Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Programa
Introduccin
Probabilidad (8 hrs)
Variables aleatorias (4 hrs)
Procesos estocsticos (4 hrs)
Procesos Markovianos (8 hrs)
Evaluacin
Examen 1:
Examen 2:
25% Probabilidades
25% Variables aleatorias,
procesos estocsticos
Examen final: 25% Cadenas de Markov
Tareas:
25%
Introduccin
Capitulo 1
Probabilidad
Experimentos
1.
2.
3.
4.
Espacio Muestral
1.
2.
3.
4.
Evento
1.
2.
3.
Tipos de eventos
Probabilidad
Interpretacin frecuentista
Interpretacin axiolgica
Probabilidad
Interpretacin 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}, e1={cara}
Pr{e1}=0.5
Probabilidad
Interpretacin frecuentista:
Pr{e1}=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
Interpretacin frecuentista:
Para el nmero de personas que ingresan a
un banco en una hora,
S={0,1,2,3,}, e={0,1,2,3}
Pr{e}=0.8
Cmo se puede interpretar esto?
Probabilidad
Interpretacin axiolgica:
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 i A j = ;
P i =1 A i = i =1 Pr{A i }
N
Probabilidad
Interpretacin
axiolgica:
Propiedades
de la
probabilidad
i) P{} = 0
ii) 0 P{A} 1
iii) P{A} = 1 P{A}
iv) Si A B, P{A} P{B}
v) P{A B} = P{A} + P{B} P{A B}
Si A B = , P{A B} = P{A}+ P{B}
Probabilidad
Interpretacin axiolgica:
Propiedades de la probabilidad
1
, i = 1,2,..., n
n
Probabilidad
Interpretacin axiolgica:
Propiedades de la probabilidad
Ley de los grandes nmeros:
Suponga un conjunto de N ensayos o experimentos.
Sea NA el nmero de ensayos con un resultado en
el evento A. Entonces:
vii) Lim
N
NA
Pr{A}
N
1.
2.
3.
4.
10
Tcnicas de conteo
El problema del mtodo anterior es el clculo del
tamao del espacio muestral o su declaracin
explcita cuando este es muy grande.
Tcnicas de conteo
Se van a estudiar dos tcnicas de conteo
11
Tcnicas de conteo
Formula general de conteo:
Si el un punto del espacio muestral se construye
seleccionando una secuencia de m valores X1, X2,
Xm y el nmero de formas de obtener cada uno
de ellos es n1, n2, nm, el tamao del espacio
muestral es:
|S|= n1 n2 n3 nm
Ejemplo: Encontrar el nmero total de licencias de
carros particulares que se pueden crear en
Colombia.
Tcnicas de conteo
Seleccin:
Si el un punto del espacio muestral se construye
seleccionando una secuencia de m valores X1, X2, Xm y
cada valor se selecciona de un conjunto de valores de
tamaos n1, n2, nm, el tamao del espacio muestral es:
|S|= n1 n2 n3 nm
El criterio importante es garantizar que los valores de cada
conjunto se seleccionan independientemente de los otros
conjuntos. Esto tambin se reconoce como una extraccin de
elementos con reemplazo.
Ejemplo: Cual es el tamao del espacio muestral si se lanzan 4
dados simultneamente?
12
Tcnicas de conteo
Tcnicas de conteo
PnN =
N!
(N n )!
Permutacin
N
N!
=
n (N n )!n!
Combinatoria
13
Tcnicas de conteo
Ejercicios propuestos
14
15
(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
(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
16
(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
(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
17
18
P{A B} = P{A}P{B}
19
Probabilidad condicional
20
Probabilidad condicional
Salen a hospitalizacin
n personas
Salen a
hospitalizacin n2
personas que
tenan afectacin
cardaca
Ingresan N personas
Probabilidad condicional
Pr{hospitalizacin}=n/N
Salen a hospitalizacin
n personas
Salen a
hospitalizacin n2
personas que
tenan afectacin
cardaca
Ingresan N personas
Pr{hospitalizacin2}=n2/N2
21
Probabilidad condicional
Probabilidad condicional
22
Probabilidad condicional
Probabilidad condicional
23
Probabilidad condicional
P{A | B} =
P{A B}
P{B}
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
24
Probabilidad condicional
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:
25
Cuidado!!!
Supongamos que
el espacio
muestral S puede
dividirse en n
eventos
excluyentes B1,
B2, B3, Bn.
Estos eventos
constituyen una
particin de S.
B6
A
B5
B1
B2
B3
B4
26
Supongamos que
el espacio
muestral S puede
dividirse en n
eventos
excluyentes B1,
B2, B3, Bn.
Estos eventos
constituyen una
particin de S.
P{A B1}
S
B6
A
B5
B1
B2
B3
B4
27
Lo anterior es equivalente a:
28
Teorema de Bayes
Teorema de Bayes
Ejemplo 12:
Un sistema hidrulico falla con probabilidad 0.6 si la
temperatura del aire es menor o igual a 0C. La
probabilidad de que la temperatura del aire sea
menor o igual a 0C es 0.08. La probabilidad de que
el sistema falle si la temperatura es superior a 0C
es 0.01. Cul es la probabilidad de que el sistema
falle?
En el problema anterior, si el sistema falla, cul es
la probabilidad de que la temperatura sea inferior a
0C?
29
Teorema de Bayes
Tarea 3:
Suponga un examen mdico. El 1% de la poblacin est
enfermo y el 99% esta sano. Si el examen se aplica a una
persona sana, la probabilidad de fallar en el diagnstico 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 diagnstico
es 0.01 y de acertar es de 0.99.
Suponga que a un paciente, el resultado del examen es
positivo (tiene la enfermedad), cul es la probabilidad de
que est enfermo?
Suponga que a un paciente, el resultado del examen es
negativo (no tiene la enfermedad), cul es la probabilidad
de que est realmente sano?
CASO DE USO 1
La probabilidad
condicional y el teorema
de Bayes se utilizan para
construir un receptor de
seales digitales.
Suponga una fuente que
transmite dos smbolos
para representar el 0 o el
1.
El receptor recibe una
seal que es una copia de
la seal transmitida mas
interferencia, ruido, etc.
30
CASO DE USO 1
Si el ruido y la
interferencia son
aleatorios, la seal
recibida es aleatoria.
El receptor, desea
calcular la
probabilidad:
Pr{Fuente enva S i | se recibi r}
CASO DE USO 1
31
CASO DE USO 1
Capitulo 2
Variables
aleatorias
32
Variables aleatorias
Variables aleatorias
33
Variables aleatorias
X1=x+y
X1
2
3
4
(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)
5
6
7
8
9
10
11
12
Variables aleatorias
X2=max(x,y)
X1
(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)
34
Variables aleatorias
Variables aleatorias
X1=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)
(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)
X1
Probabilidad
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
10
3/36
11
2/36
12
1/36
35
Variables aleatorias
6/36
5/36
En el caso de la
variable aleatoria
X1, se define la
funcin de
probabilidad
PX1(x), la cual
define la
probabilidad de un
valor x de la
variable aleatoria
X1.
Probabilidad PX (X)
4/36
3/36
2/36
1/36
6
7
8
Variable aleatoria X1
10
11
12
Variables aleatorias
X2=max(x,y)
X1
Probabilidad
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
1/36
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
3/36
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
5/36
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
7/36
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
9/36
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
11/36
36
Variables aleatorias
11/36
9/36
2
En el caso de la
variable aleatoria
X2, se define la
funcin de
probabilidad
PX2(x), la cual
define la
probabilidad de un
valor x de la
variable aleatoria
X2.
Probabilidad PX (X)
7/36
5/36
3/36
1/36
1
1.5
2.5
3
3.5
4
Variable aleatoria X2
4.5
5.5
Variables aleatorias
Tarea 4
Para la variable aleatoria X3 definida
anteriormente, encuentre la funcin de
probabilidad Px3(x)
37
Variables aleatorias
Variables aleatorias
10
11
Evento e2
38
Variables aleatorias
La probabilidad
del evento
e1=[0,10min], se
calcula como el
rea bajo la curva
de la funcin de
densidad de
probabilidad
0.25
0.2
0.15
0.1
0.05
10
15
10
15
Variable aleatoria t
Variables aleatorias
La probabilidad
del evento
e1=[0,10min], se
calcula como el
rea bajo la curva
de la funcin de
densidad de
probabilidad
0.25
0.2
0.15
0.1
0.05
5
Variable aleatoria t
Evento e1
39
Variables aleatorias
La probabilidad
del evento
e2=[5min,10min], se
calcula como el
rea bajo la curva
de la funcin de
densidad de
probabilidad
0.25
0.2
0.15
0.1
0.05
10
15
Variable aleatoria t
Evento e2
Variables aleatorias
Pr{0 T 10 min} =
( t ) dt
0
( t ) dt
5 min
40
E (X) = X = x k PX (x k )
k =1
E ( X) = X =
x f
( x ) dx
41
42
Existen ciertas
funciones de las
V.A. que son
comunes en los
modelos
estadsticos. Sus
valores
esperados son
conocidos como
la media, la
desviacin
estndar y la
varianza
g1 (X ) = X; E(g1 (X )) = X = x k PX (x k )
k =1
(
= (x
)
X ) P (x
2
g 2 (X ) = X X ; E(g 2 (X )) = Var(X ) = 2
N
k =1
N
(x
X PX (x k )
k =1
Existen ciertas
funciones de las
V.A. que son
comunes en los
modelos
estadsticos. Sus
valores
esperados son
conocidos como
la media, la
desviacin
estndar y la
varianza
g1 (X ) = X; E(g1 (X )) = X =
x f (x ) dx
X
g 2 (X ) = X X ; E(g 2 (X )) = Var(X ) = 2
(x X ) f (x ) dx
2
(x X ) f
2
(x ) dx
43
Probabilidad acumulada
FX ( x N ) = x k
k =1
x
FX ( x ) = f X () d
Distribuciones de probabilidad
44
45
46
N-k veces
PX (k ) = P(a ) k P(n ) N k
N!
Nk
p k (1 p )
( N k )!k!
N
Nk
PX (k ) = p k (1 p )
k
47
48
49
P(1hora t ) = f (u )du
1hr
50
51
Distribuciones de probabilidad
Capitulo 3
Procesos
estocsticos
52
Procesos estocsticos
Procesos estocsticos
Un proceso estocstico mantiene la distribucin
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 nmero de llamadas activas en una central de
conmutacin
16
14
Numero de llamadas
12
10
8
6
4
2
0
5
t (seg)
10
53
El nmero de
llamadas activas en
una central de
conmutacin
Numero de llamadas
Numero de llamadas
Si se toman
diferentes muestras
en el tiempo, se
obtienen diferentes
realizaciones del
proceso.
15
Numero de llamadas
15
20
Numero de llamadas
Procesos estocsticos
20
10
5
0
0.5
1.5
2.5
t (seg)
3.5
4.5
0.5
1.5
2.5
t (seg)
3.5
4.5
0.5
1.5
2.5
t (seg)
3.5
4.5
0.5
1.5
2.5
t (seg)
3.5
4.5
10
5
0
10
10
Procesos estocsticos
Sin embargo, el
nmero de llamadas
simultneas
conserva la misma
distribucin de
probabilidad en el
tiempo
Frecuencia de ocurrencia
El nmero de
llamadas activas en
una central de
conmutacin
300
250
200
150
100
50
6
8
10
12
14
Numero de llamadas simultneas
16
18
20
54
Procesos estocsticos
Numero de llamadas
12
10
8
6
4
2
0
0.5
1.5
2.5
t (seg)
3.5
4.5
Procesos estocsticos
La diferencia entre el anlisis de una V.A. y un
proceso estocstico es basada en las tres
caractersticas siguientes:
10
8
6
4
2
0
0.5
1.5
2.5
t (seg)
3.5
4.5
55
Procesos estocsticos
10
Numero de llamadas
8
6
4
2
0
0.05
0.1
0.15
0.2
t (seg)
0.25
0.3
0.35
0.4
Procesos estocsticos
Procesos Markovianos
56
Procesos estocsticos
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 [=]eventos/seg.
10
11
12
Procesos estocsticos
Proceso de Poisson
El tiempo que transcurre entre los eventos se
llamar Tk, y tiene distribucin exponencial.
El tiempo que transcurre hasta el evento k se
llamar Yk y tiene distribucin de Erlang.
T1
T3
T2
4 Y1 5
7 Y2
10 Y3 11
57
Procesos estocsticos
Proceso de Poisson
El nmero de eventos que ocurren en un
tiempo T tiene una probabilidad dada por la
distribucin de Poisson
(T )k e T
PX (k ) =
k!
3 llegadas en T=11seg
4 Y1 5
7 Y2
10 Y3 11
Procesos estocsticos
Proceso de Poisson
La distribucin de
probabilidad de la duracin
del tiempo entre los eventos
es exponencial. Es decir,
T1
f T1 ( t ) = e t
f T2 ( t ) = e t
f T3 ( t ) = e t
T3
T2
4 Y1 5
7 Y2
10 Y3 11
58
Procesos estocsticos
Proceso de Poisson
El proceso de Poisson carece de memoria, lo cual
est indicado por:
Pr{t To + | t To } = Pr{t }
Procesos estocsticos
Proceso de Poisson
El proceso de Poisson es aditivo. Si se
tienen dos procesos de Poisson con tasas
1 y 2, la unin de dichos procesos es otro
proceso de Poisson de tasa = 1+ 2.
Por ejemplo, suponga que tiene una oficina
que hace llamadas con una tasa 1.
Adems, otra oficina que hace llamadas con
una tasa 2. Las dos oficinas hacen entre
las dos, llamadas con una tasa = 1+ 2.
59
Procesos estocsticos
Proceso de Poisson
Un proceso de Poisson tambin 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 . Si las personas se dirigen a
una u otra oficina con probabilidades P1 y P2, las
llegadas a cada oficina son tambin procesos de
Poisson con tasas 1= P1 y 2= P2 .
Procesos estocsticos
Procesos de nacimiento y
muerte
Dichos procesos son basados
en el proceso de Poisson
para modelar sistemas
basados en lneas 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 nmero de
usuarios en el sistema.
60
Modelos exponenciales
Llegadas de usuarios al sistema
3 usuarios en
el sistema, uno
en servicio,
dos en cola
4
3
2
Tiempo
Modelos exponenciales
Llegadas exponenciales
Servicio de duracin exponencial
Un servidor
Capacidad infinita
Poblacin infinita
Modelo de servicio FIFO
61
Modelos exponenciales
dt exponecial
dt
Tiempo
Modelos exponenciales
62
Modelos exponenciales
Modelos exponenciales
63
Modelos exponenciales
Notacin de Kendall para las colas
A/B/C/D/E/F
A: Distribucin de probabilidad de tiempo entre llegadas
B: Distribucin de probabilidad de tiempo de atencin
C: Nmero de servidores
D: Tamao del sistema
E: Tamao de la poblacin
F: Poltica de atencin de la cola (FIFO,LIFO,PRI)
Modelos exponenciales
0 = 1
64
Modelos exponenciales
1 = 2
Modelos de Poisson
2 = 3
65
Modelos exponenciales
Modelos exponenciales
W
Wq
Lq
L
66
Modelos exponenciales
Resumen
Cola
M/M/1
n = n (1 )
L=
2
Lq =
1
Ls =
W=
1
1
1 2
Wq =
1
1
Ws =
Modelos exponenciales
PROBLEMA 4
67
Capitulo 4
Modelos
Markovianos
68