Viernes 08/03/2013 Captulo 1: REPASO DE PROBABILIDADES

Nocin de probabilidad Suponga que un evento A puede suceder de h maneras de un total de n posibles formas equiprobables. Entonces, la probabilidad de ocurrencia de dicho evento se denota de la siguiente forma: Probabilidad de xito: Probabilidad de no xito: ( ) ( )

Ejemplo Sea A el evento de lanzar un dado no cargado una vez de forma que se obtenga un 3 o un 4. Cul es la probabilidad de ocurrencia de A?

( )

Probabilidad condicional, eventos dependientes e independientes Si A1 y A2 son dos eventos, la probabilidad de que A2 ocurra, dado que A1 ocurri se denota por ( ) y se denomina probabilidad condicional de A2 dado A1. sta probabilidad condicional implica que existe una dependencia entre los eventos (es decir, que la ocurrencia de uno de ellos incide en la probabilidad de ocurrencia del otro). Si, en cambio, la ocurrencia de A1 no afecta la probabilidad de ocurrencia de A2, se tienen dos eventos independientes. Luego, ( ) ( ).

Eventos compuestos Si se denota como A1A2 al evento compuesto en el cual dos eventos individuales A1 y A2 ) ocurren, entonces ( ( ) ( ) ( ) ( ). En particular si A1, A2, A3, y An son n eventos independientes con sus respectivas probabilidades asociadas P1, P2, P3, , Pn, la probabilidad de ocurrencia de todos ellos ) sera ( Ejemplo Sea A1 y A2 los eventos cara en el quinto lanzamiento y cara en el sexto lanzamiento de una moneda respectivamente, entonces A1 y A2 son eventos independientes. Luego, la probabilidad de tener cara en el quinto y sexto lanzamiento sera de en cada una.

Lunes 11/03/13

Ejemplo Suponga que una caja tiene tres bolas blancas y dos bolas negras. Sean A1 y A2 los eventos la primera bola extrada es negra y la segunda bola extrada es negra respectivamente, y sin considerar devoluciones: * Dado que no hay devoluciones, A2 es un evento dependiente de A1. ( ( ) ) ( () ) ( ) ( ( ) ) () ( )

Eventos mutuamente excluyentes Se dice que dos o ms eventos son mutuamente excluyentes si la ocurrencia de uno de ellos excluye la ocurrencia del otro. Si A1 y A2 son eventos mutuamente excluyentes, entonces ( ) .

Unin de eventos En forma general, ( ) ( ) ( ) ( ( ). ) ( ) ( ).

Si A1 y A2 son eventos mutuamente excluyentes, Ejemplo

Sea los siguientes eventos relacionados a un mazo de naipes ingleses, del cual se extraen cartas con reposicin: A1: Extraer un as ; A2: Extraer un rey. ( ) ( ) ( ) ( )

A1: Extraer un as ; A2: Extraer un diamante. ( ) ( ) ( ) ( )

Distribuciones de probabilidad discreta Si se tiene una serie de variables aleatorias (X1, X2, X3, , Xn) con sus respectivas probabilidades (P1, P2, P3, , Pn) - donde - se dice que se ha definido una distribucin de probabilidades discretas para X. El valor P(x) tiene los valores respectivos de P1, P2, P3... Pn para X1, X2, X3, ..., Xn. A esta funcin de probabilidad le llamamos funcin de densidad de probabilidad. Por medio de la acumulacin de probabilidades se obtiene la distribucin de probabilidades acumulada, F(x). Funcin de distribucin, F(x) Funcin de probabilidad, f(x) Funcin de Probabilidades Acumulada Funcin de probabilidad

Ejemplo Calcule la probabilidad de tener nios y nias en una familia con 3 hijos, suponiendo igualdad de probabilidades para ambos sexos: ( ) ( ( ( ( ( ( ( ( ( ) ) ) ) ) ) ) ) ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

Distribuciones de probabilidad continua Las ideas expresadas para el caso discreto aplican de forma que la variable X pueda tomar un conjunto continuo de valores. El polgono de frecuencias relativas de la muestra ( ). se convierte en el caso terico en una curva continua, cuya ecuacin es

Viernes 15/03/2013

Esperanza matemtica Si X denota una variable aleatoria discreta que puede tomar valores ( X1, X2, X3, , XK) con sus respectivas probabilidades (P1, P2, P3, , PK), la suma de las probabilidades es 1. Ejemplo Una caja tiene dos bolas blancas y tres bolas negras. Cada una de cuatro personas (A, B, C y D, en ese orden) extrae una bola sin regresarla. El primero que saque una bola blanca recibir un premio de US$10. Determine el premio esperado para cada competidor. A B C D ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ( ( ) ) )

Teorema de Bayes Sean A1, A2, A3, y An un conjunto de eventos excluyentes con probabilidad distinta de 0, y B un suceso cualquiera del que se conocen las probabilidades condicionales P(B/Ai), entonces: ( ( ( ) ) ) ( ( ( ) ( ( ) ) ) ( ) ( ) )

Teorema de probabilidad total Sean A1, A2, A3, An particiones sobre el espacio muestral y B un suceso cualquiera del que se conoces las probabilidades condicionales P(B/Ai) , entonces:

( )

( )

Ejemplo Se tienen dos cajas. La primera posee 7 bolas blancas y 3 negras. La segunda, 3 bolas blancas y 4 negras. Calcule: a) La probabilidad de sacar una bola blanca. b) La probabilidad de sacar una bola de la caja 1, dado que la bola sacada fue negra.

Caja 1

Caja 2

A1: Sacar una bola de la caja 1. A2: Sacar una bola de la caja 2. B: Sacar una bola blanca. N: Sacar una bola negra. a) ( )
(

(
) ( )

)
( )

( )

( )

b)

REVISADO HASTA AC ANLISIS DE COMBINATORIA Permutaciones Una permutacin de n objetos diferentes tomando r objetos a la vez es una ordenacin de r objetos tomados entre n objetos, con especial atencin prestada al orden de la eleccin.

Combinacin Una combinacin de n objetos diferentes tomando r a la vez es una seleccin de r objetos de los n sin prestar atencin al orden de seleccin. ( )

Supongamos que se est diseando un modelo de llegadas de buses a un terminal, donde el estado del sistema estar dado por el nmero de buses en un instante t. Se define Xt como la variable que indica el nmero de buses en ese instante t. Para ello debemos estudiar el comportamiento de la variable xt en todo instante de tiempo. [..] Al conjunto {xt, t perteneciente T} se le denomina proceso estocstico. Formalmente consideremos un conjunto C para la ocurrencia o no ocurrencia de un evento aleatorio. Llamaremos tambin al conjunto de todos los resultados posibles del experimento: espacio muestral. Entonces, dado un espacio muestral , asumiremos que existe una familia F de eventos aleatorios para los cuales existe una medida de probabilidad. (, F, P). Si {xt, t perteneciente T} es un proceso estocstico, cuando se lleve a cabo el experimento, en este caso la observacin de la evolucin del tiempo en el terminal de buses, lo que ocurre es que cada una de las variables xt toma un valor especfico, a lo que llamaremos realizacin de la variable xt : Reales [] Naturales Xt(Naturales) (Hay que encontrar la distribucin aproximacin!) [] Si hiciramos un experimento y luego una rplica, obtendramos dos evoluciones diferentes del proceso, Sin embargo en la medida que exista un modelo probabilstico sustentando todo el experimento, stas trayectorias obedeceran cierta estructura. Por ejemplo, en distintos instantes de t=1 y de t=2 podemos conocer la distribucin de probabilidades de xt , que es lo que ms podemos aspirar a conocer y a partir de esta distribucin podemos obtener todos los datos que nos interesan, como la probabilidad de que en cierto instante xt sobrepase cierto valor mnimo.

Clasificacin de los procesos La clasificacin se hace segn la naturaleza del conjunto T, y del conjunto de valores posibles de las variables aleatorias. P(Xt) > Valor mnimo Si T = Naturales = {0,1.} Entero = {0,1} se dice que el proceso es de tiempo discreto Si T = Reales+ [0,1] se proceso es de dice que el tiempo continuo Si xt toma valores de un subconjunto finito o numerable de Reales, entonces el proceso es a valores discretos Si xt toma valores en Reales o en interval (agotado o no) decimos que el procesos es a valores contnuos

Estado transiente y de rgimen

Un aspecto interesante a analizar son las condiciones bajo las cuales la secuencia de las distribuciones de probabilidad de la variable xt se estabiliza [] Luego de cierto t la funcin se estabiliza (t) [Grfico] Decimos que el sistema alcanzado el estado de rgimen alcanzado el instante t, si la distribucin de xt3 es la misma que xt4 y de xt5. En las situaciones en que el sistema contina permanentemente modificndose se dice que el sistema se encuentra en estado transiente

Proceso de conteo Sirve para caracterizar la forma como las llegadas de entidades se producen en un sistema. El proceso de conteo N(t) , t>=0 Si N(t) corresponde al nmero de eventos que ocurren en un intervalo [0,t] y tiene las siguientes propiedades: i) ii) iii) iv) v) [] N(t)>=0 N(t) pertenece a los Naturales {0,1,2,3.} Si s<t N(S) <= N(t) Si s<t N(t) N(s) se le denomina nmero de eventos en el intervalo {s,t] Las poblaciones suelen hacerse tender al infinito *

Incrementos Dado el proceso de conteo {N(t), t>=0}, la variable aleatoria N(t) N(s) se denomina incremento del proceso. Dados t0<t1<t2<<tn<tn+1 consideremos los incrementos N(t1) N(t0), N(t3)-N(t2),.,N(n+1)-N(tn) a) Se denomina incrementos independientes si para todo los t en el proceso los incrementos son independientes b) Se denomina incrementos estacionarios si para todo s<t la ley de N(t)-N(s) depende solo de t - s, es decir, depende solo del ancho del intervalo

Ejemplo Un barco se encuentra en altamar efectuando faenas de pesca. Sea N(t) el nmero de peces de un cierto tipo capturados en el intervalo [0 t]. Si la poblacin de peces es muy grande, la informacin de la cantidad capturada en un cierto intervalo de tiempo no condiciona o altera la distribucin de probabilidades de lo que obtendr en otro intervalo de tiempo. *Si el nmero de individuos a analizar es n (nmero conocido finito), el nmero de eventos ocurridos por ejemplo entre 0 y h ( intervalo [0 h] ) condiciona los eventos ocurridos entre h y s (el siguiente intervalo de tiempo). Si n(h) = k n(s-h) <= n-k Proceso de Poisson Diremos que el proceso de conteo [N(t), t>=0} es un proceso Poisson homogneo con tasa >=0 Si 1) N(0) = 0 2) Tiene Incrementos Independientes 3) Tiene incrementos Estacionarios y la v.a. N(t)-N(s) tiene ley de Poisson con parmetro (t s ), es decir para k e n P(N(t) N(s) = k ) = ( (t-s)elevado a k por []

Viernes 27/03/2013

Caracterizacin alternativa de procesos de Poisson El proceso de conteo * ( ) i) ii) iii) iv) + es un proceso de Poisson con tasa si:

( ) Tiene incrementos independientes y estacionarios. ( ( ) ) ( ) ( ( ) ) ( )

( )

Una funcin f se define O(h) si

, donde O(h) es un error.

t+h

P(N(h) = 0) = 1-P(N(h)=1)-P(N(h)=1)-P(N(h)>=2) Pn(t) = P(N(t)=n) P0(t+h)= P(N(t)-N(0)=0, N(t+h)-N(t)=0) Ambos son incrementos independientes = P(N(t)-N(0)=0) * P(N(t+h)-N(t)=0) = P(N(t)=0) * P(N(h)=0) = P0(t) * P(N(h)=0) = P0(t) *(1-P(N(h)=1)-P(N(h)>=2) = P0(t) * (1 *h O(h) O(h)) = P0(t) * (1- *h-O(h)) = P0(t) - P0(t)* *h - P0(t)*O(h) = P0(t) - P0(t)* *h O(h) P0(t+h) - P0(t) = - P0(t)* *h O(h) /h ( ( ) ( ( ( )) ) ( ) ( )) ( ) ( ) ( ) ( )) ( )) ( ) ( ) ( ) ( )

( ( ( ( ) ( ) ( ) ( ))

t+h

P1(t) = P(N(t)-N(0)=1, N(t+h)-N(t)=0) + P(N(t)-N(0)=0, N(t+h)-N(t)=1) P1(t) = P(N(t)-N(0)=n, N(t+h)-N(t)=0) + P(N(t)-N(0)=n-1, N(t+h)-N(t)=1) + P(N(t)-N(0)=n-k, N(t+h)-N(t)=k) Pn(t+h) = P(N(t)-N(0)=n)*P(N(t+h)-N(t)=0) + P(N(t)-N(0)=n-k) * P(N(t+h) N(t) = k) + ( ( ) ( ) ) ( ( ) ( ) ) Pn(t+h) = P(N(t)=n)*P(N(h)=0) + P(N(t) =n-1) * P(N(h) = 1) + Pn(t+h) = Pn(t)*(1Pn(t+h) = Pn(t)*(1Pn(t+h) = Pn(t)- Pn(t) Pn(t+h)- Pn(t) = - Pn(t) *t*O(n))+Pn-a(t)( *t*O(n))+Pn-a(t)( *h+O(h)) + *h+O(h)) + O(h) *h+O(h)) + O(h) /h /
*t

( ( ) ( )

( ( )

( )

*h - dh) +Pn-1(t)( *h +Pn-1(t)(

*h) + O(h)

Lunes 01/04/2013 [] Pn(t + h) = P(N(t) N(0) = N, N(t+h)-N(h)=0) + (N/t) N(0) = n-1, N(t + h) N() = 1) + ( ( ) ( ) ( ) ( ) )..
( ) ( ) ( ) ( )

/ lm n0 ( ) ( ) ( ) ( ) ( )

( ) ( ) ( )

( ) ( )

( )

[] Ejemplo

Un estudio mide la cantidad de vehculos que transita por una interseccin de manera de analizar el proceso para la instalacin de un futuro semforo. El intervalo de tiempo elegido para medir el nmero de vehculos fue de 10 segundos. Determine la distribucin de Poisson que representa el fenmeno. N de vehculos/perodo 0 1 2 3 >3 Suma Frecuencia observada 94 63 21 2 0 180

( Pn(t)=(0.62)n * e-0.62t / n! P3(2) = Test de bondad de ajuste X2 El ejemplo anterior ha sido postulado que la distribucin del fenmeno es Poisson y para verificar si se ajustan a esta distribucin utilizaremos el test chi cuadrado. Suponga q en una muestra en particular se observa que ocurre un conjunto de eventos posibles E 1, E2,

E3, , Ek con frecuencias observadas O1, O2, O3,. Ok y que de acuerdo a la ley de probabilidad (la distribucin de probabilidad) se espera que ocurran con frecuencias e 1, e2, e3, , ek llamadas frecuencias esperadas o tericas. Lo que se espera es saber si las frecuencias observadas difieren significativamente de las frecuencias esperadas.