PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

ProbabilidadyVariablesAleatorias
Introduccin
Enestasesinrepasaremosalgunosconceptosfundamentalesdeprobabilidadesyvariablesaleatorias, necesarioscomobaseparacomprendermejorelcaptulo5dellibrotextoyloscaptulossiguientes. Bsicamente,trataremosdedarrespuestaaestaspreguntas: Ququieredecirlaafirmacindequelaprobabilidaddeuneventoes,porejemplo,0.5o0.81? Cmosedeterminanosemidenenlaprcticalosnmerosquellamamosprobabilidad? Culessonlasreglasmatemticasquerigenestosnmeros? Siserepiteunexperimentoaleatoriomuchasveces,cualeselmodelodeprobabilidadque surge?

Repaso:LasreglasFundamentales
Unexperimentoaleatorio()esunaactividadcuyoresultadoesincierto.Unespaciomuestral ()eselconjuntodetodoslosresultadosposiblesdeunexperimento.Uneventoosuceso(A)consiste enunoomsdelosresultadosposiblesdeunexperimento,esdecir,esunsubconjuntodelespacio muestral. Veamosunejemplo.Serealizaelexperimento:selanzaundadoyseobservaelnmeroque apareceenlacarasuperior.Notelascaractersticasdeesteexperimento: Esposiblerepetiresteexperimentoindefinidamente,sincambiarlascondiciones Aunquenopodemosasegurarcualserunresultadoenparticular,podemosdescribirel conjuntodetodoslosresultadosposiblesdelexperimento Cuandoelexperimentoserepiteungrannmerodeveces,apareceunmodelodefinidode regularidad.Estaregularidadhaceposiblelaconstruccindeunmodelomatemticopreciso conelcualanalizamoselexperimento

Elespaciomuestralquecorrespondeaesteexperimentoes:={1,2,3,4,5,6}.Sepuedendefinirvarios eventososucesosasociadosaesteexperimento.Algunosson: A1={ocurreunnmeropar}={2,4,6} A2={6}

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Ejercicio1:Describaelespaciomuestralyporlomenosuneventoasociadosalossiguientes experimentos: Sefabricanartculosenunalneadeproduccinysecuentanelnmerodeartculosdefectuososen 24horas. Seinspeccionantodoslosautosquepasanporundeterminadosectorhastaencontrarelprimeroque nosatisfagalosestndaresambientalesdeemisindexidodenitrgeno

DefinicindeProbabilidad
Una de las caractersticas bsicas del concepto de experimento aleatorio es que no sabemos que resultadoparticularseobtendralrealizarelexperimento.Enotraspalabras,siAesunsucesoasociado aunexperimento,nopodemosindicarconcertezaqueAocurrirono.Poreso,esmuyimportante tratardeasociarunnmeroconelsucesoAquemedirdealgunamanera,laposibilidaddequeel sucesoAocurra.Estatareanosconducealadefinicindeprobabilidadysuteoraasociada. Existendiferentesmaneraspormediodelascualespodemosestimarlaprobabilidaddeunsuceso:
Definici nclsicaoapriori

Siunsucesopuedeocurrirdehmanerasdiferentesdeunnmerototaldenmanerasposibles, todosigualmentefactibles,entonceslaprobabilidaddelsucesoesh/n. Ejemplo:Culeselprobabilidaddesacarunasdeunpaquetebarajadode52naipes?.Hayh=4ases entrelosn=52naipesporloquelaprobabilidaddesacarunases4/52.

Definici nfrecuencialoaposteriori

Sidespusdenrepeticionesdeunexperimento,dondenesmuygrande,unsucesoocurreh veces,entonces,laprobabilidaddelsucesoesh/n Ejemplo:Unprocesoindustrialhaestadocorriendo250das,220deloscualesnohahabidoningn accidente.Laprobabilidaddequeundacualquieraelegidoalazarenelfuturonoocurraningn accidenteesde220/250=0.88.

Definici nsubjetiva

Esunamedida(entre0y1)delacreenciaenqueciertotipodeeventoocurrir.Unvalorde1 indicalacreenciadequeeleventosindudaocurrir. Ejemplo:Siunhombredenegociossientequelasposibilidadesestn3a2dequeocurraunnuevo negocio.Laprobabilidadsubjetivadequeocurraunnuevonegocioes3/(3+2)=0.6

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Maximimizaci ndelaentropia

Sindiferentesresultadossonposiblesylasprobabilidadesrespectivassonp1,p2,..pn,seasignanlas probabilidadesdetalmodoquelafuncin:
n

H p 1, p 2,. .. p n= pi ln pi
i =1 n

seamnima,sujetoalasrestricciones:

pi =1
i=1

yaotrascondicionesqueresultendelproblema.

LafuncinHeslafuncindeentropaytienevariaspropiedadesinteresantes: 1) Esmnimasiseconoceconcertitudelresultadodelexperimento. 2) Esmximasitodoslospisoniguales 3) Esunamedidadelaheterogeneidaddelosresultados.Almaximizarlaentropa,sehaceel supuestodeque,otraquelasrestriccionesespecificadas,noexistenregularidadesenlasalida. Elprincipiodemaximizacindelaentropaesunpostulado.Losresultadosqueseobtienenengeneral sonacordesalosobtenidosconelmtodoapriori. No importa cualsealadefinicindeprobabilidadusada,clsica,frecuencial,subjetivau otra, los valoresasignadosdelaposibilidaddeuneventodebensatisfacerciertaspropiedadesmatemticaspara que sean consideradas probabilidades propiamente dichas. Las siguientes son algunas de las propiedadesmsimportantesdelaprobabilidad

ResumendeAxiomasyTeoremasdeProbabilidad
Seaunexperimentoaleatorio.Seaunespaciomuestralasociadocon.ConcadasucesooeventoA asociamosunnmerorealP(A),laprobabilidaddeA,quesatisfacelassiguientescondiciones: 0<=P(A)<=1paracadaeventoAen P()=1 SiAyBsoneventosmutuamenteexcluyentesen,entoncesP(AUB)=P(A)+P(B) Adems, SiAyBsoneventoscualesquieraen,entonces: P(AUB)=P(A)+P(B)P(AB) SiAescualquiereventoenentoncesP(Ac)=1P(A) Sieselconjuntovaco,P()=0 SiAB,entoncesP(A)<=P(B) SiAyBsondossucesosoeventoscualesquieraen,entonces:

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

P AB P A 9.SiAyBsondossucesosoeventosindependientesen,entonces: P A B= P AP B P B/ A=

T cnicasdeConteoyProbabilidad
Lastcnicasdeconteonossirvenparaenumerarelconjuntoderesultadosposiblesdeespacios muestralesfinitos,informacinqueestilparaasignarlaprobabilidaddelossucesos.Bsicamente, existen3tiposdetcnicasdeconteooenumeracin:

Elprincipiodelamultiplicacin
Supongamos que un procedimiento designado como 1 puede hacerse de n1 maneras. Supongamos que un segundo procedimiento, designado como 2, puede hacerse de n2 maneras. Supongamos que cada una de las maneras de efectuar 1 puede ser seguida por cualquiera de las manerasdeefectuar2.Entonceselprocedimientoqueconstade1seguidode2puedehacerseden1x n2maneras.Obviamente,elprincipiopuedeextenderseacualquiernmerodeprocedimientos. Unamaneratildevisualizarestatcnicaesatravsdeloqueseconocecomodiagramasderbol. Ejemplo:unserviciodepruebasdeproductosevalaelfuncionamientodeunapodadoradecsped comofcildeoperar,dedificultadmedianaodifcil;comocaraobarata;de reparacincostosa, regularobarata.Decuantasmanerasdiferentespuedeclasificarseunapodadoradecspedpordicho servicio? SidenotamoslastresopcionesdefacilidaddeoperacincomoE1,E2yE3;elpreciocomoP1oP2;ylas tresopcionesdecostodereparacinporC1,C2,C3;siguiendouncaminoespecficodeizquierdaa derecha a lo largo de las ramas del rbol obtenemos una clasificacin en particular, es decir, un elementoespecficodelespaciomuestralyseadvierteclaramentequehayuntotalde3x2x3=18 posibilidades.

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Ejercicios

Encuantasformaspuedeunsindicatolocalelegirentresus25miembrosaunpresidentey aunvicepresidente? Siunapruebaconstade12preguntasdeverdaderoyfalso,decuntasmanerasdistintas puedeunestudiantecontestarlapruebaconunarespuestaacadapregunta?

Permutaciones
a) Supongamosquetenemos nobjetos diferentes.Decuantasmaneras sepuedenagrupar o permutarestosobjetos?.Porejemplo,sitenemoslosobjetosa,byc,podemosconsiderarlas siguientesagrupaciones;abc,acb,bac,bca,cabycba.Esdecir,podemospermutaroagrupar estosobjetosde6manerasdiferentes.Engeneral,agruparnobjetosesequivalenteaponerlos enunacajaconncompartimientosenalgnordenespecfico. 1 2 3 . . . n Laprimeracasillasepuedellenarencualquieradelasnmaneras,lasegundadecualquierade

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

lasn1maneras,.....ylaltimacasilladeslounamanera.Portanto,aplicandoelprincipiode multiplicacinanterior,vemosquelacajasepuedellenardenx(n1)x(n2)....x1maneras.A estenmerolollamamoselfactorialdenysedenotacomon!nPn.EnRelfactorialdense calculaconlafuncinfactorial(n) Ejercicio:Cuntosnmerosdecuatrodgitossepuedenconstruirusandolosdgitos1,2,3y4 sinrepetirningndgito? b) Nuevamente,consideremosnobjetosdiferentes.Estavez,deseamosescogerrdeesosobjetos,0 <=r<=n,ypermutamoselrelegido.Recurrimosnuevamentealesquemaanteriordellenar unacajaquetienencompartimientos;ahoranosdetenemosdespusquesehallenadoel compartimientorsimo.As,elprimercompartimientopuedellenarsedenmaneras,el segundoden1.....yelrsimocompartimientodepuedellenarden(r1)maneras.Utilizando denuevoelprincipiodelamultiplicacinobtenemosqueelnmerototaldemanerasesnx(n 1)x(n2)....x(nr+1).Usandolanotacinfactorial,estoseescribecomo: n! n Pr = nr ! Ejercicios Cuntassealesdetresbanderaspuedenobtenersecon8banderasdiferentes? Cuntosnmerosdedosdgitos,sinrepetir,sepuedenconstruirusandolosnmeros1,2,3 y4?

Combinaciones
Consideremos nuevamente n objetos diferentes. Esta vez estamos interesados en contar el nmerodemanerascomopodemosescogerrdeesosobjetossinimportarelorden.Esdecir,sitenemos losobjetosa,b,cydyr=2,deseamoscontarab,ac,ad,bc,bdycd.Enotraspalabras,nocontamosab ybapuestoquelosmismosobjetosestnrelacionadosyslodifierenenelorden. As,elnmerodemanerasdeelegirrobjetosdeuntotaldensinconsiderarelordenseconoce comoelcombinatoriooelcoeficientebinomialdenyryestadadopor: n! n C= = nr ! r ! r EnRlascombinacionessecalculanusandolafuncinchoose(n,r)

Ejercicios: Cuntoscomitsdetresmiembrospuedenelegirsecon8personas? Encuntasformasdiferentespuedeeldirectordeunlaboratoriodeinvestigacinelegirados qumicosentresieteaspirantesytresfsicosentrenuevecandidatos?

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Ejemplo1:Laprobabilidaddeenunamonedanocargada
Losposiblesresultadosdelexperimentoson{C,S}.Unoesperaqueocurranaproximadamenteel mismonmerodevecesporloqueenunlanzamientocualquiera,P(quesalgacara)=P(quesalgasello) =.Siselanzalamoneda7veces,sepuedenobtener0,1,2,3,4,5,67carascomoresultadoCules laprobabilidaddeobtener4caras?Senecesitaresponderestasdospreguntas: 1. Culeslaprobabilidaddeobtener4carasen7lanzamientosdelamoneda? 2. Cuantasmanerasdiferentesexistendeobtener4carasen7lanzamientos? Veamoslasrespuestas: 1. Laprobabilidadde,porejemplo{C,C,C,C,S,S,S}esiguala: 7 1 1 1 1 1 1 1 1 1 = = =0 . 0078125 2 2 2 2 2 2 2 2 128 2. Comoyavimos,elnmerodemanerasdeescogerrobjetosoresultadosdenposiblesse denominaelcombinatoriodenenrysecalculaconlasiguienteformula: n! n C= = nr ! r ! r Ennuestrocaso,n=7yr=4.As: 7! 7! 7x6x5x4! 7x6x5 = = = =35 74 ! 4 ! 3! 4 ! 3! x4 ! 6 Entonceslaprobabilidades(1/128)x35=0.2734375

Ejercicio:Culeslaprobabilidaddeobtenerexactamente0,1,2,...7caras?Realiceungrficode barrasquemuestresuresultado.

Ejemplo2:Laloteria
ElpremiogordodelQuinoseobtieneacertando15nmerosdeuntotalde25nmerosposibles. CuleslaprobabilidaddeganarseelpremiogordodelQuino?EnelQuinotambinseganaacertando 14,13o12nmeros.Culeslaprobabilidaddeobtenerestenmerodeaciertos?

ProbabilidadCondicional
Consideremoselsiguienteejemplo.Unlotede100artculoscontiene20defectuososy80no

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

defectuosos.Supongaqueelegimosalazardosartculosdellotesinsustitucin.Definamoslossucesos siguientes: A={elprimerartculoesdefectuoso} B={elsegundoartculoesdefectuoso} EsclaroqueP(A)=20/100=1/5.ParapodercalcularP(B)necesitamossaberlacomposicin dellotecuandoseescogeelsegundoartculo.Esdecir,necesitamossabersielsucesoAocurriono. Esteejemploindicalanecesidaddepresentarelsiguienteconcepto. SeanAyBdossucesosasociadosconunexperimentoaleatorio.IndicamosconP(B/A)laprobabilidad condicionaldelsucesoBdadoqueAhaocurrido. Enelejemploanterior,P(B/A)=19/99. Cada vez que calculamos P(B/A) estamos esencialmente calculando P(B) con respecto al espacio muestralreducidodeAenvezdelespaciomuestraloriginal Otro ejemplo: Se lanzan dos dados normales y se anotan los resultados (x1,x2) en donde xi es el resultadodelisimodado.Elespaciomuestralsepuederepresentarporelsiguientecuadrode36 resultadosigualmenteposibles:

(1,1) (1, 2) (2,1) (2, 2) = . . (6,1) (6, 2)

. (1,6) . (2,6) . . . (6,6)

Consideremoslosdossucesossiguientes: A={(x1,x2)/x1+x2=10}yB={(x1,x2)/x1>x2} Esdecir,A={(5,5),(4,6),(6,4)}yB={(2,1),(3,1),(3,2),....(6,5)}portantoP(A)=3/36yP(B)= 15/36.Adems,P(B/A)=1/3,yaqueelespaciomuestralesahoraAyslounodeloselementosdeAes consistenteconelsucesoB.Demanerasemejante,P(A/B)=1/15. Finalmente,calculemosP(A B).Estoocurresilasumadelosdosdadoses10yelprimer dadoarrojaunvalormayorqueelsegundo.Haysolamente1resultadoyportantoP(AB)=1/36. Siobservamoscuidadosamentelosdiversosnmerosquehemoscalculadovemosquesecumple losiguiente:
P B/ A= P AB P A

P A/ B =

P AB P B

Estas relaciones no solo ocurren en los ejemplos anteriores si no que son completamente generalesyproporcionanlabaseparadefinirloqueseconocecomoprobabilidadcondicional.As,en general,siAyBsoneventosenyP(B)0,entonceslaprobabilidadcondicionaldeAconrespecto

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

aBestadadapor:
P A/ B = P AB P B

Unadelasconsecuenciasmasimportantesdeladefinicindeprobabilidadcondicional(queya listamosanteriormente)sedenominalaReglageneraldemultiplicacinoelteoremademultiplicacin deprobabilidadesyseexpresadelasiguientemanera: SiAyBsoneventosen,entonces:

P A B= P A/ B P B P A B= P B / A P A

Ejemplo: Consideremos el lote discutido al comienzo de la seccin que contena 20 artculos defectuosos y 80 no defectuosos. Si escogemos dos artculos al azar, sin sustitucin, cul es la probabilidaddequeambosartculosseandefectuosos? SiAyBsedefinencomoanteriormente,loquenecesitamosesP(AB).Deacuerdoalareglade multiplicacinestoesP(B/A)P(A)=(19/99)(1/5)=19/495 Otroconceptoimportantederivadodeladefinicindeprobabilidadcondicionaleselconcepto deindependenciadedoseventos.SiAyBsondoseventoscualesquieraenunespaciomuestral decimosqueAesindependientedeBsiysolosP(A/B)=P(A),esdecir,laocurrenciadeBnotiene influenciaalgunaenlaocurrenciadeA. SepuededemostrarqueBesindependientedeAsiemprequeAseaindependientedeBporlo queunadefinicinequivalentedeindependenciaalaanterioressiP(B/A)=P(B). Ejemplo:Supongamosqueselanzaundadonormaldosveces.Definimoslossucesos A y B como sigue:A={elprimerdadomuestraunnmeropar}yB={elsegundodadomuestraun5oun6}. Porintuicin,sabemosquelossucesos A y B noestnrelacionados.Saberque B ocurre,no proporciona informacin acerca de la ocurrencia de A. Los siguientes clculos ponen esto en manifiesto.Elespaciomuestraleselmismoqueusamosenelejemploanteriordelosdados,los36 pares.P(A)=18/36=.P(B)=12/36=1/3yP(AB)=6/36=1/6.Porlotanto,
P A/ B = P AB 1 /6 1 = = P B 1 /3 2

Asencontramos,comoeradesuponerqueP(A/B)=P(A).Lomismoocurresirealizamosel clculoparaP(B/A) Engeneral,ydeacuerdoalteoremademultiplicacindeprobabilidades,SiAyBsoneventos

ProbabilidadyVariablesAleatorias

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

independientes,entonces:P(A B)=P(A)P(B).EsteresultadoseconocecomolaReglaespecialde multiplicacin.

TeoremadeBayes
Lasreglasgeneralesdelamultiplicacinsontilesalresolvermuchosproblemasenquele resultadofinaldeunexperimentodependedelosresultadosdevariasetapasintermedias.Supngase por ejemplo, que una planta de ensamblado recibe sus reguladores de voltaje de tres diferentes proveedores:60%delproveedorB1,30%delproveedorB2 y10%delproveedorB3.Si95%delos reguladoresdevoltajequeprovienendeB1,80%deB2 y65%delosdeB3 tienenunrendimiento conforme a las especificaciones.Nosgustara saber laprobabilidaddequecualquier regulador de voltajerecibidoporlaplantadeunrendimientodeacuerdoalasespecificaciones. SeaA={unreguladorrecibidoporlaplantatienerendimientoconformealasespecificaciones}yB 1, B2yB3sonloseventosdequeprovienendesusrespectivosproveedores,podemosescribir: A=A[B1UB2UB3] A=(AB1)U(AB2)U(AB3) P(A)=P(AB1)+P(AB2)+P(AB3) (dadoque(AB1),(AB2)y(AB3)seexcluyenmutuamente) Siaplicamoslaleydelamultiplicacinacadaunodelos(ABi)obtenemosque: P(A)=P(B1)P(A/B1)+P(B2)P(A/B2)+P(B3)(A/B3) Sustituyendolosvaloresnumricos: P(A)=(0.60)(0.95)+(0.30)(0.80)+(0.10)(0.65)=0.875comolaprobabilidaddequecualquier reguladordevoltajerecibidoporlaplantacumplalasespecificaciones. Lageneralizacindeesteresultadoparanopcionesmutuamenteexcluyentesesloqueseconocecomo laregladelaeliminacinoregladelaprobabilidadtotalyseexpresadelasiguientemanera: SiB1,B2,...Bnsoneventosmutuamenteexcluyentesunodeloscualesdebeocurrir,entonces:
n

P A = P Bi P A/B i
i=1

Consideremosahoraunproblemaestrechamenterelacionadoconelqueacabamosdediscutir.Suponga quequeremosconocerlaprobabilidaddequeunreguladordevoltajeespecfico,cuyorendimiento correspondealasespecificaciones,provengadelproveedorB3.Esdecir,queremoshallarP(B3/A)

P B3 / A= P B3 A P A

ProbabilidadyVariablesAleatorias

10

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

SubstituyendoP(B3A)porP(A/B3)P(B3)yP(A)porlasumadelostrminosP(A/Bi)P(Bi)indicados enlaregladeprobabilidadtotalobtenemosque:
P B3 / A= P A/ B3 P B 3
3

P B i P A/ Bi
i=1

LacualexpresaP(B3/A)entrminodeprobabilidadesconocidas.Substituyendolosvaloresobtenemos que:
P B3 / A= 0 . 10 0 . 65 =0 . 074 0. 60 0. 95 0 . 30 0 . 80 0 . 10 0 . 65

NtesequelaprobabilidaddequeunreguladordevoltajeseaproporcionadoporB3disminuyede0.10 a0.074,unavezquesesabequeelrendimientocorrespondealasespecificaciones. LaformalizacindeesteresultadoesloqueseconocecomoelteoremadeBayesyseexpresadela siguientemanera: SiB1,B2,...Bnsoneventosmutuamenteexcluyentesunodeloscualesdebeocurrir,entonces:

P Br / A= P A/ Br P B r
n

P Bi P A/ Bi
i=1

Parar=1,2,....n. ElteoremadeBayesproporcionaunafrmulaparacalcularlaprobabilidaddequeelefectoAfue causadoporeleventoBr.LasprobabilidadesBi=sedenominanlasprobabilidadespreviasoaprioride lascausas. Ejemplo:Loscuatroayudantesdeunagasolineradebenlimpiarelparabrisasdelosclientes.Juan, quienatiendeel20%detodosloscarros,nocumplesucometido1vezcada20autos;Tomas,quien atiendeel60%delosautos,nolimpiaelparabrisasunavezcada10autos;Jorge,quienatiendeel15% deellos,nocumplesucometido1decada10veces;yPedro,quienatiendeel5%delosautos,no limpiaelparabrisas1vezcada20autos.Siunclientesequejadequesuparabrisasnofuelavado, CuleslaprobabilidaddequesuautolohayaatendidoJuan? UtilizandoelteoremadeBayes,tenemosque:

ProbabilidadyVariablesAleatorias

11

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

P B1 / A=

0 . 20 0 . 05 =0 .114 0 . 20 0 . 05 0. 60 0 .10 0 . 15 0 . 10 0 . 05 0 .05

EsinteresanteobservarquesibienJuannolavaelparabrisasdetanslounautoporcada20(oseael 5%),esresponsabledemasdel11%delosparabrisasquenosonlavadosenlagasolinera.

VariablesAleatorias
Enlaseccinanteriorvimoselconceptodeprobabilidadcomounamedidadeestimarlaposibilidadde queocurrauneventocualquieraasociadoaunexperimentoyunespaciomuestraldado.Existeuna manera ms conveniente de representar todos los resultados posibles de un experimento y sus probabilidadesasociadasusandoloqueseconocecomovariablesaleatorias. Alolargodelcursohemosvistovariasmedidasnumricasparadescribirunconjuntodedatos.Las variablesaleatoriasysusfuncionesdeprobabilidadasociadassirvenparadescribirlapoblacindela cual fue obtenida la muestra. As como un conjunto dado de datos tiene una media y desviacin muestral, tambin la poblacin de la que proviene la muestra tiene una media y una desviacin caractersticas.Enloquesigueestudiaremosestasyotraspropiedadesdelasvariablesaleatorias. Para hacer ms claro el concepto de variable aleatoria, consideremos un ejemplo sencillo de lanzamientodedosmonedas.Elresultadoqueinteresaeselnmerodecarasobtenidas.Esclaroquese puedenobtener0,1o2carasylasprobabilidadesdeestosresultadosson,y. Estosresultadospuedenresumirseenlatablasiguiente: X 0 1 2 Probabilidad 1/4 1/2 1/4 Losnmeros0,1y2delatablasonlosvaloresdeunavariablealeatoria,elnmerodecarasobtenidas enelexperimento.Acadaresultadodelespaciomuestralcorrespondeunoyslounodelavariable aleatoriaX;asqueestapuedeconcebirsecomounafuncindefinidasobreloselementosdelespacio muestral. Engeneral,dadounexperimentoyelespaciomuestralasociadoconelexperimento,unafuncinX queasignaacadaunodeloselementoss,unnmerorealX(s),sellamavariablealeatoria. Para encontrar la probabilidad de que una variable aleatoria tome cualquier valor sobre su rango,

ProbabilidadyVariablesAleatorias

12

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

procedemos como en el ejemplo anterior. La tabla es en realidad otra funcin, denominada la distribucindeprobabilidaddelavariablealeatoriaX LafuncindedistribucinacumuladaolafuncindedistribucindelavariablealeatoriaXsedefine paracualquiernmerorealxcomo:F(x)=P{X<=x}ytienelassiguientespropiedades: 1. 0<=F(X)<=1paratodox 2. F(x)esnodecreciente 3. limx>F(x)=1ylimx>F(x)=0 UnavariablealeatoriaXsedicediscretasipuedetomarunnmerofinitooinfinitocontabledevalores. ParaunavariablealeatoriadiscretaX,definimossufuncindemasadeprobabilidadp(x)comop(x)= P{X=xi}conxi=x1,x2,....ydebecumplirque

p x i
i =1

Ejemplo:Enelejemploanteriordellanzamientodelamoneda,Culeslaprobabilidaddeobtenerpor lomenosunacara?
2

P 1 X 2 = p x i = p 1 p 2 =0 . 250 . 5=0 . 75
i=1

Mientrasunavariablealeatoriadiscretaasumealomsunconjuntonumerabledeposiblesvalores,con frecuenciadebemosanalizarvariablesaleatoriascuyoconjuntodeposiblesvaloresesunintervalo(es decir,elespaciomuestralasociadoalexperimentoesinfinitononumerable).Decimosqueunavariable aleatoriaXescontinuasiexisteunafuncinnonegativaf(x)definidaparatodonmerorealx,conla propiedaddequeparacualquierconjuntoCdenmerosreales: P X C = f x dx

C

f x dx =1

LafuncinfeslafuncindedensidaddeprobabilidaddelavariablealeatoriaX Ejemplo:Unavariablealeatoriauniformeenelintervalo[0,1]tienelasiguientefuncindedensidad:
f x =

{1 0

0x1 eoc

ProbabilidadyVariablesAleatorias

13

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

ysufuncindedistribucin(para0<=x<=1)estadadapor
x x

F x = f y dy= 1 dy =x
0 0

Esta distribucin se usa para modelar procesos donde todos los valores en el intervalo [0,1] son igualmenteprobables. Larelacinentreladistribucinacumulativayfuncindedensidaddelaprobabilidaddeunavariable aleatoriaXseexpresacomo:
a

F a =P {X , a ]}= f x dx

Alderivarambosladosseobtiene

d F a = f a da Esdecir,ladensidadesladerivadadelafuncindedistribucinacumulativa.Unainterpretacinun pocomsintuitivadelafuncindedensidadseapreciasiusamoslasiguienteexpresin:
a

P {a X a }= 2 2

a 2

f x dxf a

donde espequeo.Enotraspalabras,laprobabilidaddeque X estecontenidoenunintervalode longitudalrededordelpuntoaesaproximadamentef(a)

ProbabilidadyVariablesAleatorias

14

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

DistribucindeProbabilidadConjunta
Enmuchosexperimentosestamosinteresadosnosloenlasfuncionesdedistribucindeprobabilidad devariasvariablesaleatoriasindividualessinotambinenlasrelacionesentredosomsvariables aleatorias. Si tanto X como Y son variables aleatorias discretas, entonces definimos la funcin de masa de probabilidadconjuntadeXyYcomo:p(x,y)=P{X=x,Y=y}paratodoslosvaloresx,y. SedicequeXyYsonindependientessip(x,y)=px(x)pY(y),paratodoslosvaloresx,y Donde:
p X x = p x , y
y

pY y = p x , y

Ejemplo:SeanX,Ydosvariablesaleatoriasdiscretastalesque:
xy p x , y = 27 0

x =1,2 y=2,3,4 eoc

Lasfuncionesdeprobabilidadmarginalson: 4 xy x p x x = = , x=1,2 27 3 y =2
p y y = xy y = , y=2,3,4 9 x=1 27
2

yaquep(x,y)=px(x)py(y)decimosqueXyYsonindependientes. Demaneraanloga,decimosque X y Y sonconjuntamentecontinuas,confuncindeprobabilidad conjuntaf(x,y),siparacualquierconjuntodenmerosrealesCyD: P X C ,Y D= f x , y dxdy

x C , y D

Enestecaso,XyYsonindependientessif(x,y)=fx(x)fy(y)paratodosx,y. Donde:

ProbabilidadyVariablesAleatorias

15

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

f X x = f x , y dy

f Y y = f x , y dx

sonlasfuncionesdeprobabilidadmarginaldeXyY,respectivamente. Ejemplo:SeanXyYdosV.A.continuasconfuncindedensidadconjuntadadapor: 24 xy x0, y0, x y1 f x , y = 0 eoc Lasfuncionesdedensidadmarginalesson:

1 x

f x x = 24 xydy=
0 1 y 0

24 xy 2 1x ]0 =12 x 1x 2 0x1 2 24 x 2 y 1 y 2 ]0 =12 y 1 y 0 y1 2

f y y = 24 xydx=

XyYnosonindependientespues 24 xy[ 12 y 1 y 2 ][ 12 x 1 x 2 ]

Esperanza
Ensesionesanterioressecalcullamediadeunconjuntodendatos.Estosdatospuedenconsiderarse comoobtenidosdelaobservacindeunavariablealeatorianveces.Elvaloresperadodeunavariable aleatoriaX,denotadaporoE[X],representalamediadelavariablealeatoria,siestavariablefuera observadaunperodoindefinidodetiempo. Msformalmente, Si X esunavariablealeatoriadiscretaquetomaunodelosvalores x1, x2,....la esperanzaoelvaloresperadodeX,tambinllamadolamediadeX,sedefinecomo: E [ X ]= x i P [ X = xi ]
i

Igualmente,siXesunavariablealeatoriacontinuaconfuncindedensidaddeprobabilidadf,entonces, enanalogaconlaecuacinanteriordefinimoselvaloresperadodeXcomo:

E [ X ]= xf x dx

ProbabilidadyVariablesAleatorias

16

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Ejemplo: paraelcasodellanzamientodemonedas:E(X)=0x0.25+1x0.50+2x0.25=1.0 paraelcasodeU[0,1]:

1 0

E [ X ]= xdx=

x2 1 1 ]= 2 0 2

PropiedadesdelaEsperanza
SiXesunaV.A.discretaconfuncindemasadeprobabilidadp(x),entonces E [ g x ]= g x p x
x

Anlogamente,siXesunaV.A.continuaconfuncindedensidadf(x)

E [ g x ]= g x f x dx

Comoconsecuenciasdeestapropiedadsetienenlossiguientescorolarios: SiXesunaV.Ayaybsonconstantes,entoncesE[aX+b]=aE[X]+b Yaque,(enelcasodiscreto) E [ axb ]= axb p x =a xp x b p x =aE [ X ]b

x x x

yanlogamenteenelcasocontinuo. SeanX1,X2,...Xnnvariablesaleatorias.Sepuededemostrarque
n n

E [ X i ]= E [ X i ]
i=1 i=1

Varianza
Aligualqueparalaesperanza,lavarianzadeunaV.A.Xeselparmetroquedescribelavariacindela poblacin.Esdecir,eselvaloresperadode(XE[X])2siXseobservaraindefinidamente. Def.SiXesunaV.A.conmediaE[X],entonceslavarianzadeX,denotadaporvar(X)o2sedefine como: Var(X)=E[(X)2] Equivalentemente,

ProbabilidadyVariablesAleatorias

17

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Var(X)=E[(X)2] =E[X22X+2] =E[X2]2E[X]+2 Var(X)=E[X2]2 Ejemplos Paraelcasodelnmerodecarasenellanzamientodedosmonedas:E[X2]=02x0.25+12x 0.50+22x0.25=1.50 ComoanteriormentehallamosqueE[X]=1, Var(X)=E[X2]E[X]2=1.5012=0.50 ParaelcasodeU[0,1]:
1 0

E [ X ]= x 2 dx=

x3 1 1 ]= 3 0 3

ComoE[X]=, Var(X)=E[X2]E[X]2=1/3(1/2)2=1/12

PropiedadesdelaVarianza
1. Var(X)>=0 2. Var(cX)=c2Var(X)
n n

3.

Var [ X i ]= Var [ X i ] silasXisonindependientes.

i=1 i=1

La desviacin estndar poblacional, la covarianza y el coeficiente de correlacin se definen anlogamenteasusequivalentesmuestralesdelasiguientemanera:

Ladesviacinestndarpoblacionalsedefineanlogamentealadesviacinestndarmuestral como:
= = E [ X ]
2 2 2 2

LacovarianzadedosvariablesaleatoriasXyYsedenotaporCov(X,Y)ysedefinecomo Cov(X,Y)=E[(Xx)(Yy)]oequivalentemente, Cov(X,Y)=E[XYXyYx+xy]

=E[XY]xy

ProbabilidadyVariablesAleatorias

18

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

ElcoeficientedecorrelacindedosvariablesaleatoriasXyYsedefinecomo:
xy = cov X , Y
2

Ejemplo(clculodelacorrelacin):ParalasvariablesXyYcontinuas,especificadasanteriormentecon distribucincontinuadadapor 24 xy x0, y0, x y1 f x , y = 0 eoc

1 1x

E [ XY ]=
0 1 0

xy 24 xy dydx=
1 0

2 15 2 5

E [ X ]= xf x x = x [12 x 1x 2 ]dx= E [ Y ]= 2 5

Cov X , Y =E [ XY ]E [ X ] E [ Y ]= Cov X , Y = 2 75

2 2 2 x 15 5 5

PropiedadesdelaCovarianza
1. SiCov(X,Y)=0,sedicequeXyYnoestncorrelacionadas 2. Si X y Y son V.A. independientes, entonces Cov(X,Y)=0. Sin embargo, el recproco no es verdadero; es decir, si Cov(X,Y) = 0 esto no necesariamente implica que X y Y son independientes,amenosqueXyYtenganunadistribucinnormalconjunta.

VariablesAleatoriasDiscretasyContinuas
Enestadsticaseusanlasdistribucionesdeprobabilidadporvariasrazones: Parapruebadehiptesis Paracalcularprobabilidades Ensimulaciones,paramodelardiferentestiposdeprocesosygenerarnmerosaleatorioscon diferentesdistribuciones. Engeneral,esbuenocontarconlasiguienteinformacinbsicadereferenciaacercadecadaunade lasdistribuciones:

ProbabilidadyVariablesAleatorias

19

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Posiblesaplicaciones Parmetros Rango Funcindedensidad Grficos Funcindedistribucin Media Varianza Ydesdeelpuntodevistadesuusoensimulacinademsseranecesario: Estimadoresmximoverosmilesdelosparmetros1 Algoritmosparagenerarvariablesaleatoriasconladistribucindada Esbuenaideatenersiempreamanouncatlogodelasdistribucionescontodasestaspropiedades.Uno debera tratar de recordar por lo menos las aplicaciones, el grfico y los parmetros de las distribuciones principales. Algunas de estas cosas se aprendern en el curso de simulacin. En particular,revisarnendetallelosalgoritmosparagenerarlasdiferentesdistribucionesdeprobabilidad. EnR,paracadaunadelasdistribucionesdisponiblessetienenlassiguientesfunciones: deslafuncindedensidaddeprobabilidad peslaprobabilidadacumulada qsonloscuantilesdeladistribucin rsonnmerosaleatoriosgeneradosparaladistribucin Cadaunadelasletrasseusacomoprefijoconelnombredeladistribucindadaparaobtenerla funcindeseada.Porejemplo,elnombredeladistribucinnormalenResnorm.Entonces: dnorm:permitecalculardensidadesnormalesconlosparmetrosdados pnorm:calculaprobabilidadesacumuladasnormalesconlosparmetrosdados qnorm:generacuantilesdeunadistribucinnormalconlamediayladistribucinestndardada rnorm:generanmerosaleatoriosnormalesconlamediayladistribucinestndardada Existe una gran variedad de variables aleatorias tiles en modelado y simulacin. Entre de las variablesaleatoriasdiscretasdeintersseencuentran:
1Unestimadormximoverosmilesunprocedimientodeestimacindeparmetrosquemaximizalafuncinde verosimilitudosulogaritmo.Lafuncindeverosimilitudparaunamuestraaleatoriadenobservacionesx1,x2,...xnconuna distribucindeprobabilidadf(x,theta)estadadapor:
n

L= f x i , theta
i=1

Loqueesencialmenteelprocedimientohaceescalcularlosparmetrosque,dadoslosdatosyelmodeloespecificado,hacen quelosdatosobservadosseanlosmsprobables.Elprocedimientogarantizaquelosestimadoresobtenidostienenciertas propiedadesdeseablescomoqueseannosesgadosyeficientes.

ProbabilidadyVariablesAleatorias

20

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Bernoulli Uniforme Binomial Geomtrica Binomialnegativa(Pascal) Poisson Hipergeomtrica Multinomial

Ylasentrelascontinuas: Uniforme Exponencial Gamma(Erlang) Weibull Normal Lognormal Beta Triangular F Chicuadrado Tstudent Ademsesbuenoconocerlasprincipalesrelacionesentrelasvariables.Lassiguientesfigurasmuestran estasgrficamente:

ProbabilidadyVariablesAleatorias

21

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Figura1:RelacionesentreDistribucionesDiscretas(tomadodeJain,Cap.29)

ProbabilidadyVariablesAleatorias

22

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Figura2:Relacionesentredistribucionescontinuas(tomadodelJain,Cap.29) Alolargodelcursorevisaremosvariasdeestasvariables.Enlaprcticaexperimentaremosconalgunas deellas.

PreguntasdeRevisin yEstudio
1. Tratedepracticarsusconocimientosdeprobabilidadycombinatoriahaciendoejerciciosdeuno deloslibrosdelasreferenciasuotrosdesupreferencia 2. EnVenezuelahayunagrancantidaddejuegosdelazar:Lotto,Super4,Quino,Elgenio,etc. Estudielacombinatoriadealgunosdeestosjuegosydiscutalasdiversasprobabilidadesde ganar.

ProbabilidadyVariablesAleatorias

23

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

3. Qudistribucinformularaustedcomohiptesisapropiadaparasimularlossiguientes procesos? a. b. c. d. Errorescometidosenlasdimensionesdemanufacturadeunproducto Tiempodeentrellegadasdetrabajosaunprocesador Tiempoparacompletarlasreparacionesdemquinasenuntaller Nmerodellegadasporhoraalasaladeemergenciasdeunhospital

4. ParalosprocesosqueseespecificandigacualmodeloodistribucindeprobabilidadNOesun modelolgicooposible(yporqu) Ejemplo:EltiempoentrellegadasalacoladeunbancoenunahorapicoNOpudeseruna distribucinbernoullipuestoquestasolotomalosvalores0o1yeltiempoentrellegadaspuede enprincipiosercualquiervalorentre1y60minutos. a.Demandadiariadeartculosdeunalmacn b.Resultadosdelalotera c.Desviacionesenlongitudporencimayporabajoconrespectoaltamaoespecificadodeuna pelotaenunalneadeproduccin d.Tiempodeservicioenunaoficinadeatencinalpblico.

Referencias
Meyer,Paul.1973,ProbabilidadyAplicacionesEstadsticas.FondoEducativoInteramericano, Mxico. MillerIrwinR,HohnE.FreundyRichardJohnson.1992.ProbabilidadyEstadsticaparalngenieros. 4taEdicin.PrenticeHallHispanoamrica(Captulo3.) Domingo,Carlos.2000.MathematicalModels.NotasdelCurso.SanDiegoStateUniversity. LawA.yKeltonW.1999.SimulationModelingandAnalysis,TerceraEdicin.MacGrawHill CrawleyMichaelJ.,2002.StatisticalComputing:AnIntroductiontoDataAnalysisusingSplus.John Wiley&Sons,Ltd JainRaj.1991.TheartofComputerSystemsPerformanceAnalysis:TechniquesforExperimentation,

ProbabilidadyVariablesAleatorias

24

PostgradodeModeladoySimulacindeSistemas

EstadsticaySimulacin

Design,Measurement,SimulationandModeling.Wiley,USA

ProbabilidadyVariablesAleatorias

25