Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
CII-2753
Unidad 1: Repaso de Estadística y Probabilidades
Clase 2019-03-21
Profesor: Pablo Cleveland O.
pablo.cleveland@mail.udp.cl
1
Outline
1. Repaso de Estadística y Probabilidades
2. El Proceso de Poisson
3. Cadenas de Markov en Tiempo Discreto
4. Cadenas de Markov en Tiempo Continuo
5. Teoría de Sistemas de Espera y Aplicaciones
2
Teorema de Bayes
Definiciones básicas
Teorema: Sea (Ω, 𝑓,ҧ ℙ) un e. p. y sean 𝐴, 𝐵 ∈ 𝑓 ҧ dos eventos tales que ℙ 𝐴 > 0 y ℙ 𝐵 > 0.
ℙ 𝐵|𝐴
ℙ 𝐴|𝐵 = ℙ 𝐴
ℙ 𝐵
OBS: Esta propiedad nos entrega una forma para “intercambiar condicionalidad”
Demostración:
ℙ 𝐴∩𝐵 ℙ 𝐴∩𝐵 ℙ 𝐴 ℙ 𝐵∩𝐴 ℙ 𝐴 ℙ 𝐴
ℙ 𝐴|𝐵 = ∙1= = = ℙ 𝐵|𝐴
ℙ 𝐵 ℙ 𝐵 ℙ 𝐴 ℙ 𝐴 ℙ 𝐵 ℙ 𝐵
3
Teorema de Probabilidades Totales
Definiciones básicas
Teorema: Sea (Ω, 𝑓,ҧ ℙ) un e. p. y consideremos una sucesión de eventos tal que 𝐴𝑛 𝑛∈ℕ forma
una partición del espacio muestral Ω
∀𝐵 ∈ 𝑓,ҧ ℙ 𝐵 = ℙ 𝐵|𝐴𝑛 ∙ ℙ 𝐴𝑛
𝑛∈ℕ
4
Ejemplo
Probabilidades Totales y teorema de Bayes
Considere un equipo de fútbol que juega con táctica 4-4-2. Se sabe que la probabilidad que un defensa se
1 1 1
lesione durante un partido es , un medio campista , un delantero , y el arquero no se lesiona.
8 5 4
i. ¿Cuál es la probabilidad que un jugador cualquiera se lesione?
ii. ¿Cuál es la probabilidad que un jugador que se haya lesionado sea delantero?
1 4 4 2
ℙ 𝐴1 = ; ℙ 𝐴2 = ; ℙ 𝐴3 = ; ℙ 𝐴4 =
11 11 11 11
1 1 1
ℙ 𝐿|𝐴1 = 0 ; ℙ 𝐿|𝐴2 = ; ℙ 𝐿|𝐴3 = ; ℙ 𝐿|𝐴4 =
8 5 4
5
Ejemplo
Probabilidades Totales y teorema de Bayes
4
1 1 4 1 4 1 2 9
ℙ 𝐿 = ℙ 𝐿|𝐴𝑖 ∙ ℙ 𝐴𝑖 = 0 ∙ + ∙ + ∙ + ∙ = = 0.1636
11 8 11 5 11 4 11 55
𝑖=1
ℙ 𝐿|𝐴4 ∙ ℙ 𝐴4 1ൗ 2ൗ 5
ℙ 𝐴4 |𝐿 = = 4 11 = = 0.2778
ℙ 𝐿 9ൗ 18
55
6
Variables Aleatorias
Variables Aleatorias
Definición: Sea (Ω, 𝑓,ҧ ℙ) un espacio de probabilidad, diremos que X: Ω → ℝ es una variable aleatoria si y sólo si:
∀ 𝑥ഥ ∈ ℝ, 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑤 ∈ Ω ∶ 𝑋(𝑤) ≤ 𝑥ഥ ∈ 𝑓 ҧ
Es decir, una variable aleatoria (en adelante v.a.) es una función que asigna un valor numérico a cada
resultado (outcome) en el espacio muestral.
Función de distribución de una v.a.
Definición: Sea (Ω, 𝑓,ҧ ℙ) un espacio de probabilidad y 𝑋 una variable aleatoria. Diremos que 𝐹𝑋 : ℝ → [0,1] es la
función de distribución de 𝑋 si y solo si:
1. 𝐹𝑋 𝑥ҧ es creciente, si 𝑥ҧ ≤ 𝑦ത ⇒ 𝐹𝑋 𝑥ҧ ≤ 𝐹𝑋 𝑦ത
2. lim 𝐹𝑋 𝑥ҧ = 0 ; lim 𝐹𝑋 𝑥ҧ = 1
ҧ
𝑥→−∞ ҧ
𝑥→∞
8
Propiedades funciones de distribución
Variables Aleatorias
3. ℙ −1 < 𝑋 ≤ 2 = ℙ 𝑋 ≤ 2 \X ≤ −1 = ℙ 𝑋 ≤ 2 − ℙ 𝑋 ≤ 2 ∩ 𝑋 ≤ −1 = 𝐹𝑋 2 − ℙ 𝑋 ≤ −1 =
3 3
𝐹𝑋 2 − 𝐹𝑋 −1 = − 0 =
4 4
ℙ 𝑋 = 𝑥ҧ = 𝐹𝑋 𝑥ҧ − lim− 𝐹𝑋 (𝑦)
ത
ത 𝑥ҧ
𝑦→
Ejemplo:
ℙ 𝑋 = −4 = 𝐹𝑋 −4 − lim− 𝐹𝑋 𝑦 = 0 − 0 = 0
𝑦→4
3 1
ℙ 𝑋 = 4 = 𝐹𝑋 4 − lim− 𝐹𝑋 𝑦 = 1 − =
𝑦→4 4 4
9
Variable Aleatoria Discreta y Continua
Variables Aleatorias
Definición: Sea 𝑋 una variable aleatoria. Se dice que esta es discreta si y solo si 𝑋 puede tomar valores en un
subconjunto numerable de ℝ, que llamaremos Ι.
Definición: Sea X una variable aleatoria. Se dice que X es una v.a. absolutamente continua si y solo si 𝐹𝑋 (𝑥)ҧ
es continua.
Nota: Lo anterior es equivalente a decir que existe una función 𝑓𝑋 𝑥ҧ : ℝ → ℝ+ , a la que llamaremos función de
densidad, que cumple:
𝑥ҧ
𝑑
𝐹𝑋 𝑥ҧ = න 𝑓𝑋 𝑢 𝑑𝑢 ; 𝑓𝑋 𝑥ҧ = (𝐹 (𝑥))
ҧ
−∞ 𝑑 𝑥ҧ 𝑋
OBS:
𝑥ҧ ∞
lim 𝐹𝑋 𝑥ҧ = න 𝑓𝑋 𝑢 𝑑𝑢 = න 𝑓𝑋 𝑢 𝑑𝑢 = 1
ҧ
𝑥→∞ −∞ −∞ 10
Ejemplo de Variables Aleatorias
Variables Aleatorias
• Bernoulli
Esta variable permite modelar experimentos con resultados dicotómicos, es decir, éxito o fracaso. Asumiremos que
la probabilidad de éxito es 𝑝 ∈ [0,1] y la probabilidad de fracaso es 1 − 𝑝. La función de masa (densidad) en este
caso es:
𝑝, 𝑠𝑖 𝑘 = 1 é𝑥𝑖𝑡𝑜
ℙ 𝑋=𝑘 =ቊ
1 − 𝑝, 𝑠𝑖 𝑘 = 0 (𝑓𝑟𝑎𝑐𝑎𝑠𝑜)
• Binomial
Esta variable permite modelar 𝑛 experimentos Bernoulli, dando respuestas a ¿Cuál es la probabilidad que
exactamente 𝑘 de ellos sea éxito?.
La función de masa en este caso es:
𝑛 𝑛 𝑛!
ℙ 𝑋 = 𝑘 = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , donde =
𝑘 𝑘 𝑘! 𝑛 − 𝑘 !
𝑛
Se cumple que: σ𝑘=0 ℙ 𝑋 = 𝑘 = 1
𝑛
Recordemos: (𝑎 + 𝑏)𝑛 = σ𝑛𝑘=0 𝑘
𝑎𝑘 𝑏𝑛−𝑘
𝑛 𝑛
𝑛 𝑘
ℙ 𝑋 = 𝑘 = 𝑝 (1 − 𝑝)𝑛−𝑘 = (𝑝 + (1 − 𝑝))𝑛 = 1
𝑘
𝑘=0 𝑘=0 11
Ejemplo de Variables Aleatoria
Variables Aleatorias
• Geométrica
Sea 𝑋 una variable aleatoria discreta. Se dice que 𝑋~𝐺𝑒𝑜(𝑝) si y solo si su función de masa esta dada por
ℙ 𝑋 = 𝑘 = (1 − 𝑝)𝑘−1 𝑝 ; 𝑘 = 1, … , 𝑛.
Interpretación
Una variable aleatoria geométrica puede interpretarse como el número de experimentos (Bernoulli) que se deben
realizar hasta obtener el primer éxito.
12
Modelos Estocásticos
CII-2753
Unidad 1: Repaso de Estadística y Probabilidades
Clase 2019-03-21
Profesor: Pablo Cleveland O.
pablo.cleveland@mail.udp.cl
13
Referencias
• Ross, S., “Introduction to Probability Models”, Capítulo 1 y 2.
• Gazmuri, P., “Modelos Estocásticos para la Gestión de Sistemas”,
Capitulo 1.