidad de que los pacientes de urgencias que son atendidos por una dolencia cardíaca queden hospitalizados, es diferente.

Probabilidad condicional

Salen a hospitalización

n

Probabilidad condicional Salen a hospitalización n personas Salen a hospitalización n 2 personas que tenían

personas

Salen a hospitalización n 2 personas que tenían afectación cardíaca

n 2 personas que tenían afectación cardíaca Ingresan N personas Ingresan N 2 personas con
n 2 personas que tenían afectación cardíaca Ingresan N personas Ingresan N 2 personas con

Ingresan N personas

Ingresan N 2 personas con afectación cardíaca

Probabilidad condicional

Pr{hospitalización}=n/N

Salen a hospitalización

n

Pr{hospitalización}=n/N Salen a hospitalización n personas Salen a hospitalización n 2 personas que

personas

Salen a hospitalización n 2 personas que tenían afectación cardíaca

n 2 personas que tenían afectación cardíaca Ingresan N personas Ingresan N 2 personas con
n 2 personas que tenían afectación cardíaca Ingresan N personas Ingresan N 2 personas con

Ingresan N personas

Ingresan N 2 personas con afectación cardíaca

Pr{hospitalización 2 }=n 2 /N 2

Probabilidad condicional

El ejemplo anterior, el caso 2 calcula la probabilidad no respecto al espacio muestral, sino a un subconjunto (evento) de éste. El subconjunto al que se reduce el espacio muestral, se puede nombrar como el evento

B.

El evento original, se denomina el evento A, La probabilidad calculada se conoce como la probabilidad condicional de A dado B.

Probabilidad condicional

Supongamos por ejemplo el experimento de lanzar dos dados, y el evento de que la suma de las caras sea igual a 10 o mas.

S={(1,1), (1,2), (1,3), …, (6,6)},

A={(4,6),(5,5),(5,6),(6,4),(6,5),(6,6)} |A|=6

Pr{A}=6/36=1/6 Ahora supongamos que reducimos el análisis a los lanzamientos en los cuales, el primer dado tiene un resultado igual a 5.

|S|=36

Probabilidad condicional

En este caso, el espacio muestral se reduce al siguiente:

S*={(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)} Y encontremos de nuevo la probabilidad del evento A, pero limitado a este subconjunto de S. A*={(5,5), (5,6)} Así, la probabilidad de A* es Pr{A*}=2/6=1/3

Probabilidad condicional

Obsérvese que las probabilidades son diferentes, pues la referencia de espacio muestral cambia. En ese caso, se dice que la probabilidad de A* se calcula respecto al subconjunto S* de S.

Si usted recuerda que el subconjunto de S es un evento, podemos llamar a S* simplemente

B.

Decimos que en este caso, calculamos la probabilidad de A dado B o respecto a B.

Probabilidad condicional

La probabilidad condicional se calcula como:

{

P A | B

}

=

{

P A

B

}

P{B}

Repasemos la expresión anterior para el problema de ejemplo

Probabilidad condicional

A={(4,6),(5,5),(5,6),(6,4),(6,5),(6,6)} |A|=6 Pr{A}=1/6 B={(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)} Pr{B}=1/6

AB={(5,5), (5,6)} Pr{AB}=1/18

Pr{A|B}=Pr{AB}/Pr{B}=(1/18)/(1/6)=1/3

Probabilidad condicional La probabilidad condicional, es la misma probabilidad vista anteriormente, pero reduciendo el
Probabilidad condicional
La probabilidad condicional, es la misma probabilidad
vista anteriormente, pero reduciendo el espacio
muestral a un subconjunto del mismo.
El valor de la probabilidad condicional permite definir la
dependencia e independencia de eventos.
Dos eventos son independientes, si se cumple
cualquiera de las tres condiciones siguientes:
P
{ A | B
}
= P A
{
}
P
{ B| A
}
= P B
{ }
P{A
B}
=
P{A} P{B}

Probabilidad condicional

Ejemplo 9:

Una moneda es lanzada 3 veces. Considere los eventos siguientes:

Obtener cara en el primer lanzamiento Obtener sello en el segundo lanzamiento Obtener cara en el tercer lanzamiento Obtener el mismo resultado (cara o sello) en todos los tres lanzamientos. Obtener mas resultados cara que sello.

Cuales de los siguientes pares de eventos son independientes? a) a y b, b) a y d, c) a y e, d) d y e.

Cuidado!!!

Cuidado!!! Existen dos errores comunes en el trabajo con probabilidades Suponer eventos excluyentes cuando no lo
Cuidado!!! Existen dos errores comunes en el trabajo con probabilidades Suponer eventos excluyentes cuando no lo

Existen dos errores comunes en el trabajo con probabilidades

Suponer eventos excluyentes cuando no lo son.

P{A B}= P{A}+ P{B}

Suponer eventos independientes cuando en realidad son dependientes.

P{A B}= P{A}P{B}

Por ejemplo, dos eventos excluyentes son independientes?

Teorema de la probabilidad total Supongamos que el espacio muestral S puede dividirse en n

Teorema de la probabilidad total

Supongamos que el espacio muestral S puede dividirse en n eventos excluyentes B 1 , B 2 , B 3 , … B n . Estos eventos constituyen una partición de S.

S

B 6 A B 5 B 1 B 2 B 3 B 4
B 6
A
B 5
B 1
B 2
B 3
B 4
Teorema de la probabilidad total Supongamos que el espacio muestral S puede dividirse en n

Teorema de la probabilidad total

Supongamos que el espacio muestral S puede dividirse en n eventos excluyentes B 1 , B 2 , B 3 , … B n . Estos eventos constituyen una partición de S.

S

P { A ∩ B 1 } B 6 A B 5 B 1 B
P {
A ∩ B
1 }
B 6
A
B 5
B 1
B 2
B 3
B 4
Teorema de la probabilidad total Supongamos que el espacio muestral S puede dividirse en n

Teorema de la probabilidad total

Supongamos que el espacio muestral S puede dividirse en n eventos excluyentes B 1 , B 2 , B 3 , … B n . Estos eventos constituyen una partición de S. El teorema de la probabilidad total indica que la probabilidad de cualquier evento A, se puede escribir como:

Pr A = Pr A B + Pr A B +

1

2

{

}

{

}

{

}

{

+ Pr A B

n

}

Teorema de la probabilidad total Lo anterior es equivalente a: Pr A { } =
Teorema de la probabilidad total
Lo anterior es equivalente a:
Pr A
{
}
=
Pr A
{
B
}
+
Pr A
{
B
}
+
+
Pr A
{
B
}
1
2
n
=
Pr A | B
{
}
Pr B
{
}
+
Pr A | B
{
}
Pr B
{
}
+
+
Pr A | B
{
}
Pr B
{
}
1
1
2
2
n
n
La expresión anterior, se conoce como el
teorema de la probabilidad total y se expresa
de manera mas compacta como:
n
Pr A
{
}
= ∑
Pr A | B
{
}
Pr B
{
}
i
i
i
= 1
Teorema de la probabilidad total Ejemplos 10 y 11 En un cierto país, el 60%

Teorema de la probabilidad total

Ejemplos 10 y 11 En un cierto país, el 60% de los votantes son del partido A, el 30% de un partido B y el 10% son independientes. De las personas del partido A, el 40% se opone a cierta ley. Del partido B el 65% se oponen a dicha ley y del partido C, se oponen el 55%. Una persona elegida al azar, que probabilidad tiene de oponerse a la ley? Suponga que en un canal de comunicación binario, no simétrico, la probabilidad de recibir un “uno” incorrectamente es 0.1 y la probabilidad de recibir un “cero” incorrectamente es 0.05. Si la transmisión de símbolos es equiprobable, cuál es la probabilidad de recibir un bit cualquiera correctamente?

Teorema de Bayes El teorema de la probabilidad total, se utiliza para transformar las probabilidades

Teorema de Bayes

El teorema de la probabilidad total, se utiliza para transformar las probabilidades condicionales conocidas como a-priori, en probabilidades a-posteriori.

Esto es:

{

 

| B

}

 

{

Pr A

i

B

}

=

i

{

Pr B | A

i

}

{ }

Pr B

{

Pr A

i

}

 

n

{

Pr B | A

i

}

{

Pr A

i

}

Pr A

=

i

= 1

Teorema de Bayes Ejemplo 12: Un sistema hidráulico falla con probabilidad 0.6 si la temperatura

Teorema de Bayes

Ejemplo 12:

Un sistema hidráulico falla con probabilidad 0.6 si la temperatura del aire es menor o igual a 0°C. La probabilidad de que la temperatura del aire sea menor o igual a 0°C es 0.08. La probabilidad de que el sistema falle si la temperatura es superior a 0°C es 0.01. Cuál es la probabilidad de que el sistema falle? En el problema anterior, si el sistema falla, cuál es la probabilidad de que la temperatura sea inferior a

0°C?

Teorema de Bayes Tarea 3: Suponga un examen médico. El 1% de la población está

Teorema de Bayes

Tarea 3:

Suponga un examen médico. El 1% de la población está enfermo y el 99% esta sano. Si el examen se aplica a una persona sana, la probabilidad de fallar en el diagnóstico es 0.01 y de acertar es de 0.99. Si el examen se aplica a una persona enferma, la probabilidad de fallar en el diagnóstico es 0.01 y de acertar es de 0.99. Suponga que a un paciente, el resultado del examen es positivo (tiene la enfermedad), cuál es la probabilidad de que esté enfermo? Suponga que a un paciente, el resultado del examen es negativo (no tiene la enfermedad), cuál es la probabilidad de que esté realmente sano?

CASO DE USO 1

La probabilidad condicional y el teorema de Bayes se utilizan para construir un receptor de señales digitales.

Suponga una fuente que transmite dos símbolos para representar el 0 o el

1.

El receptor recibe una señal que es una copia de la señal transmitida mas interferencia, ruido, etc.

el 0 o el 1. El receptor recibe una señal que es una copia de la

CASO DE USO 1

Si el ruido y la interferencia son aleatorios, la señal recibida es aleatoria. El receptor, desea calcular la probabilidad:

la señal recibida es aleatoria. El receptor, desea calcular la probabilidad: { Pr Fuente envía S

{

Pr Fuente envía

S

i | se recibió

r}

CASO DE USO 1

Aplicando el teorema de la probabilidad total y algo de Bayes, encontramos la siguiente expresión

Pr Fuente envía Pr Fuente envía

=

{

S

i

| se recibió

r

}

{

S

i

se recibió

r

}

{

Pr se recibió r

}

{

Pr se recibió

r

| Fuente envía

S

i

}

{

Pr Fuente envía

S

i

}

=

{

Pr se recibió

r}

CASO DE USO 1

Si se supone que los símbolos son equiprobables, y que para cualquier símbolo, la probabilidad de recibir r es la misma, el problema se reduce a encontrar el símbolo i que maximice la probabilidad siguiente:

{

Pr se recibió r | Fuente envía S

i }

El receptor anterior se conoce como el receptor de máxima verosimilitud. Equivale a encontrar el símbolo mas cercano al símbolo recibido. Este es el criterio que maximiza la probabilidad de que se reciba el símbolo correcto.

Capitulo 2 Variables aleatorias

Capitulo 2

Variables

aleatorias

Variables aleatorias

Supongamos un experimento cualquiera con un espacio muestral S. En S se pueden definir un conjunto de eventos e 1 , e 2 , e 3 , etc. Supongamos una relación que asigna un número a un cierto evento en S. El número es representado por una variable X. Para explicar el concepto, supongamos el lanzamiento de dos dados de 6 caras.

S={(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6) }

Variables aleatorias

Para el espacio muestral definido por:

S={(x,y) | x{1,2,…,6}, y{1,2,…,6} } Podemos definir varias variables aleatorias como:

X 1 =x+y X 2 =max(x,y) X 3 =x*y

Variables aleatorias X 1 =x+y X 1 2 3 4 (1,1) (1,2) (1,3) (1,4) (1,5)
Variables aleatorias
X 1 =x+y
X 1
2
3
4
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
5
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
6
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
7
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
8
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
9
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
10
11
12

Variables aleatorias

X 2 =max(x,y) X 1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) 1 (2,1) (2,2) (2,3)
X 2 =max(x,y)
X 1
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
1
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
2
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
3
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
4
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
5
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
6

Variables aleatorias

El resultado de un experimento es aleatorio, por lo tanto, el resultado de la variable X que resulta es también aleatorio. La variable X se denomina una variable aleatoria. Al realizar un experimento, se obtiene un número que pertenece a algún valor de la variable X. Tal como a los eventos se puede asociar una probabilidad, a las variables aleatorias se pueden asignar probabilidades. Si la V.A. es discreta, se puede encontrar una función de masa de probabilidad. Si la V.A. es continua, se puede encontrar una función de densidad de probabilidad.

Variables aleatorias

X 1 =x+y

(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3)
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)

X

1

Probabilidad

2
2

1/36

3

2/36

4
4

3/36

 

5 4/36

 

6 5/36

 

7 6/36

 

8 5/36

 

9 4/36

 

10 3/36

11
11

2/36

12

1/36

Probabilidad P X 1 (X)

Variables aleatorias

En el caso de la variable aleatoria X 1 , se define la función de probabilidad P X1 (x), la cual define la probabilidad de un valor x de la variable aleatoria X 1 .

6/36

       
6/36                  
         

5/36

     
5/36                
 
5/36                
       

4/36

   
4/36                
     
4/36                
     

3/36

 
3/36                
         
3/36                
   

2/36

2/36                
             
2/36                
 

1/36

1/36
                 
1/36                  

2

3

4

5

6

7

8

9

10

11

12

Variable aleatoria X 1

Variables aleatorias

X 2 =max(x,y)

(1,2) (1,3) (1,4) (1,5) (1,6) (2,2) (2,3) (2,4) (2,5) (2,6) (3,2) (3,3) (3,4) (3,5) (3,6)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)

X

1

Probabilidad

1
1

1/36

2

3/36

3
3

5/36

4

7/36

5
5

9/36

6

11/36

(1,1) (2,1) (3,1) (4,1) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5)
(1,1)
(2,1)
(3,1)
(4,1)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)

Variables aleatorias

En el caso de la variable aleatoria X 2 , se define la función de probabilidad P X2 (x), la cual define la probabilidad de un valor x de la variable aleatoria X 2 .

11/36 9/36 7/36 5/36 3/36 1/36 1 1.5 2 2.5 3 3.5 4 4.5 5
11/36
9/36
7/36
5/36
3/36
1/36
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Probabilidad P X 2 (X)

Variable aleatoria X 2

Variables aleatorias

Tarea 4 Para la variable aleatoria X3 definida anteriormente, encuentre la función de probabilidad P x3 (x)

Variables aleatorias

Cuando el espacio muestral es continuo, la variable aleatoria se define usualmente como continua. Para una variable aleatoria continua, no se define una función de probabilidad, sino una función de densidad de probabilidad. Esta función se utiliza para encontrar la probabilidad de un evento. En los espacios muestrales continuos, los eventos son definidos por medio de intervalos.

Variables aleatorias

Tomemos como ejemplo la duración de una llamada. El espacio muestral sería:

S 3 =[0,inf), e 1 =[0,10min], e 2 =[5min,10min]

Evento e 1 0 1 2 3 4 5 6 7 8 9 10 11
Evento e 1
0
1
2
3
4
5
6
7
8
9
10
11
t
Evento e 2
Evento e 2

Variables aleatorias

La probabilidad del evento

e 1 =[0,10min], se calcula como el área bajo la curva de la función de densidad de probabilidad

0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 Función de densidad de Probabilidad
0.25
0.2
0.15
0.1
0.05
0
0 5
10
15
Función de densidad de Probabilidad f T (t)

Variable aleatoria t

Variables aleatorias

La probabilidad del evento

e 1 =[0,10min], se calcula como el área bajo la curva de la función de densidad de probabilidad

0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 Función de densidad de Probabilidad
0.25
0.2
0.15
0.1
0.05
0
0 5
10
15
Función de densidad de Probabilidad f T (t)
Variable aleatoria t Evento e 1
Variable aleatoria t
Evento e 1

Variables aleatorias

La probabilidad del evento

e 2 =[5min,10min], se calcula como el área bajo la curva de la función de densidad de probabilidad

0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 Función de densidad de Probabilidad
0.25
0.2
0.15
0.1
0.05
0
0
5
10
15
Función de densidad de Probabilidad f T (t)
Variable aleatoria t Evento e 2
Variable aleatoria t
Evento e 2
Variables aleatorias Definamos una variable aleatoria T como la duración de la llamada. La probabilidad
Variables aleatorias
Definamos una variable aleatoria T como la
duración de la llamada.
La probabilidad del evento e 1 , se puede escribir como:
10min
Pr 0
{
T
10 min
}
=
f
(t) dt
T
0
La probabilidad del evento e 2 , se puede escribir como:
10min
Pr 5 min
{
T
10 min
}
=
∫ f
(t) dt
T
5min
Valor esperado de variables aleatorias El valor esperado corresponde al promedio ponderado de una función

Valor esperado de variables aleatorias

El valor esperado corresponde al promedio ponderado de una función de la variable aleatoria X. El promedio ponderado depende de la probabilidad. Por ejemplo, el 90% de un grupo de estudiantes obtiene 2.0 en un examen. El 10% obtiene 5.0. La nota promedio del examen no es 3.5, sino 0.9*2+0.1*5=2.3

Valor esperado de variables aleatorias El valor esperado de una variable aleatoria discreta, está dado

Valor esperado de variables aleatorias

El valor esperado de una variable aleatoria discreta, está dado por:

N

k

= 1

El valor esperado de una variable aleatoria continua, está dado por:

−∞

E(X)

=

X

=

x

k

P

X

(

x

k

)

E(X) = X =

x f

X (x) dx

Valor esperado de variables aleatorias En forma general, se puede calcular el valor esperado de
Valor esperado de variables aleatorias
En forma general, se puede calcular el valor
esperado de cualquier función de la variable
aleatoria X, dada por g(X)
N
E g X
(
(
))
=
g X
(
)
=
g x
(
)
P
(
x
)
k
X
k
k
= 1
E g X
(
(
))
= g X
(
)
=
g x
(
)
⋅ f
X (x) ⋅ dx
−∞
Valor esperado de variables aleatorias Ejemplo 13: En un sistema de atención de clientes, se

Valor esperado de variables aleatorias

Ejemplo 13:

En un sistema de atención de clientes, se cuenta con 3 operadores. Los clientes que tiene el sistema son 5, y pueden llegar a hacer una consulta con una probabilidad de 0.5 cada hora. Si un cliente es atendido, se obtiene una ganancia $300. Si un cliente no es atendido, se tiene una pérdida $150. Cuanto es la ganancia promedio del sistema?

Valor esperado de variables aleatorias Existen ciertas funciones de las V.A. que son comunes en
Valor esperado de variables aleatorias
Existen ciertas
funciones de las
V.A. que son
comunes en los
modelos
estadísticos. Sus
valores
esperados son
conocidos como
la media, la
desviación
estándar y la
varianza
N
g
(
X
)
=
X; E g
(
(
X
))
=
X
=
x
P
(
x
)
1
1
k
X
k
k
=
1
)
(
)
2
(
(
(
))
(
)
2
g
X
=
X
X
; E
g
X
=
Var X
= σ
2
2
N
2
(
)
2
σ
=
x
X
P
(
x
)
k
X
k
k
=
1
)
2
σ =
N
∑ (
x
X
P
(
x
)
k
X
k
k
=
1
Valor esperado de variables aleatorias
Existen ciertas
funciones de las
V.A. que son
comunes en los
modelos
estadísticos. Sus
valores
esperados son
conocidos como
la media, la
desviación
g
(
X
)
=
X; E g
(
(
X
))
=
X
=
x
f
(
x
)
dx
1
1
X
−∞
(
)
2
g
X
)
(
=
X
X
; E
(
g
(
X
))
=
Var X
(
)
2
= σ
2
2
2
(
)
2
σ
=
x
X
f
(
x
)
dx
X
−∞
estándar y la
varianza
(
)
2
σ =
x
X
f
(
x
)
dx
X
−∞
Probabilidad acumulada La función de probabilidad acumulada evalúa la probabilidad de la variable aleatoria
Probabilidad acumulada
La función de probabilidad acumulada evalúa
la probabilidad de la variable aleatoria
acumulada hasta un cierto valor x.
N
(x
)
=
∑ x
F X
N
k
k
= 1
x
d
µ
−∞

F X

(x)

=

f

X

(

µ

)

Distribuciones de probabilidad Existen ciertos experimentos comunes que aparecen con frecuencia y se conoce la

Distribuciones de probabilidad

Existen ciertos experimentos comunes que aparecen con frecuencia y se conoce la función de probabilidad asociada, así como la media, la varianza, etc. A esos experimentos se les asocia una distribución de probabilidad. Dichas distribuciones se clasificarán entre distribuciones discretas y continuas.

Distribuciones de probabilidad discretas

Distribución uniforme:

Consiste en un conjunto de puntos muestrales equiprobables. Cada uno de los n puntos tiene la misma probabilidad.

Consiste en un conjunto de puntos muestrales equiprobables. Cada uno de los n puntos tiene la

Distribuciones de probabilidad discretas

Distribución Bernoulli:

Es una variable aleatoria que puede tener dos únicos valores. Un valor 1 que representa a un evento A, con probabilidad p. Un valor 0 que representa un evento B con probabilidad 1-p.

Un valor 1 que representa a un evento A, con probabilidad p. Un valor 0 que

Distribuciones de probabilidad discretas

Distribución Geométrica:

Es una V.A. conformada por una secuencia de eventos Bernoulli, independientes y de la misma probabilidad p. Mide el número de ensayos necesarios para obtener el evento

A.

Bernoulli, independientes y de la misma probabilidad p. Mide el número de ensayos necesarios para obtener

Distribuciones de probabilidad discretas

Distribución Binomial:

Se realiza una serie de N ensayos tipo Bernoulli. En cada ensayo puede ocurrir un evento A o B con probabilidades p y 1-p complementarias. Los eventos son independientes entre sí en cada ensayo. Las probabilidades permanecen constantes durante la realización del experimento.

Distribuciones de probabilidad discretas

Distribución Binomial:

Determina la probabilidad de obtener n veces el resultado a en los N ensayos. Se debe lograr que ocurran (para un solo punto muestral)

P (k) = P(a) ⋅ ⋅ P(a) ⋅ P(b) ⋅ ⋅ P(b) X n veces
P
(k)
= P(a)
P(a)
P(b)
P(b)
X
n veces
N-k veces
k
N
− k
P
(k)
= P(a) P(n)
X
Distribuciones de probabilidad discretas Distribución Binomial: Dado que los eventos pueden ocurrir en cualquier
Distribuciones de probabilidad discretas
Distribución Binomial:
Dado que los eventos pueden ocurrir en
cualquier orden, realmente se tienen mas
combinaciones de puntos. La expresión para
la probabilidad es:
N!
(N
− k)!k!
 N   p
k
P
(k) = 
( 1
− p
) N
− k
X
k
 

P

X

(k) =

p

k (

1

p

)

N

k

Distribuciones de probabilidad discretas

Distribución Binomial:

Es una variable aleatoria que representa la suma de N variables tipo Bernoulli. Representa la probabilidad de tener un número k de resultados en los N experimentos tipo Bernoulli.

tipo Bernoulli. Representa la probabilidad de tener un número k de resultados en los N experimentos

Distribuciones de probabilidad discretas

Distribución Poisson:

Es una variable aleatoria que mide la probabilidad de tener un número k de resultados en un intervalo T, de acuerdo con cierta tasa de llegada λ. Esta distribución permite modelar el número de llamadas que llegan a una central en un tiempo determinado. λ se conoce como rata o frecuencia de ocurrencia de eventos y tiene unidades de eventos/seg. λ = 10 llamadas/seg.

λ se conoce como rata o frecuencia de ocurrencia de eventos y tiene unidades de eventos/seg.
λ se conoce como rata o frecuencia de ocurrencia de eventos y tiene unidades de eventos/seg.
λ se conoce como rata o frecuencia de ocurrencia de eventos y tiene unidades de eventos/seg.
λ se conoce como rata o frecuencia de ocurrencia de eventos y tiene unidades de eventos/seg.

Distribuciones de probabilidad discretas

Ejemplo 14: Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan más caras que sellos Ejemplo 15: Una máquina fabrica tornillos y se ha comprobado que el 2% de los mismos son defectuosos. Si se vende en paquetes de de 29, se pide: ¿Cuál es la probabilidad de que al comprar un paquete haya en el mismo 2 defectuosos? Ejemplo 16: De los donadores de sangre de una clínica, 80% tiene el factor Rh presente en el torrente sanguíneo. Si se elige de manera aleatoria a cinco donadores, ¿cuál es la probabilidad de que por lo menos uno carezca del factor Rh? Ejemplo 17: En promedio, cada una de las 18 gallinas de un gallinero pone un huevo al día. Si se recogen los huevos cada hora ¿Cuál es el número medio de huevos que se recogen en cada visita? ¿Con qué probabilidad encontraremos x huevos para x = 0,1, 2,3? ¿y la probabilidad de que x>=4 ?

en cada visita? ¿Con qué probabilidad encontraremos x huevos para x = 0,1, 2,3? ¿y la
en cada visita? ¿Con qué probabilidad encontraremos x huevos para x = 0,1, 2,3? ¿y la
en cada visita? ¿Con qué probabilidad encontraremos x huevos para x = 0,1, 2,3? ¿y la

Distribuciones de probabilidad continuas

Distribución Uniforme:

Es una variable aleatoria que asigna la misma probabilidad a cualquier intervalo de longitud L.

Distribución Uniforme: Es una variable aleatoria que asigna la misma probabilidad a cualquier intervalo de longitud

Distribuciones de probabilidad continuas

Distribución exponencial:

Determina la probabilidad de que transcurra un intervalo de tiempo determinado entre dos eventos cualquiera. Probabilidad que entre dos eventos cualquiera, transcurra entre 5 minutos y 15 minutos:

 

15 min

P(5 min

t

15min)

=

 

f (u)du

 

5 min

Probabilidad que entre dos eventos transcurra más de 1 hora:

P

(1

hora

t

)

=

1

hr

f

(

u du

)

Distribuciones de probabilidad continuas

Distribución Exponencial:

Es una variable aleatoria que permite calcular la probabilidad de ocurrencia del siguiente evento. Mide también la probabilidad del tiempo que transcurre entre dos eventos.

de ocurrencia del siguiente evento. Mide también la probabilidad del tiempo que transcurre entre dos eventos.

Distribuciones de probabilidad continuas

Distribución Normal:

Es la llamada función de error. Se construye como la suma de una cantidad muy grande de otras variables aleatorias. Esto es conocido como el teorema central del límite.

la suma de una cantidad muy grande de otras variables aleatorias. Esto es conocido como el

Distribuciones de probabilidad continuas

Ejemplos 18-19:

Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 años? Suponga que tiene que esperar por alguien que demora en promedio 20 minutos. Cuál es la probabilidad de esperarlo mas de media hora? Si usted lleva ya esperándolo una hora y la persona no ha llegado, cual es la probabilidad de tener que esperarlo mas de una y media horas?

Distribuciones de probabilidad Las distribuciones de probabilidad permiten el rápido cálculo de las probabilidades.

Distribuciones de probabilidad

Las distribuciones de probabilidad permiten el rápido cálculo de las probabilidades. Si se puede comparar un fenómeno con cierta variable aleatoria, entonces se puede calcular la probabilidad muy rápidamente sin requerir técnicas de conteo o conceptos adicionales. Adicionalmente, tienen muchos parámetros como el valor esperado o la varianza ya calculados.

Capitulo 3 Procesos estocásticos

Capitulo 3

Procesos

estocásticos

Procesos estocásticos

Un proceso estocástico es un desarrollo adicional sobre el concepto de las variables aleatorias. Un P.E. es una V.A. que cambia en el tiempo. Ejemplos:

El número de personas que están dentro de un banco en el tiempo El número de llamadas activas en una central de conmutación El número de paquetes en una cola de transmisión

Procesos estocásticos

Un proceso estocástico mantiene la distribución de probabilidad para diferentes valores en el tiempo de la variable aleatoria. No se puede predecir el valor de la variable en el futuro.

El número de llamadas activas en una central de conmutación

16 14 12 10 8 6 4 2 0 0 1 2 3 4 5
16
14
12
10
8
6
4
2
0
0
1
2
3
4
5
6
7
8
9
10
t (seg)
Numero de llamadas
Procesos estocásticos 15 10 Si se toman diferentes muestras en el tiempo, se obtienen diferentes
Procesos estocásticos
15
10
Si se toman
diferentes muestras
en el tiempo, se
obtienen diferentes
realizaciones del
proceso.
5
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
t
(seg)
15
10
5
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
t
(seg)
20
10
El número de
llamadas activas en
una central de
conmutación
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
t
(seg)
20
10
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
t
(seg)
Procesos estocásticos
Sin embargo, el
número de llamadas
simultáneas
conserva la misma
distribución de
probabilidad en el
tiempo
300
250
200
150
100
50
El número de
llamadas activas en
una central de
conmutación
0
0
2
4
6
8
10
12
14
16
18
20
Numero de llamadas simultáneas
Frecuencia de ocurrencia
Numero de llamadas
Numero de llamadas
Numero de llamadas
Numero de llamadas

Procesos estocásticos

La diferencia entre el análisis de una V.A. y un proceso estocástico es basada en las tres características siguientes:

El valor promedio de la variable aleatoria respecto al tiempo en el largo plazo.

16 14 12 10 8 6 4 2 0 0 0.5 1 1.5 2 2.5
16
14
12
10
8
6
4
2
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
t (seg)
Numero de llamadas

Procesos estocásticos

La diferencia entre el análisis de una V.A. y un proceso estocástico es basada en las tres características siguientes:

El cálculo de la probabilidad de ciertos eventos extremos. Por ejemplo, la probabilidad de que N(t) sea mayor a 14

16 14 12 10 8 6 4 2 0 0 0.5 1 1.5 2 2.5
16
14
12
10
8
6
4
2
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
t (seg)
Numero de llamadas

Procesos estocásticos

La diferencia entre el análisis de una V.A. y un proceso estocástico es basada en las tres características siguientes:

Finalmente, es importante determinar la relación entre valores de la V.A. en dos instantes cercanos
Finalmente, es importante determinar la relación entre valores
de la V.A. en dos instantes cercanos de tiempo.
Aunque la variable es aleatoria, en un intervalo de tiempo
corto, no es muy grande la variación que tiene. Existe una
relación entre las variables cercanas en le tiempo.
10
8
6
4
2
0
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
t (seg)
Numero de llamadas

Procesos estocásticos

Los procesos estocásticos los clasificaremos entre dos tipos principales:

Procesos de llegada

Proceso de Bernoulli (no lo estudiaremos) Proceso de Poisson

Procesos Markovianos

Procesos de nacimiento y muerte Cadenas de Markov

Procesos estocásticos

Proceso de Poisson Es un proceso que indica los momentos en que ocurren eventos tipo A. El evento puede suceder en cualquier instante de tiempo t. Se conoce que la tasa promedio de ocurrencia de los eventos es λ[=]eventos/seg.

1 2 3 4 5 6 7 8 9 10 11 12
1 2
3
4
5
6
7
8
9
10
11
12

Procesos estocásticos

Proceso de Poisson El tiempo que transcurre entre los eventos se llamará T k , y tiene distribución exponencial. El tiempo que transcurre hasta el evento k se llamará Y k y tiene distribución de Erlang.

 

T 1

 
  T 1   T 2 T 3  

T 2

  T 1   T 2 T 3  

T 3

  T 1   T 2 T 3  
 
               

0

1

2

3

4

Y 1

5

6

7

Y 2

8

9

10

Y 3

11

Procesos estocásticos Proceso de Poisson El número de eventos que ocurren en un tiempo T
Procesos estocásticos
Proceso de Poisson
El número de eventos que ocurren en un
tiempo T tiene una probabilidad dada por la
distribución de Poisson
(
k
−λ T
λ T
)
e
P
(k) =
X
k!
3 llegadas en T=11seg
Y 1
Y 2
Y 3
0
1
2
3
4
5
6
7
8
9
10
11
Procesos estocásticos
Proceso de Poisson
La distribución de
probabilidad de la duración
del tiempo entre los eventos
es exponencial. Es decir,
−λ t
f
(t)
= λ
e
T
1
−λ t
f
(t)
= λ
e
T
2
−λ t
f
(t)
= λ
e
T
3
T 1
T 2
T 3
Y 1
Y 2
Y 3
0
1
2
3
4
5
6
7
8
9
10
11

Procesos estocásticos

Proceso de Poisson El proceso de Poisson carece de memoria, lo cual está indicado por:

Pr{t T

o

+ Γ | t

T }= Pr{t ≥ Γ}

o

Esto quiere decir, que el proceso se reinicia a si mismo cada instante de tiempo. Si el evento no ha ocurrido hasta el tiempo T o , la probabilidad de que ocurra en un intervalo siguiente es la misma que antes de haber esperado el tiempo T o .

Procesos estocásticos

Proceso de Poisson El proceso de Poisson es aditivo. Si se tienen dos procesos de Poisson con tasas λ 1 y λ 2 , la unión de dichos procesos es otro proceso de Poisson de tasa λ= λ 1 + λ 2 . Por ejemplo, suponga que tiene una oficina que hace llamadas con una tasa λ 1 . Además, otra oficina que hace llamadas con una tasa λ 2 . Las dos oficinas hacen entre las dos, llamadas con una tasa λ= λ 1 + λ 2 .

Procesos estocásticos

Proceso de Poisson Un proceso de Poisson también puede separarse en varios subprocesos de tasas menores. La suma de las tasas en que se descompone el proceso, debe ser igual a la tasa original. Por ejemplo, suponga que la gente llega a un edificio con una tasa λ. Si las personas se dirigen a una u otra oficina con probabilidades P 1 y P 2 , las llegadas a cada oficina son también procesos de Poisson con tasas λ 1 = λP 1 y λ 2 = λP 2 .

Procesos estocásticos

Procesos de nacimiento y muerte Dichos procesos son basados en el proceso de Poisson para modelar sistemas basados en líneas de espera o colas. Supongamos un sistema donde los usuarios requieren un servicio y deben esperar hasta que el recurso se desocupe. Supongamos el estado del sistema como el número de usuarios en el sistema.

esperar hasta que el recurso se desocupe. Supongamos el estado del sistema como el número de
Modelos exponenciales Llegadas de usuarios al sistema 4 3 3 usuarios en el sistema, uno
Modelos exponenciales
Llegadas de usuarios al sistema
4
3
3 usuarios en
el sistema, uno
en servicio,
dos en cola
2
Usuarios atendidos en el sistema
1

Tiempo

Modelos exponenciales El primer modelo a analizar será el modelo M/M/1 Llegadas exponenciales Servicio de

Modelos exponenciales

El primer modelo a analizar será el modelo

M/M/1

Llegadas exponenciales Servicio de duración exponencial Un servidor Capacidad infinita Población infinita Modelo de servicio FIFO

Servicio de duración exponencial Un servidor Capacidad infinita Población infinita Modelo de servicio FIFO
Modelos exponenciales Las llegadas ocurren con tiempos entre llegadas exponenciales. El número de usuarios que

Modelos exponenciales

Las llegadas ocurren con tiempos entre llegadas exponenciales. El número de usuarios que llegan en un intervalo T son distribuidas por Poisson. La tasa de llegadas de usuarios es λλλλ usuarios/segundo El tiempo medio entre llegadas es 1/λλλλ El proceso de llegada es un proceso de Poisson

λ λ usuarios/segundo El tiempo medio entre llegadas es 1/ λλλλ El proceso de llegada es
λ λ usuarios/segundo El tiempo medio entre llegadas es 1/ λλλλ El proceso de llegada es
λ λ usuarios/segundo El tiempo medio entre llegadas es 1/ λλλλ El proceso de llegada es
λ λ usuarios/segundo El tiempo medio entre llegadas es 1/ λλλλ El proceso de llegada es
dt exponecial dt dt
dt exponecial
dt
dt

Tiempo

proceso de llegada es un proceso de Poisson dt exponecial dt dt T i e m
proceso de llegada es un proceso de Poisson dt exponecial dt dt T i e m
Prob 3 eventos en intervalo T, Poisson
Prob 3 eventos en intervalo T, Poisson
Modelos exponenciales La llegada se puede ver como un proceso de nacimiento, donde cada vez

Modelos exponenciales

La llegada se puede ver como un proceso de nacimiento, donde cada vez han llegado mas usuarios al sistema. En el tiempo, el número de usuarios va aumentando a medida que llegan mas y mas usuarios al sistema.

λλλλ

usuarios va aumentando a medida que llegan mas y mas usuarios al sistema. λλλλ λλλλ λλλλ

λλλλ

usuarios va aumentando a medida que llegan mas y mas usuarios al sistema. λλλλ λλλλ λλλλ

λλλλ

usuarios va aumentando a medida que llegan mas y mas usuarios al sistema. λλλλ λλλλ λλλλ

λλλλ

usuarios va aumentando a medida que llegan mas y mas usuarios al sistema. λλλλ λλλλ λλλλ
0 1 2 3
0
1
2
3
Modelos exponenciales El tiempo de servicio de los usuarios también se modela como una variable

Modelos exponenciales

El tiempo de servicio de los usuarios también se modela como una variable exponencial. Una vez el usuario comienza servicio, demora dentro del servidor un tiempo t exponencial. El modelo completo, se puede ver como un modelo de nacimiento y muerte, con usuarios entrando y saliendo del sistema. La tasa de servicio del sistema es µ [usuarios/segundo] y el tiempo medio de servicio es d=1/µ [segundos].

Modelos exponenciales El proceso de nacimiento y muerte, controla el número de usuarios dentro del

Modelos exponenciales

El proceso de nacimiento y muerte, controla el número de usuarios dentro del sistema.

λλλλ λλλλ λλλλ λλλλ 0 1 2 3 µµµµ µµµµ µµµµ µµµµ
λλλλ
λλλλ
λλλλ
λλλλ
0
1
2
3
µµµµ
µµµµ
µµµµ
µµµµ

Cantidad de usuarios en el sistema

Modelos exponenciales Notación de Kendall para las colas A/B/C/D/E/F A: Distribución de probabilidad de tiempo

Modelos exponenciales

Notación de Kendall para las colas A/B/C/D/E/F A: Distribución de probabilidad de tiempo entre llegadas B: Distribución de probabilidad de tiempo de atención C: Número de servidores D: Tamaño del sistema E: Tamaño de la población F: Política de atención de la cola (FIFO,LIFO,PRI)

Modelos exponenciales Se define el flujo de probabilidad que sale por una de las flechas

Modelos exponenciales

Se define el flujo de probabilidad que sale por una de las flechas anteriores, como la probabilidad del estado saliente, por el valor de la tasa de servicio o llegada ubicada en la flecha. El flujo de probabilidad que ingresa en una región cerrada, es igual al flujo que sale de la región en condiciones estacionarias.

λλλλ 0 1 µµµµ
λλλλ
0
1
µµµµ

λλλλ

condiciones estacionarias. λλλλ 0 1 µµµµ λλλλ λλλλ λλλλ µµµµ 2 3 µµµµ µµµµ λπ 0

λλλλ

estacionarias. λλλλ 0 1 µµµµ λλλλ λλλλ λλλλ µµµµ 2 3 µµµµ µµµµ λπ 0 =

λλλλen condiciones estacionarias. λλλλ 0 1 µµµµ λλλλ λλλλ µµµµ 2 3 µµµµ µµµµ λπ 0

µµµµen condiciones estacionarias. λλλλ 0 1 µµµµ λλλλ λλλλ λλλλ 2 3 µµµµ µµµµ λπ 0

2 3
2
3
estacionarias. λλλλ 0 1 µµµµ λλλλ λλλλ λλλλ µµµµ 2 3 µµµµ µµµµ λπ 0 =

µµµµ

estacionarias. λλλλ 0 1 µµµµ λλλλ λλλλ λλλλ µµµµ 2 3 µµµµ µµµµ λπ 0 =

µµµµ

λπ

0

= µπ

1

Modelos exponenciales Se define el flujo de probabilidad que sale por una de las flechas

Modelos exponenciales

Se define el flujo de probabilidad que sale por una de las flechas anteriores, como la probabilidad del estado saliente, por el valor de la tasa de servicio o llegada ubicada en la flecha. El flujo de probabilidad que ingresa en una región cerrada, es igual al flujo que sale de la región en condiciones estacionarias.

λλλλ λλλλ 0 1 2 µµµµ µµµµ
λλλλ
λλλλ
0
1
2
µµµµ
µµµµ

λλλλ

estacionarias. λλλλ λλλλ 0 1 2 µµµµ µµµµ λλλλ λλλλ 3 µµµµ µµµµ λπ = µπ

λλλλ

estacionarias. λλλλ λλλλ 0 1 2 µµµµ µµµµ λλλλ λλλλ 3 µµµµ µµµµ λπ = µπ
3
3
estacionarias. λλλλ λλλλ 0 1 2 µµµµ µµµµ λλλλ λλλλ 3 µµµµ µµµµ λπ = µπ

µµµµ

µµµµen condiciones estacionarias. λλλλ λλλλ 0 1 2 µµµµ µµµµ λλλλ λλλλ 3 µµµµ λπ =

λπ = µπ

1

2

Modelos de Poisson

Se define el flujo de probabilidad que sale por una de las flechas anteriores, como la probabilidad del estado saliente, por el valor de la tasa de servicio o llegada ubicada en la flecha. El flujo de probabilidad que ingresa en una región cerrada, es igual al flujo que sale de la región en condiciones estacionarias.

λλλλ λλλλ λλλλ 0 1 2 3 µµµµ µµµµ µµµµ
λλλλ
λλλλ
λλλλ
0
1
2
3
µµµµ
µµµµ
µµµµ

λλλλ

estacionarias. λλλλ λλλλ λλλλ 0 1 2 3 µµµµ µµµµ µµµµ λλλλ µµµµ λπ 2 =
estacionarias. λλλλ λλλλ λλλλ 0 1 2 3 µµµµ µµµµ µµµµ λλλλ µµµµ λπ 2 =

µµµµ

λπ

2 = µπ

3

Modelos exponenciales A partir de las ecuaciones anteriores, se puede obtener los diferentes parámetros del

Modelos exponenciales

A partir de las ecuaciones anteriores, se puede obtener los diferentes parámetros del sistema. Definiendo ρ=λ/µ, se definen los siguientes valores: L = Número de usuarios en el sistema

Lq = Número de usuarios en la cola W = Tiempo para atravezar el sistema Wq = Tiempo de espera en la cola π n = Probabilidad de que haya n usuarios en el sistema

Modelos exponenciales W Wq Lq L

Modelos exponenciales

W

Wq

Lq
Lq

L

Modelos exponenciales Resumen π n = ρ n (1 −ρ ) Cola M/M/1 ρ 1
Modelos exponenciales
Resumen
π
n = ρ
n (1
−ρ
)
Cola
M/M/1
ρ
1
ρ
L =
W =
1 −ρ
λ
1 −ρ
2
2
ρ
1
ρ
L
=
W
=
q
q
λ
1 −ρ
1 −ρ
1
W
=
s
µ

L

s

= ρ

Modelos exponenciales Ejemplo 20: Se tiene una red Ethernet con infinitos usuarios conectada al exterior

Modelos exponenciales

Ejemplo 20: Se tiene una red Ethernet con infinitos usuarios

conectada al exterior mediante un router con una memoria para almacenar paquetes infinita. Se sabe que: El flujo de datos hacia fuera de la red es de 100 paq/seg en promedio y el tiempo entre llegadas exponencial. El tamaño de los paquetes corresponde a una función de probabilidad exponencial y es en promedio de 85 bytes. Calcule:

la velocidad mínima del enlace de salida y asigne un valor estándar

la utilización del enlace.

el tiempo medio que tarda un paquete en ser transmitido

el tamaño medio de la memoria del router que permanece ocupada en

paquetes. el tiempo medio que permanece un paquete en la cola

La probabilidad de tener más de 2 paquetes en la memoria

PROBLEMA 4

Capitulo 4 Modelos Markovianos

Capitulo 4

Modelos

Markovianos