Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
ProbabilidadyVariablesAleatorias
PostgradodeModeladoySimulacindeSistemas
EstadsticaySimulacin
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
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
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)
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:
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
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
ProbabilidadyVariablesAleatorias
PostgradodeModeladoySimulacindeSistemas
EstadsticaySimulacin
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
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
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=
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
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
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
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
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
1 x
f x x = 24 xydy=
0 1 y 0
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
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
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.
Ladesviacinestndarpoblacionalsedefineanlogamentealadesviacinestndarmuestral como:
= = E [ X ]
2 2 2 2
=E[XY]xy
ProbabilidadyVariablesAleatorias
18
PostgradodeModeladoySimulacindeSistemas
EstadsticaySimulacin
ElcoeficientedecorrelacindedosvariablesaleatoriasXyYsedefinecomo:
xy = cov X , Y
2
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
ProbabilidadyVariablesAleatorias
20
PostgradodeModeladoySimulacindeSistemas
EstadsticaySimulacin
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
PreguntasdeRevisin yEstudio
1. Tratedepracticarsusconocimientosdeprobabilidadycombinatoriahaciendoejerciciosdeuno deloslibrosdelasreferenciasuotrosdesupreferencia 2. EnVenezuelahayunagrancantidaddejuegosdelazar:Lotto,Super4,Quino,Elgenio,etc. Estudielacombinatoriadealgunosdeestosjuegosydiscutalasdiversasprobabilidadesde ganar.
ProbabilidadyVariablesAleatorias
23
PostgradodeModeladoySimulacindeSistemas
EstadsticaySimulacin
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