UNIVERSIDAD NACIONAL DE LOJA

FACULTAD DE LA ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES

NO RENOVABLES

MAESTRÍA EN ELECTRICIDAD
MENSIÓN EN SISTEMAS ELÉCTRICOS DE POTENCIA

NOMBRE DE LA ASIGNATURA
TEMA 1: MÉTODOS MATEMÁTICOS DE LA INTELIGENCIA ARTIFICIAL

DOCENTE: ING. RAÚL CUBILLO BETANCOURT, MSc

CORREO: rcubillob@yahoo.com

PERIODO: Agosto 2021

 MAESTRÍA EN ELECTRICIDAD

TEMA 2: EL CONCEPTO DE PROBABILIDAD

1. Eventos y Espacios Muéstrales

2. Cálculo de Probabilidades
3. Independencia y Condicionalidad
4. Variables Aleatorias discretas y continuas
5. Distribución de Funciones de variables aleatorias
6. Esperanza y Varianza

“Las Preguntas más importantes de la vida son, para la mayor parte, realmente
solo problemas de probabilidad”
Pierre Simon Laplace
1
 INTRODUCCIÓN

• Dada la necesidad de explicar matemáticamente a aquellos resultados que

aparecen en experiencias en que está involucrado el azar, se desarrollo la teoría de
Probabilidades.

• La Teoría de probabilidad se inició prácticamente con el análisis de los juegos de

azar.

• El cálculo de probabilidades proporciona las reglas para el estudio de los

experimentos aleatorios o de azar, constituyen la base para la estadística inferencial.

EXPERIMIENTOS
ALEATORIOS
simulación eventos

probabilidades
 DEFINICIONES
ESPACIO MUESTRAL ( Ω ) Es la colección de todos los eventos elementales.
Ω = 𝜔Τ 𝜔 𝑒𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙
Notación Teoría de Conjuntos
𝜛 Elemento o punto
Ω Conjunto de puntos
𝜙 Conjunto vacío
𝐴⋃𝐵 Unión de conjuntos
𝐴∩𝐵 Intersección de conjuntos
𝐴\B Diferencia de conjuntos
𝐴𝑐 = Ω\A Conjunto complementario
𝐴 ∩ 𝐵 =⊘ Conjuntos disjuntos
𝐴⊆𝐵 A es subconjunto de B
Ω = {1, 2, 3, 4, 5, 6}
Teoría de probabilidades
Evento o suceso
Espacio muestral (suceso seguro)
Evento imposible
Por lo menos uno de los evento A o B ocurre
Ambos eventos A y B ocurren
A ocurre y B no ocurre
No ocurre A
A y B se excluyen mutumente (incompatibles)
Si A ocurre, también B
 DEFINICIONES

A A B

ocurre evento A ocurre A u ocurre B ocurre evento A y ocurre B

AUB A∩B

AC
B
A B A A

Eventos incompatibles Si ocurre evento A, ocurre B No ocurre evento A

A∩B=Ø A⊆B
 DEFINICIONES

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 Análisis Combinatorio

• Pr 𝐴 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Factorial 𝑛! = 𝑛 × 𝑛 − 1 × ⋯ × 2 × 1

• Dos eventos son igualmente probables si: Pr 𝐴 = Pr(𝐵) Permutación: es cada una de las variaciones de los n
• El evento A es mas probable que B si: Pr 𝐴 > Pr(𝐵) elementos distintos.
• Pr 𝐴 ∪ 𝐵 = Pr 𝐴 + Pr(𝐵) 𝐏𝑛 = 𝑛!
• Pr Ω = 1
Variación: es cada uno de los arreglos ordenados de k
𝐶
• Pr 𝐴 = 1 − 𝑃𝑟(𝐴) elementos, tomados de otro de n elementos (𝑘 ≤ 𝑛)
• Si 𝐴 ⊂ 𝐵 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 Pr(𝐴) ≤ Pr(𝐵)
𝑛!
𝑉𝑛𝑘 =
ESPACIO MUESTRAL FINITOS 𝑛−𝑘 !

𝑘
Combinación: es cada uno de los subconjuntos de k
Pr 𝐴 = ෍ Pr( 𝜛 ) A = es un evento elementos, tomados de otro de n elementos (𝑘 ≤ 𝑛), sin tener
𝑖=1 el orden de los mismos, es decir no pueden haber dos
combinaciones con los mismos elementos.
𝑘
𝑛!
𝐶𝑛 =
𝑘! 𝑛 − 𝑘 !
 DEFINICIONES

Independencia y Condicionalidad
Independencia: Dos eventos A y B se llaman independientes si la probabilidad de que ambos ocurran, es igual al
producto de las probabilidades de los dos eventos individuales.

Pr 𝐴 ∩ 𝐵 = Pr(𝐴) × Pr(𝐵)
Pr 𝐴𝐶 ∩ 𝐵 = Pr(𝐴𝐶 ) × Pr(𝐵)
Pr 𝐴𝐶 ∩ 𝐵𝐶 = Pr(𝐴𝐶 ) × Pr(𝐵𝐶 )

Condicionalidad: Dado un espacio muestral Ω y un evento 𝐵 ∈ Ω 𝑡𝑎𝑙 𝑞𝑢𝑒 Pr 𝐵 ≠ 0

La probabilidad condicional de que un evento A ocurra, en el supuesto que B ha ocurrido, se representa por Pr(𝐴|𝐵)

Pr(𝐴 ∩ 𝐵)
Pr 𝐴 𝐵 =
Pr(𝐵)
 DEFINICIONES

Probabilidad Completa
La probabilidad de un evento A, que puede ocurrir solo al aparecer uno de los eventos mutuamente excluyentes B1, B2, …, Bn tal que
el espacio muestral esta dada por:.

Pr 𝐴 = Pr 𝐵1 . Pr 𝐴 𝐵1 + Pr 𝐵2 . Pr 𝐴 𝐵2 + ⋯ + Pr 𝐵𝑛 . Pr(𝐴|𝐵𝑛 )
𝑛 𝑛

= ෍ Pr 𝐵𝑖 . Pr(𝐴|𝐵𝑖 ) ෍ Pr 𝐵𝑖 = 1
𝑖=1 𝑖=1

𝐵1 𝐵2 𝐵3 𝐵4 𝐵5

𝐴
 DEFINICIONES

Formula de Bayes

Supongamos que el evento A puede ocurrir a condición de que ocurra uno de los eventos B1, B2, …, Bn.
Si A ya ocurrió, la probabilidad (condicional) del evento Bk es igual a:

Pr(𝐴 ∩ 𝐵𝑘 ) Pr 𝐵𝑘 . Pr(𝐴|𝐵𝑘 )
Pr 𝐵𝑘 𝐴 = = 𝑛
Pr(𝐴) ෌𝑖=1 Pr 𝐵𝑖 . Pr(𝐴|𝐵𝑖 )

La probabilidad de los
sucesos de interés
Diagrama de árbol corresponderá a la suma
de las ramas de interés
 EJEMPLO PROBABILIDAD CONDICIONAL

MUJER
MODELO PROBABILISTICO
FIEL INFIEL
FIEL 0,22 0,24
HOMBRE
INFIEL 0,31 0,23

a) Cual es la probabilidad condicional de que un esposo sea fiel, dado que su esposa es fiel?
b) Cual es la probabilidad condicional de que una esposa sea fiel, dado que su esposo es infiel?

Pr(𝐴 ∩ 𝐵)
Pr 𝐴 𝐵 =
Pr(𝐵)
 DEFINICIONES

Variable aleatoria (v.a)

Se llama variable aleatoria a cualquier función definida en un espacio muestral Ω con recorrido en un subconjunto finito
o infinito de ℝ.

Notación: 𝑋: Ω ⟶ ℝ
𝜔 ⟼ 𝑋(𝜔) 𝑠𝑖𝑒𝑛𝑑𝑜 𝜛 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜

Notación: Pr( ω/𝑋 𝜔 = 𝑡 ) Se nota como Pr(𝑋 = 𝑡)

Pr( ω/𝑋 𝜔 𝜖 (𝑎, 𝑏] ) Se nota como Pr(𝑎 < 𝑋 ≤ 𝑏)

 DEFINICIONES – v.a. discreta

Variable aleatoria discreta

• Toma valores en un conjunto numerable finito o infinito, con probabilidad estrictamente positiva.
• Determinada su probabilidad, su distribución de probabilidad puede ser expresada por un tabla.

x 1 2 … n
Pr(X=x) p1 p2 … pn

Ejemplo:
Tiramos una moneda 3 veces. Representamos cara por c y cruz por z
Definimos la v.a. X: número de caras

Ω = {ccc, ccz, czc, zcc, czz, zcz, zzc, zzz}

x 0 1 2 3
Pr(X=x) 1/8 3/8 3/8 1/8

sucesos {zzz} {czz, zcz, zzc} {ccz, czc, zcc} {ccc}

 DEFINICIONES – v.a. discreta – función de distribución
Función de distribución
• Sea X una v.a. discreta, la función real F tal que:
∀𝑡 ∈ ℝ, 𝑭 𝒕 = Pr 𝑋 ≤ 𝑡 𝑠𝑒 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑋

• 𝐹 𝑡 = Pr 𝑋 ≤ 𝑡 = σ𝑗≤𝑡 𝑃𝑗
• Pr 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)
• Pr 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 + Pr(𝑋 = 𝑎)
Pr(𝑋 = 𝑎) = 𝐹 𝑎 − 𝐹(𝑎− )
• Sea Pr(X=ti)= pi
𝐹 𝑡

𝐹 𝑎 = ෍ 𝑝(𝑥) 𝐹 𝑏
𝑡≤𝑎
𝐹 𝑎

t
a b

lim 𝐹 𝑡 = 0 𝑦 lim 𝐹 𝑡 = 1
𝑥→−∞ 𝑥→+∞
EJEMPLO – v.a. discreta – función de distribución

x 0 a b c
Pr(X=x) 1/8 3/8 3/8 1/8

sucesos {zzz} {czz, zcz, zzc} {ccz, czc, zcc} {ccc}

1 0, 𝑠𝑖 𝑥 < 0
𝐹 0 = 𝑝0 = 1
8
1 3 4 , 𝑠𝑖 0 ≤ 𝑥 < 1
𝐹 1 = 𝑝𝑜 + 𝑝1 = + = 8
8 8 8 𝐹 𝑥 = 4
1 3 3 7 , 𝑠𝑖 1 ≤ 𝑥 < 2
𝐹 2 = 𝑝0 + 𝑝1 + 𝑝2 = + + = 8
8 8 8 8 7
1 3 3 1 , 𝑠𝑖 𝑥 ≥ 3
𝐹 3 = 𝑝0 + 𝑝1 + 𝑝2 + 𝑝3 = + + + = 1 8
8 8 8 8

𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏

 DEFINICIONES – v.a. continua
Variable aleatoria continua

• Una v.a. 𝑋: Ω → ℝ 𝑠𝑒 𝑑𝑖𝑐𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑠𝑖 𝑒𝑙 recorrido es un intervalo finito o infinito de ℝ.

• Se dice que una variable aleatoria X es continua si para todo valor real x se tiene:
• Variables continuas generalmente representan mediciones

discretización de los datos

Pr 𝑋 = 𝑥 = 0
 DEFINICIONES – v.a. continua - función de densidad
Función de densidad de probabilidad (FDP)
𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑑𝑒 𝑢𝑛𝑎 𝑣. 𝑎. continua X es una función real f que cumple:

a) 𝑓 𝑥 ≥ 0𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑣𝑎𝑙𝑜𝑟 𝑥.

+∞

𝑏) න 𝑓 𝑥 𝑑𝑥 = 1
−∞

𝑐) 𝑃𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝐴 = 𝑎, 𝑏 , 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑞𝑢𝑒:

𝑏
Pr 𝐴 = Pr 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎

a b
 DEFINICIONES – v.a. continua - función de distribución

Función de distribución

𝑆𝑒𝑎 𝑋 𝑢𝑛𝑎 𝑣. 𝑎. 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎; 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑟𝑒𝑎𝑙 𝐹 𝑡𝑎𝑙 𝑞𝑢𝑒: ∀𝑡 𝜖ℝ, 𝐹 𝑡 = Pr(𝑋 ≤ 𝑡) 𝑠𝑒 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛

Propiedades

• 𝐹 𝑒𝑠 𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒, 𝑐𝑜𝑛 lim 𝐹 𝑡 = 0 𝑦 lim 𝐹 𝑡 = 1

𝑡→−∞ 𝑡→+∞
• Pr 𝑎 ≤ 𝑋 ≤ 𝑏 = Pr 𝑎 < 𝑋 ≤ 𝑏 = Pr 𝑎 ≤ 𝑋 < 𝑏 Pr 𝑎 < 𝑋 < 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)

Relación entre funciones de densidad de distribución

f(t) F(x)
𝑥
𝐹 𝑥 = න 𝑓 𝑡 𝑑𝑡 𝑦 𝑓 𝑥 = 𝐹′(𝑥)
−∞

t
x
DEFINICIONES v.a – Funciones de probabilidad – distribución y densidad

Funciones de 𝑃𝑟(𝑥)
probabilidad

Pr(𝑋 = 𝑥)
𝑥

v.a. discretas
Funciones de 𝐹(𝑥)
distribución
𝐹 𝑋 = Pr(𝑋 ≤ 𝑥)
𝑥

v.a. continuas
𝑓(𝑥)
Funciones de
densidad
𝑑𝐹(𝑥)
𝑓 𝑥 =
𝑑𝑥 𝑥
 EJEMPLO 3 – v.a. continua

0, 𝑠𝑖 𝑥≤0 a) Hallar la función de distribución F(x)

𝑓 𝑥 = ቐcos 𝑥 , 𝑠𝑖 0 < 𝑥 < 𝜋/2
0, 𝑠𝑖 𝑥 ≥ 𝜋/2

𝑥
𝐹 𝑥 = න 𝑓 𝑡 𝑑𝑡
−∞

𝑥
𝑠𝑖 𝑥≤0 𝐹 𝑥 = ‫׬‬−∞ 0 𝑑𝑡 = 0

0 𝑥
𝑠𝑖 0 < 𝑥 < 𝜋/2 𝐹 𝑥 = ‫׬‬−∞ 𝑑𝑡 + ‫׬‬0 cos 𝑡 𝑑𝑡 = 𝑠𝑒𝑛(𝑥)

𝜋
𝑠𝑖 𝑥 ≥ 𝜋/2 𝐹 𝑥 =
0
‫׬‬−∞ 𝑑𝑡 +
𝜋/2
‫׬‬0 cos 𝑡 𝑑𝑡 +
𝑥
‫𝜋׬‬/2 0 𝑑𝑡 = 𝑠𝑒𝑛 𝑥 |2 =1
0
 Definiciones: ESPERANZA
Propiedades
v.a. discreta
𝑎𝜖ℝ

v.a. continua
 Definiciones: VARIANZA
Propiedades

𝑆𝑒𝑎 𝑋 𝑢𝑛𝑎 𝑣. 𝑎 𝑠𝑒 𝑑𝑒𝑓𝑖𝑛𝑒 𝜇 = 𝐸(𝑋)

𝑉𝑎𝑥 𝑋 = 𝐸[ 𝑋 − 𝜇 2 ]

v.a. discreta

𝑆𝑖 𝑓 𝑥 𝑒𝑠𝑡𝑎 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 [𝑎, 𝑏]

𝑏
v.a. continua 2
𝑉𝑎𝑟 𝑋 = න 𝑥 − 𝐸 𝑋 𝑓 𝑥 𝑑𝑥
+∞ 𝑎

Desviación estándar (típica)

−∞
𝑆𝑒 𝑑𝑒𝑓𝑖𝑛𝑒 𝑐𝑜𝑚𝑜 𝑙𝑎 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝜎 = 𝑉𝑎𝑟(𝑋)
 EJERCICIOS

EJERCICIO: 2.1
 EJERCICIOS

𝐹 𝑥
EJERCICIO: 2.2
1

• Pr 𝑎 ≤ 𝑋 < 𝑏 = ?
𝐹 𝑎
• Pr 𝑎 < 𝑋 < 𝑏 = ?

x
0 a b
 EJERCICIOS
EJERCICIO: 2.4
Dada la siguiente función de distribución:
MAESTRÍA EN ELECTRICIDAD