Documentos de Académico
Documentos de Profesional
Documentos de Cultura
minixenie
te he ts by
tx
X(tz)
t
*
t
X(tn) Xtal es w.a, ya arenose
una
ent sube cual es y realizacion que
e
estarpresente en ese instante
Ensamble
Caracteristicas de los procesos estocristicos
Soporte temporal:
Tiempo continuo:
*
o "seriales aleatorios", se caracterizan
porque el tiempo puede tomar cualavier
valor real
XA ZEIR
:t
*
Tiempo discreto osecuencias aleatorias", se caracterizan
porure el tiempo puede tomarsolo valores
enteros.
XIn] nEE
·
Amplitud
Amplitud Continue:Si Xit
* es una va continue
purn tock tiempo t, XCA) es unproceso
de amplitud continue,
* Amplitud discreta:Si Xht) es un vin discreta para
todo tiempo t, At) es proceso de un
amplitud discreta
· Grados de libertad
cualquier instante t.
*Si X(t) es de ampliful continue, X(t tiene una
si
t
Amplitual
*
discreta es discreto en Olt=
2 A
parace as discreta
Albinomial (n 3, =
p (2)
=
-A 20,1,2,33
=
ct---- -
-i
"
-...----
-
A)1,41 =??
·int
1---------
t 1,4
=
XII-T: EEE,
bI
dunde AMIO,
- [0,1]
=
2- Tiempo continuo
*
1grado de liberta
*
1 Amplitual continues
=>
E
-
I I ↳
I 2
VII.
T.Et, dunde Arexp(x i
-
Ra [0, ot
= +
A 3,2
=
I 1 A 2,2
=
I 11 1.1
=
I I t
I ↓
dIX.
T.Et, dunde A~ NC
-A (- ro,00
=
A 3,2
=
I 1 A 2,2
=
I 11 1.1
=
I
#
t
I
[At Et,
el
XII- dunde Arbinomialln-, per
{,t=,
1
Xalt=
Xs It
{t, EEt
F
=
u, er
A XII.
[ Et, dunde A~ NCO i
i -
e
0
At, 0t =
1
=
E w"
el XII AyB ind
-
drude sun
B, binomia
(n 3, p Y)
=
=
&1 20,2,2,33,
=
1B=20,1,2,33
Ot, U=t=1
{r,t2
Xelt=
e ⑧
⑧ o *
①, u.c ⑧ es o
⑧
8 & 0 ④
t,EE
e ⑧ 6 E
* 8
H- Tiempo
* Continu
*Amplitud discrete
grado, de liberta
*
①, u.c
=t;
i
* 3
-
Xe(t
--
X(t
①, u.c k(t
-
al
XII-) EE douc
b
-
Yu
>Pasabl
-
Yu
I I
a
>A 2,
=
B2
=
2
-
...----
i
A 1,B 2 =
=
-,
A 1,B 1
=
=
i
Xz(t) 2 Sen (t1
3
=
X y(t) 26 Sen(t
=
X(H) 0 =
X(*) ?? =
i)
ACtl=
{2 OEET, donde Teexpl=
Tiempo continua
*
2grado libertad
*
-
o AAmplitud discreta,
11 4.017,76
MxCH EIXCt]
=
Potencia instantuney:Sea
* XCHI un proceso estocástico.
Su potencia instantines, denotada con lt) es una
x(t E
=
[Xt] .
It
:.
SiEx=00, el proceso es de "Enersia Finits"
Potencia Promedio: Sea Alt
* on proceso estoccistico. Su
* Elr(tar) drt
=
=
dt
:Six 7 0 -> Ex 00
=
At, o =1
X(t) =
E O, 0.2
donde A-N144)
calcular:
a) XIt
n
:"
~
I
,
I t
-",
Para
·
t = 0: X1t 0
=
Px(xit)
E
1,x
a
0
=
PX(xit) =
6, X 0
A
·
Purn OtE1:Xt=At
A -
N(2,4) - (X
-
2t)2
fx(xit) 1 2 2.4t2,
=
= =
-x 00
frxit) IX vo
- =
=
.
It
fx(xit)
Este a
2t
Para
·
t> 1:X (t 0
=
Px(xit)
Pxxit) E
2
=
a A
b)
[EIt! tE {tECA),OE
e
1_
MxCt=EIX1] =
~1
[et: e
=
Mxt)
2 -
L
I
4Rx(tz,t) E[X(tz).X(tz)) =
ie
0
0 5 Atz
E
Altetz, DEt= 1, UEt=
1
X(t)X(t) =
0,0w
Rx(t2,t) E[X(tz), X(tz)]
=
E
EAttz], Et= 1, Et=1
EIo]
=
-ItET,
Ete1, vete
donde:
ECAY=
afatal da X
pero
Var(Al=ETA2]
e
-
[ES]=> ESAY=Var(Al+[ETAT]= 4 + 22
4 2
E/AY 0
=
(otte, te
1, et
Rateita) -
"Ht=TYel:SELY,
oftG
e
xx(t)
zt
xt- Got2
t
eEx Et).x dt]
=
1
=
PETXIE)) dt
Forma 1:
*
MH=
[At, EE
!*XEdt 1dt Atd =
+
+dt
Ahora:
A28-E
=
Ex E[3] Ys ECAY
= =
Ex 8/3
=
Formen 2:
*
Ex *E (t) dt dt
= =
Ex
Godt+gdt+)Podt
=
Ex 8
=
Ex 83=
·: X(t) es de energin finita.
f) = 0
Ej:Dado el proceso estocstico
TH)
2 EEW,
=
drude Ww Exp(x=)
xt) fw(w)
2 13
-
-
.n i
t -
Px (2,t) Pr(X(t) 2)
= =
Pr(0 = t=W)
=
PrIWxt), tx0
=
=("alda, t,0
s edw, to
Px 12,t) =
24, t,0
Luego -
k
1 -
e,x0
=) e
=
↑xwe =2 para to
o.w
Pxx,t
,
t
1-2
I
-
ty
pe X
O 2
(X, t
xPx
!
.
b) Mxt) E (X)))=
X (xit
=
0,
=
Pr(Xt) 0) =
+ 2xPr(X(t) 2) =
Mxt
= 2 es 2
MIt 2
=
ek, txo -
Proceso Estocstico Poisson
·
Permite modelar muchos fenómenos de la cotidianidad
Trafico Vehicular/Aereo.
-
Tiempos de espera/Atención.
~
-Desastres /Accidentes
Un cadena de ocurrencias de
proceso poisson un
·
es una
I 8 · ..., t
1) Las ocurrencias
en intervalos de tiempo que no se
Éxito:Ocurrencia
-
Fracaso: No ocurrencia.
simultuneus,
Se define In "tasn de procesp Poisson"lo Frecuencial
Número de ocurrencias - 1- s
=N(t -
I
6
I
5
↑
U
-
I
2 -
1
2
in
is is
i
->
0
Y1
v. a. Continuas
Distribuciones de Probabilidad Asociadasa l proceso Poisson.
Número de
* ocurrencias en un intervalo fijo de tiempo:
Distribucion Poisson
N:" número de revencias en un intervalo fijo de tiempo"
Nes un von discreta que sigue un distribución Prisson
can parametro i, esto es:
N ~
Poisson (1)
RN 20, 1,2,3,4,
= ...
3
Pr(n) PrW=n)
=
e,
=
,
n 0,1,2,3,...
=
Pr(ni
Illln..... n
Ilı.
X pequent x Grunde
EIN) is,
=
VarIn) = X
N
Mir
=
Poisson (Exi)
Tiempo
#> hasta la primera ocurrencia (tiempo entre ocurrenci
="Tiempo hasta la
* primera ocurrencia"
↳ va confinun con distribución exponencial (i)
~Exponencial (1)
*
ex (0, 0)
=
+
-
xx
fy/x 428
E
=
fxx fx)
x
- ↳ X
X it
crand
pequeño
EN):Y, Var(X)=I
Tiempo hasta
* In K-esima ocurrencia. Distribucion Erlang
y "Tiempo hasta
=
In K-esima ocurrencia." KE Et
y es una ve continuecon distribuciónErlang de
y ~
Erlang (K, 1)
&y (0, + 00)
=
I yF-
2
* , y 20
fy () =
Y=
0
,
fy(x)
fy
↳ X
e
k2
X
k1
= =
fyy)
- Y
k 3
=
El E, Var(Y) *
= =
* XiwErlang (2,7)
=
Ej: las llamades que ingresan a un conmutador telefonico
siguen un proceso poisson con un promedio de: llamadas
I hore
11 +
+ x + >
X
= 3
llamadas/5min
= 3(5min)
a)
5min -> 3
1 min - >
X
31 0.6
=
en 1
NePasson(X 0,6) =
P) 2"
0.6" n 1,2,3...
0,
=
=
,
n!
PrIN 0) PrIn
=
=
=
è got=
* 1
Pr(N 0) 0,5488
=
=
b)
5min -> 3
05min - >
x
37 =
0,3
N "nimero de llamadas
=
en 0.5 minutos"
NePasson(X 0,3) =
n 0,1,2,3
=
n!
Pr(N22) PIL = +
No
* se prece hacer
PrINI 2) 1-Pr(N=2) =
1
=
-
[Prlas+Pul1l]=a-fe-e
Pr(N22) 0,0369 =
1)
="numero de Ilymadas en 1 dic"
ElL) 2
=
5min 3
x3x
->
864
=
ElL
=
encomin ->
d
I I ist
me e
1 min Zmin
N "número de
=
ocurrencias en 1 minutr"
M="nimero de ocurrencias en los dos minutos siguientes"
~-Doissun (2
0,6/3 independientes
=
M~ Poisson(X 2,2) =
PrIn) " 06, =
n 0,2,2,5
=
n?
-
1,2
Pulm) 2
=
1,2, m 0,1,23
=
n!
Pr(N11
-
n (0) Pr(N11) Pr(m 0
=
=
elementos independientes
0,1359
=
e) R =
"número de llamadas on 1 hore"
R ~
Poisson (R 36) =
PRIrl 36
IV 0,1,2,3,...
= =
r!
I ⑧ 00 8
X ⑮
7
t
Forma 1
*
·arvencies
*"tiempo hasta la
=
era ocurrencia" [min]
X- Exponencial (i 0,6) =
PrIX2y)
fofxdx (fxxdx (8,6d
=
=
--
jose
Pr(X2 4) 0,8607 =
Forma
*
2
A Exponencial (x 0,01)
1 0,01
- =
=(802edx
-
0,02x -0.01 x 15
Pr(Xx15) e
=
0,8607
=
g(
-Yst -
5 q
*
3 min
llamack,"
"tiempo hasta In 4: ocurrencia" [min]
y e
Erlang (k =4,x 0,6)=
0,6Y
0.6"4 1 e,420
-
fy(x)
-
Y
=
14-11!
0,5
=
y2 -6.34,420
Pr(y 3)
=
->
Muydispendiosa
Otra forma:
*
N- Poisson (x 1,8) =
Pr(N14) EPr(n)
=
1- PrINx4) 1-
=
=
Puln
erer=1-
-s- ete
n!
Pr(N34) 0,1087 =
2) Extra: Un observador llega al conmutador a las 9:00 am.
en
*"tiempo hasta la
=
era ocurrencia" [min]
X- Exponencial (T 0.6 =
Prix 3/X 1)
↳> tiempo hasta la de llamack, es mayor are I min
=Que en el primer minuto no hubo ni un sol llamada
Pr(x-31x 1) Pr(1 x x 3)
=
=
= (doseaax
-
Pr(x> 1)
(80.6e**
PrIx>
-0,6x1 -
6,6x3
1)(fxx)dx dx
=e -
e
0,6x1
-
PrIx3/X 1) 0,5988 =
il Extra:En promedia, canto tiempo transcurre entre be 5,9:
lamuda?
y "Tiempo entre (n
=
5:49: llamada"[min)
Y- Erlang (F = 4, X 0,6)
=
E(Y) 40,6
kx,
=
=
E(y) 6,66
= min
.
Funcion de media
·Función de autocorrelación
. Unde telegráfica.
N(t)
i
NIt): Proceso Prisson
↳ Número de ocurrencias en
NIt) Es un proceso de
=
tiempo continuo y amplitud discreta
Pr(nit) Pr(NCt n)
=
=
N(t) -
Poisson (xt)
Purit) * (At",
= n 0,1,43,...
=
n!
PrIn:t)
iiiiii.
t-
t
si i
Funciónde
* media
MeCt) EIN(t]
=
It
=
M(t)
- t
Funciónde
* autocorrelación
Rr(te,t) Elt). ]
=
· Sitz ]
ts
ReCtetz) E[NCt).
=
en
~(tz)
Donde M(tr-te) es al
ET(N1.13]
-
+
EIN(t(MItz-t1]
=Var (Niz)) +
(EINCEl] ETNAl] EIMIt-t1]·
Onda
*
telegráfica
Es un proceso estocristico EIt) dado por
z(t) ( =
-
1)Nst)
7
S
N(t)
j
S
L
I
i
3
!
L
:
1
O
>t
z(t)
i
I
3 t
>Realizaciónde un de
! telegráfica.
Onda telegráfica: -
tiempo continuo
-
Amplitual discreta
-
11:30
1)Fundamentos de la probabilidad
<Fenomenus Deterministas Certeza -
Realidad
> Fenomenos Aleatorios incertidumbre
-
en
observación->Dato estadistico
I
Información
ExperimentoAlentorio.Montrie/Dispositivo
Mecanismo purn realizar observaciones (trmur
datos estudisticos) en unfenomeno alentoric.
Objeto de estudio de probabilizad
la
aplicadas.
-
Espacio muestral
El espacio muestral de un experimento aleatorio es el
Eventos:
Un evento es cualavier subconjunto del espacio of
Ocurrencia de un evento:
Un evento arbitrario Ase dice are ocurre si al llevarse
probabilidad de un evento
un
Es escala entre Oy 1 are describe are tan factiblese
considerno se cree, In ocurrencia de un evento A. Duncle
O significa are al evento no ocurrir y
1 significa
ane el evento si ocurrira, esta valoración se hace
untes de conocer el resultado del experimento aleatorio.
Max Fucerticumbre
0,5
0 >1
me
↓ Incertidumbre ↓
certezy Certeza
Tipus de eventos
-
eventos occurer.
a) e { 1,2,3,4,5,63
=
o Numerable finito.
y
D "El número
=
1) Resultado finall 3 =
Ocurrieron:B, C, E
No ocurrieron:A, D,F, I
Operacionesbásicas eventos
de
a
1) Complemento
-Notacion: A
~
"
Diagrama de Venn:
2) Entersección
-Notacion: AB
-
proposicion:AnB "Ocurre = A
y
Ocurre B"
-
Diagrama de Venn:
R
A B
:. An es un evento
3) Union
-Notacion: A UB
proposicion:AUB="Ocurre A
o Ocurre B.:"ocurre almones 1"
Diagrama de Venn:
-
A B
:. AUB es un evento
1) Diferencia:
-Notacion: A -
B
proposicion:A- B Ocurre A No
y arie B "AnB
->
Diagrama de Venn:
↳
A 13
:. AnB" es un Evento
2) Interseccion Iferada.
-Notacion: As MALAgr... 1An=Ai
i1
proposicion:Ai=
=
Diagrama de Venn:
R
Az
Ai
An
n3 =
es un evento
A3
3) Union Iteruck
-Notacion: ArWAcUAeU... UAn= ti
-
Diagrama de Venn:
R
An Az
n3 =
:Eti es un evento
A3
Eventos excluyentes
Dos eventis AyB sun excluyents, carido es imposible
su ocurrencin simultanca. AnB 0
=
A
B
Contención de Eventos
Un evento A
estacontenido en un evento B wanla
be ocurrencia de implica
o la ocurrencia de B. ACB
-
B An =A
A
AuB=Bs
Leyes de Absorcion
cumple que:
ACB Y
BCA
-
Eventos mutuamente excluyentes:Los eventos
Al, Az, ...,
An son mutuamente excluyentes si:
Ai 1Aj d =
Ai = R
M
-Particion de un espacio muestral. Una colección de
Grafisamente:
/
An Au
As Ac
Ac
A5
A1
Az
& As
:
An
Cuando
·
se llern a cabo el experimento aleatorio, si-
·
En terminos de un Evento A. La partición seria EA, A
t
A
Al
③
A
Al
·
En terminos de 2 eventos arbitravius A y
B Una
A B An
An
2 1 3 ⑤
4 A
AnB3
B AnB
A
BL A1B>
B A 1B
A
B AMB
Otra
*
posible partición de AyB [ArB, An', A'3
2
ArB
ArB
AnB ③
An
As As
B
AnB
A
⑧ B AnB
As As
·
En funcion de 3 eventus A, B, (
Alr's, ALB'n3
7 8 CArBrC
B
- CArBrC
A B A
2 ArB'
2 B
4 6 ⑧ Ann
I
3 5
CABrk
Al B
7
-ABr)
28
CA'nB'n
B
CA'1B'r
* Leyes básicas del algebra de elementos.
·
(AY A, =
TAYY As =
AB BA,
·
=
AUB BUA =
·
An(B1C) (AnBInC,
=
ArBUC) = (ArB) rC
·
An(BuC) (AnB)u(AnC), Ar(Bl) AuInLArd
=
(ArBl= A'uB
·
CAUBI'= AB" Leyes de morgan
,
(ii) =Ai
·
·(Ai) ti =
Art A,
·
=
AVA A =
And
·
0,
=
Aud A
=
Arr A,
·
= AUR =
e
4,¢ =2
·
=
A
(rB
·
=
Excluyentes
·AnA 4 =
ArA =
· 2
·
AUB A
=
Excluyentes
·
ArB - rlAnBY
MACnB)
Excluyentes
A [ 2,4,63
=
=
A [1,3,53
-
B 23,63 =
B ={ 2,2,4,5} A B
c{ =
1,2,3,43 ( 25,63
=
6
14 3
1
5 C
Probabilidad de un Evento
en las mismas
condiciones y cuyo resultado es independiente
de las demas, entruces In probabilidad de A, denotac
con Pr(A), se define como:
Pr(A)=
him #deveces are
R
ocurrea
0 < 1
probabilidad:
1.) Pr(AY =
1 -
Pr(A)
2)Pr(¢) 0
=
Pr(i) ZPr(Ail=
Pr(Ai) Pr(2)
=
1
=
4.) Pr(AnBY Pr(A)-Pr(AnB)
=
6) Pr(AuB) Pr(A)
=
+ Pr(B) -Pr(AnB)
.
Pr(An))
cota de la interseccion
Pr(A)
EEA Pr(wi3)
=
Ej:Se elije aleatoriamente un letra del conjunto
abic, ..., k, donde todas les letras tiene la
misma probabilidad de ser elegidos. Cual es la
probabilidad de que llete escogida sea vocal
-
2a,b,c,d,e,f,g,h,i,j,k3
=
Es
>Espacio muestal equiprobable
=Ya + Ya Ni
+
PrIA) *1
=
pr(F) 0,7, =
PrIB) 0,35,
=
PrIF1BY 0,40 =
a) Pr(FnB) =
?
Pr(F1BY PrIF)-PrCFnB)
=
Pr(F1B) 0,7
= -0,48
Pr(FB) 0,22 =
b) Pr(FuB) PrIFl+PrIBI-PrIF1B)
=
PrIFuB) =
0,7 F0,35-0,22
Pr(FrB) 0,06
=
c) Pr(F1 BY 1
=
-
Pr((F), B44
=1 -
Pr(FrB)
1-0,83
=
Pr(F1 BY 0,17 =
=0,35-0,22
Pr)B1F') 0,13 =
e)
Pr)(EY) PrIFBY
=
+ PrIBnEd
Excluyentes =
0,48 + 0,13
0,61
=
-Pr[BY]:PrIBnF' + PrIF'nBC
Excluyentes 0,13
= +
0,17
=0,3
9) Probabilidad practiure basquet o ur practive
futbol
0,35
=
+
0,3 -
0,13
Pr(BUFY 0,52
=
Probabilidad condicional
La probabilidad condicional de un evento A, dudo otra
Evento B, es la probabilidad de que dando
ocurra A por
Pr(AIB) =
PrAnB), Pr(B) =0
Pr(B)
Propiedades de la probabilidad condicionante
PrAlB)
1) 0 = 1
=
2) Pr(21B) 1
=
Pr(B(A)
* 0
=
4) Pr/A1B) 1
=
-
Pr(AlBY
5)Pr)P/B) 0
=
Pr(A:(B) =
Pr!AB)
di Ar, An, As,
7)
....
An constituyen un partición de es
Pr(Ai/B) Pr(-1B)
=
1
=
8) Si A B
Pr(AIC)
*
= Pr)BIC
Pr(BIA) 1
* =
Pr(AIB) PrCAnB)
* = Pr(A)
=
Pr(B) PrCB)
+Pr(AnB(2)
10) Pr(ArB1r) PrIAIC) =
+ PrIDIC) -
Pr(AnB (C)
0,3142
=
Pr(F) 0,7
PrIFIB) Pr(B1F)
08, 0,6285
= = =
Pr(B)
practica futbol
Pr(FIBY PrEnB4
=
= 0,48 0,7384
=
PrlBY 0,65
d
PriFF4
PrICBY (F
=
Pr(F)) PrCFY
= 0,17 0,5656
=
0,3
Pr(FuB)
PrCF1B)
- 0,22
=
pr (FrBl 0,83
y
Pr)BIA) PrIBnAl
=
Pr(B) Pr(A)
↓ ↓ ocurrencias
>A >
B ----> Ar
Pr(A) Pr(BIA)
---->
Pr/AxPr/BIA)
Pr(AnBrC) Pr).AnBInC =
Pr(AnD) PrICIAnB)
=
+
>A 7
B C
PrICIAnB) PrAnBrC
⑧
Pr(A) Pr(BIA)
PrAnByCD) PrCA)-PrIBIA). PrICIAnB) PrCDlAnBrC)
=
·
Regla deBayes
Regh, aritmeticu are permite intercambiar los paneles
del evento condicionante y
el condicionado.
Permite calcular PrIBIA) a partir de Pr(AIB)
* Pr(BIA) Pr(AnB) =
PrIBI PrIAnBl
=
Pr(A) Pr(B)
Pr(A)
1) BinBj 4,
=
it;
*) **
#B e
La probabilidad de A (probabilidad total (
Pr(A) PrCAnn)
=
Pr(An(i))
=
=Pr((Anpi)) ZPrAnBil =
PriAl
Z
=
PulBisPr(AlBil Formula de la
Total de un
probabilidad
evento A.
AnBe
Pr(Alb) A
3
De Al
pr(D- pr(F(B2) A AnB2 2 1
PrIBel
=
· Be
Al
·
PrB) ·priABn) A An Br
Bu
A
B2, B2, Bn > Causus
A s consecuencia
PrIA) < Probabilidad de la consecuencia
&
A A
B
Al
B
⑧
A
BC
Ba
AC
Ej Las personas de cierta población estan clasificadas en e
de edad.
El 35% menores de edad el resto adultos mayores.
y
↳u probabilidad de que un menor de edull pudezin
3
M "persona elegida
=
es menor de edud"
Constituyen uno
A
"persona elegida
=
es adulto menor" particion de
V "persona elegida
=
es adulto maxor"
cv
M
A
Pr(m) 0,35 Pr((M) 0.1
3
= =
Pr(A) 0,45 =
Pr(IA) 0,32
=
Pr(V) 0,2 =
Pr(CIV) 0,72
=
Pr (c IV) 1 =
-
Pr)CIV)
= 1 -
0,72
0,28
=
problemas cardiacos
Pr(C) 0,323
=
S
0.1
Pr[c) 0,373
Pr(mIC) 0,1083
=
D) (ral es la proby are ven adulto you sufra prob-
lemus curdicedo,
Pr(A)[ 1-PrICIA)]
0,45(1-0,32)
=
Pr(A1) 0,306 =
Proba
e) de are ly persone sey un Adulto no supra
ó
problemes
PrIAuCY PrIAl+PrICY-PrIAnCY
=
0,45
= + (2 -
0,323) -
0,306
Pr(Au) 0,821 =
f) Si In personen
elegida no es un adulto mayor, al es la
Pr)CIV4 PrCCeNY-Pr(CnMrAll
= =PrIxnmIr(nA)]
Pr(V) 1 PrIVI 1 -Pr(V)
PrICIrY Pr(C1m) +Pr>CnA)
=
PrIM)PrICIM) + PrIA)POLCIAl
=
1- PrIVI 1-Priul
9)si
la persona no
sufre problemas cardiacus, rial es la
Pr(4
1-
[P.1-PrICIM)] 1-
[ 1
U2]
-
= =
Pr(MY() 0,5347 =
0 CMC 0,035
M
Oy Mr0,315
se
02 C And 0,944
0,45
④
A
018 ( Ard 0,306
0i with CUnC0,144
V
0, (V1 0,056
I
L
Para el con árbol
0 CMC 0,035
M
Oy <MrC0,315 v
se
02 C And 0,944 U
0,45
④
A
010 (And 0,306 U
L
Pr(Ar 0,315 +0,144 0,306
= +
+ 0,144 0,821
=
L
Independencia Estadistica de Eventos
Pr(A1B) Pr(A) =
Pr(B(A) Pr(B) =
independencia
Pr(BIA) Pr(B) Y6 = =
oal 3.
en numero par segundo chinaen el número
Pr(AuB) Pr(Al+PrIb)-PrCAnB)
=
PrAltPrLB)-(PrCAl.
=
Pr(B))
v Y6- [V2. N6]
= +
Pr(ArB) 0,5833
=
Pr(B1C) Pr(B) =
·
Pr(c)
Pr(AnC/B) =
PrIAP. Pr(CI
Pr(BlAU Pr(B) =
Pr(BUCIAY PrIBUC =
Disponibilidad de sistemes
Sistema:Interconexion de componentes are funcion de
Fi "d =
Sistemes
S=FFzFon ...
Fr =
Pr(s) =
PrIEE) Prifil
=
Configuración Panelo
El sistema funciona si almenos un componente
>I funcione
>2
S FUFzUsu...
= Fr =
E
Pr(s) Pr(Fi)
=
⑧ 7
Pr)(Fi)) Pr(F)
73
=1- 1-
=
>N
= 2 -
PrIE
[2-Pral
Sistema
Pris) = 1-
Configuraciones hibridus
2 2
⑤ 4 ↳
Sistemn
Ej: Calcular La disponibilidad de los siguientes
a) 2 2
S=[FnEz) rFJE
PrIF-n F) F3]F4)
0,3 0,95
4
Pr(s)
⑤
=
r
3 0.9
0,8
b)
⑧ 1 23 4 >
C >I
0,8
>28,75
⑧
0,8 7
73
0.9
>4
Solucion
a) S ((F-nEz) F3]Fw
=
r
=
[1 [1 -
Pr(S) 0,8734
=
Si
* se sube are al componente 2
funciona.
Pr(S(Fi)
2 ⑧ ⑧
PrISIFl Pr((EvF) nF)
=
0,3
4
Pr(FevFs).
⑤
↳
=
Pr(En
3 0.9
0,8
-
=
0,882
Si
* el componente 2 no funcione
PrISIE' 2 %8
0,3 3
⑤ 4 > = 4 ↳
0,8
PrISIF 0,72 =
Cálculo alternativo de la
* Disponibilidad usando el terrema
de la probabilidadTotal
= 0,95 0,882
x + 0,05 x 0,72
Pr(s) 0,8739
=
Usando el terrema de
* probabilidall total, Hallar Prisi an
PrCSIFs) =
.
4
Pr(SIEs) Pr/Fy) 0,9
= =
1 - 4 -
Pr(S/F,Y Pr(EnznF3)
- -
-
-
=
=
0,7695
=
Pr(S) 0,8734
=
Pr(Fe). Pr(SIE)
Pr(s)
PrIFe). Pr(FeY
Pr(S)
0,9
II. Variables Aleatorias
Definición:Una variable aleatoria X es una funciónare
asigna un número real a cada posible resultado del
experimento aleatorio,es decir, convierte en un número
⑧
⑧
B
W
⑧
~
I I
11 11 1 R
D
X(w)
w cX(w)
·
Lude posible valor que puede tomar A se conoce
Discretas:Si rax
* es un conjunto numerable (finito o infinito
de número reales
&x, 1, 1, 1, 11 1 1 1 >
Continuas: Si
* x es un conjunto denso de números
reales
ex, 1 1 1 1 111111 >
condiciones:
El
#) resultado del experimento es incierto
#El resultado del experimento se puede expresar a
al are corresponda.
a) "Numero que sale en el dudo azul"
"Número
d) de caras del primer dado que se aredy quieto"
No es variable aleatoria -> No es incierto
e) "Pareja de numeros are sulen"
No es variable Aleatoria
-> No se prede escribir como IR
Las
* va discretas tienen un "funcion de probabilidad"
#O, Sixt 2x
Px) = =
0,si
I x 4-x
En general, PX(2) satisface 3 condiciones
I) 0, FXER
4x4)
#ZPx) 1 =
Si
# A es un evento relacionado con In v.G X,
Pr(A) EE4x4)
=
>z
Ej: Sea X una va discreta con pruf
Pyk=******,x 0,1,2,3 =
b) Pr(X2)
=
f) Pr(x2 1) =
c) Pr(xx1) 9) Pr (sen(*zz) 0) =
a) Pr(X3/X 1)
Solución: Px(z)
X
1x 40,1,2,33
=
0 k
(2) /
0
Px 1 () =
EP =1 2 1=
3 !(5) 2 =
*+ =1
+
I 1
=
>k 6=
1PX(a) 1
27
- E
x
-de
b) Prix 2) =
=
Px(2) 2= =
27 427
-
+
1427
e)Pr((x -
2 1) Pr(Ix 1 1)
= = - =
PrIX
=
-
1 1)r(X
=
-
1 =
-
1))
Pr( 2ux 0) PrIX2)
= = = = =
Pr(X0) px(2) px(0)
+ =
=
excluyentes
=>
q =
+
= = +
=
Ej:Se lanzan 3 monedas legales sen X In r., discreta are
="número
* de caras obtenidas al lunzur 3 monedus
legules"
>Variable Alectoria Discreta.
i 1,2,3
=
Nz C (1,22,23 48=
3
(2
12
F
Se (1,2,65 No
=
C 12 ↳3 4,52,2
18
=
2
12 32
Y
(1,52,23 18 1
E
=
V2
12 31, (2,2 28
= 2
C2
E sis.E
1
S
N
k 1
Se
k S2
Se se, Sa,y
=
No O
12
4 2
Px11) Pr(x 1) 48 18 18 =
+
+
=
= =
Pr(X 2) 48 10 48 38
Px(2)
+ +
= =
= =
-x
48
PX(3) PrIX 3)
= =
18
=
X="nimero de caras"
3 -x= "número de sellos"
Pr(3 -x 313
=
=
-
1)
x2 =
2) PrIX=0nx2)
PrIX =0(X = =
=
PrIXE2)
==
=
Variables aleatorias continuas.
Sen X una variable aleatoria con recorrido denso ex
probabilidad de A
"
se denomina función de densidad de
fxl=Lim
30t PrIx-EEXEx+E) [1 unidadx]
2 -
I) fx) /
0, XER fxxl curra no negativa, con area
bajo In curva igual a 1.
El recorrido de X es el
#fx(z)dx 1
intervalo donde
fx (0.
en
=
D 1
x
-
D - D
&x
La probabilidad de un evento arbitravir A relucionada con una
Pr(Al
fxxdx
=
Por lo tanto, si A
es de la forma:a Xb =
=
Pr(a x b)
=
=
(fxxxdx
=
fxxl
~ D
ab
↓E
PrIX=)
fxdx=
=
lim fxs
* t -
0
=
es un evento improvable."
Apartir de lo anterior, se deducen las siguientes igualdades para las
Pr(a X b) = = Pr(a =
=
Xb) =
=
Pr(a x b)
=
=
= Pr(4 X b)
= =
fxxl
en
0.
=
D
C
↓x
El telefónica
Ej: tiempo en minutos que durn und Ilamude es una v.n.
afx(x)[min-2]
2k -
K:constante positiva,
-
k
-
I
1 2
I I
3 ! <7 (min)
al ax?
&x 50,1,2,33
=
(0,3]
=
2Kx, 0EX =
1
fxx) {,rw
=
1XES
,
JodexaEdx+dx k x! =
+
1=)k 2 1
= +
=
k 43
=
X1
=
prixel?Emafea==I+ X
Pr(Xx3) Y2 =
afx(x)[min-2]
-
<Pr(x 32) 1/2
= =
1s-
I 2
I
! ! <7 (min)
es Si se sabe are lu llamada dura menos de 2 min, cuales
In probabilidad de aue drie más de 1 min?
=
( dx
Pr(xx2) Pr(xx 2)
I
Es
2
-
12 Sectrod
I E,
P4x2
=
+
= Pr(XIzux = 2) -
(X3dx+d
3 4
Pr(x2,5) 0. Improvable
= =
Pr1x>4) 0.
=
Imposible
i) Probabilidad are dure a lo sumo min?
5
Pr(z=5) = 1 Seguro
j) Cuál es un duración de la llamada debrje de In cual se encuentra
afx(x)[min-2]
2k -
= I
3 ! <7 (min)
G
Pr(X=
2) 0,9
(Ydx
=
2 -Pr(xx2) 0.2 =
s("fxkd 01
=
= =
0,1
E
=
3 -
2 011
=
G 2,7
= =
[min]
3
(frz)
Recopilación de
*X(
PXz
= Recopilaciónde
>probabilidades
Excx) =
da aren
de izq.
bajo la
a der
curva
V de izquierden derech v
Función escalonada Función monotone
creciente. creciente
Px(x) fx (x)
en
!
X
To
FX(Al
·*
-
i
-
a
Propiedades generales de cof
0FFX
* 1
=
xt
Fx - a)
ixx 0
=
* =
x 00
-
S:a b:ExcalEx(b)
*
=
Pr(x + X x) fx(xx)
* = = -
Fx(x)
Six
* es discreta: px) Fx(x+) = -
Exxx-
Sites
* confina:fx(x)
d
=
FIx)
=
Sixes continua, Ex
* es una función continua.
7
*Px) 2
Fx127 48 48 38
py Fx
(2
=
-
=
-
=
No
=
48
xxxx)
8/g
· Pr(x> 1) 1
...
= -
PrIX 1) 1 Fx(1)42
= =
-
7/g
=
-
⑧
-
:
Fx()
6
0
=[Ex + -
Fx11
-
1+[Ex13) Fx111]
-
=
[2 -Yr] [ 1 ve]
+ -
= Fo
Ej:afxitmin-2]
2k
2
EE
-
fx) =
k
-
x(min) Exx1=PrIXz)
1x
I I I I
1 2 3 4 =
= dx
A X X X
Para x=0
#xxx 1xdz dz
=
= =
Para 11
0=
=
Fxx
(xid dz+/Ezdz 2
= = =
3
Paru 1 = X =S
xizidzdzzdzdz =
R
Exc= X
=
Paru X
Fxdzzdzdz+ dz 22. =
=
0,x 0 Ex
I
=
2. - - - - -
.
*,0=x 1 =
Fxxl =
1/2
Xs,
-
1=
x =3
r - - -
0, ALS
- !↳ z
Preguntas
·Pr(X) 3/2)?
3) 1
=1 -Pr(x = =
-
PrIXE3) 1 = -
Fx1 1 =
-
32 12
=
iPr(Y2 = X z)? =
PrIxx4Pr(xxxE21
= =
-
Fx Ex
=
-
552
= _
(y 3/4
=
=
-
Pr(X55/z) Pr(x =
5/a) Ex(5/2)
152) E
+2
-
3/5
=
(5X)
3
Ej:Sea una via con la cult #xx
1
re,x 0
S
=
#XIx= V2
2 -
14,770
A
alsQuétipo de un es A?
b) Pr(k- 11 >2)
c) Determinar pmf/pdf
Solución
1)
Pr(xx3)
=
+ Pr(x=1) 1 Pr(x= 3)
=
-
+ PrIXE -
11 1
=
-
fx(3) Fx1- 1)
+
= 1- [1 -ke] [2e] +
0,2088
=
c)
=(2,
IX
fxk)
-
d 1
1e
=
=
fx(z)
12
A
Variables Aleatorias Indicador
1
O cuando no ocurre A. esto es:
1, siocurre A
X =
E 0, si no ocurre A
Pr(A),
= asi:
xPx)
1
-Pr(A),
Serie,
X0 =
·
PrIA)
q(x) =
I
X1
=
· 1 -
Pr(A)
ow 1X
-
Ej:
Una una contiene 3 canicas azules, 2 rojas y
4 blancas. Se
color.
"
I
. ⑧
⑧ Ri="i-esima canica "
i=
1,2
roja
X Pr(x 1)
2x8 x6+
= =
Az ...-1
28
x8 1
A1 28 RC 0 =
+
- - -
-
28
BC - - - - 0
3/4
Az---- 0
3/8
24 Re
No R2 - - -
- 1
⑧
4/g
B - - -
-
0
4/a
As---- 0
/8
28 Re 0
B1 -
- - -
3/8
Br - -
-
-
1
Px(x)
118,X
E
= 0
13/18
Py(x) 518,X
= 1
=
5/18
0,0.w >X
0 1
Distribuciones de probabilidad condicionales (ofrrncudas(
Px(z) fx(z)
I 1 PrAparate
Pr(A) para XEA
,
PXA Discreta
* fxr= continua
*
=O,parx*A
X Discreta A continua.
Px()
=
X
Discreta continua
*
Ej:Sea X und va discreta con prf:ex fe,2, =
1,2,3}
0,2 0,4 0,1 0,2 0,1
Hallar graficar
y Pa*)
Prx)
Pr(k1 1) 4x(- Xz) 0,7
Px(k) px(1)
= + +
=
0,4
0.2
PA), X 12, 2, 1
E
-
OR 0,1 0,1 =
0,7
12 1 2
>A PXIX 1 (2)
=
=
0,
2 3
0.2
I deener
xPx(z)
PXIX 1 =
- X 7/2
=
.
4/7
217
⑧
0,0.4 · 17
>x
-10 12 1
40,
= =
2 -
fxx
i
=
aw 1
-
Hallar graficar
y
fxixex*) Ve
(X
0 1
prixe=ac=(Ed xe
=
7
fx(x),k 1
/c,
=
x=
fxIx=4
o
=
0, 0, w
fx(xxxx)
I
8X,y2=x 1 =
3 -
fx1x xx)
0,
2
0.w
-
1-
>X
12 I
L: "Lueve" ="Nollvere"PrI+Pr)() 1
=
PrIC) +3PrIL) = 1
A:"temp en (01"
4Pr(L) 1
=
PrIL 4, PrIC) 4
=
=
E Yo*** (4076Exe
21
fxl (x) =
fxI (x1 -
fxIL -
fXIL
1 -----------
I I I ((0)
10 10 30
-+d
-Faxtra= I. E
+
=
5
+
0,725
=
estélloviendo?
PrICIx1r) =
pes Priviri-tofar=
zod
=
51
=
0,7724
=
c) Determinar graficar In
y densidad de probabilidad de la temp (01
S
fericfitprifc.z),
e
7/00 -
Pur-
1/zu -
I 121 I ((0)
is'16 26
10 20 30
# Vectores Aleatorios
números reales
8
X
i
*
.......
S
↑
X
I
-
vectores aleatorios mixtos (rundo X es una v.u discreta y
verticales
By
-
""
"
"A
simboliza define
con
Payill y se como:
Pxy,y PrCA=1 nY y), FCYER2
=
=
#2,2Pxy,4) 1
=
............
Px,y x,4)
Y
·an
.
0,15
I
·0,5
4
X
1
Y "A
=
4/g
B2<8/72 (0,11
+- 4/a
.4)
72
Px,y An: 72 (1,01
/8
B1
28 R2 < 872(0,1)
1472 ·1772 3/8
Be < *72 (0,01
ie 24 a
·
itual es la probabilidad que el número de canicas azules supere al
PrIX>Y)
PrIY-X)=+E2*
=
* Px,y
.4)
yX =
1672* 1472
Pr(Y -x 5/12 =
⑧ b) X
*
=272 Py
yX
=
1672* 1472 -
2472
⑧
1772
=272 Py
= 0
y Xz=
+-
.4)
1672* 1472
72
Px,y
Y1
24tzz 1672*
=
⑧
1772 1472
16 2+
24
⑧
·
Pr(Xx1X0) Pr(Xx11X0) =
= =
=
**z
-
72
I 3
PrIE0) =272 Py
16 2 12
+
+ 5
72
1672* 1472
b) X
*
17 2472 6/72
X0 =
=272 Py
Pr(X>y(X + y 2) Pr(Xxx
nz x) XX
=
· = -
= =
1672* 1472
Pr(4 2-x)
=
y2
= -
x
24
24**
⑧
I
72
I
/13 **z 6/72
16 12 24
=272
+ +
72
Py
1672* 1472
y2 x
=
-
⑧ I
⑧ a) X
Pr(max(X,X) 1) Pr(x 11 1) 12 0
12116
24
·
= =
=
x =
=
+
+
=272 Py
1672* y1
1472
=
⑧ b) X
*
X1
=
=
-
=272 Py
X1
=
1672* 1472
⑧ b) X
*
X1 =
·Pr(x +Y= 1) =
76
+2
12
+
=272 Py
1672* 1472
7
r1
=
b) X
*
17 2472 6/72
Pr(X+y 2)
· =
> Seevalvan todas las parejas (.Y)
=Pr(1 + 1 2) =
p(1,1)
=
472
=
1704/23
Desc
rectores aleatorios Mixtos
Sea una von discreta con recorrido exysea una va
PrIXxnx
fxy(ix Lim, ezEy x 2) (Yy)
=
= -
= +
iilfx,ykdy 1
=
poresc
relucionado con xxx estudado
PrA) -
alftiy da
Ej:En un sistema de comunicación digital, el simbulo transmitido
e X
I
=
X 0 =
1y 00
-
-
+
=
,
faxsea,
(2,y) =
XA xxxtoo
y
0 0. W
,
in11=
{. 8
z)
(el
+
II: E
i------
JetreGree" "
-1 y
si xx-1
E
z)
el
Yelt_Ye-x1,
-
X1
E
si
1),si
4
Y
-
1
Xx
->
-
-
-
1
=-
y
1
-
1
X
1
16 etx-
+1
Yo e
prIX1) =
Ese
=
**
ay
-bete"- beet =
y -
(6) Ys =
PrIV 1,5)
1,5
(entreay Yoera talen
=
=
ereer= e e-
-
X
=
+
0,2158
=
-
1 .
a) vál es la probabilidad de are In señal observaden excede al simbolo
=)easenedy
1,5
..
etatete"dy=
1
te" setet 0,3032
=
d) Si el simbolo transmitido es -
11X -
=
1)
Pr(X =
-
1)
.......gethey
I I
t
= x2
=
Isetdy
I
3
-
1
X
e) Sila observación la probabilidad
es superior fu, cral es de are el
IV?
Pr( =
-
Pr(X 1)
I
(edyene
enet
ese
I
~GetafertaX
=> 0,0633
Sea (X.X) un vector aleatorio discreto con pruf conjunta Pay (it
La función de probabilidad marginal de X se define como:
Py() Pr(X x)
= =
2Pxy(xx),txE
=
2x
2 Paycay, tyEry
=
La función de probabilidad condicional de X dudo X-y se define como:
Pr(A)
Ej: En In
fig semuestra la panf conjunta de las variables aleatorias discretas
Xy X. Determinar: X
I
012
↑
a)Px (z)
elPXx (x10)
0,1
b) Py(4) flPXIx+yy/*)
=
0,05
0,1- m .
0,1
c)Pxy/11) g)PyIY=3'
0,05
2 . 0,1
d) Pxy (x121
-15
0.05X 1
-ex 40,1,2,33
=
2y {0, 1,2,3,43
-
=
Py(x)
al Pxx
X
0,4
0,45
0 0,1
10,4
20,45
0,1
0,05
30,05
o! ! b (X
1
Py(y)
b) X Py
(4)
0 0,3
0,3
0,25
10,15 0,2
0,15
2 0,25 0.1
3 0, 1
01 s4 (Y
4 0,2
1
c)
Pxy(x11 Pr(X
=
x
=
1X1)
=
PrIX
=
x
=
1x1) =
Pr(X1)
=
0,15
Pxy/x11)
Pxy/x11)
x
23
18,= 43
2. o! ! (X
1
d1Pxy(x12)
f(9xx+y3) =
Pr(A nx y 3)
=
1
=
Pr(X +y 3)
=
+ =
Condición:
X3
=
-
=
+ +
I
012
X PXx y3(x)
+ =
PX1x y y(x)
+
=
x/4
0,05.0,1
2 ↑4
-0150,05X 2 "Yo 42 =
! b (X
390%02 44
o
=
f(9xxy y =
Pr(y y nx Ye3)
=
=
Pr(X+Y=
3)
+
Condición:
=3 -
x Pr(X+ y 3)
= 1
=
-
0,4 0,6
=
I
Y PXIx+ y 34
012
=
PXIX YEY +
0.7 9,05 0
0,1+0,75
+0,050,6 1/2
=
11
0,05.0,1 x/4
2
↑4
-15
0.05x 10,05+0110,6 44
=
0110,0506 Ve o! I's Y
2 =
1
Xx2x 2)
hPX1xx2x+2(Y) Pr(y y =
=
n
+
Pr(X>2x2) +
Condición:
I
construir Prisexte'.
0,1-
...
0,05.0,1
2
-0150,05X
PyIX2xg
i)PXIxt Y
I
PX1xx+3 1
41
1
o!2 b ; y
Funciones de
* densidad. Marginales
Sea Xy Y dos va continues cn pdf conjunta fay". La pay de
obtiene como:
a
fx(x)
fxfyydy,
*
FER
ab
fx = dx, xe
Función de
* densidad condicionales
xy/
va continues con densidad conjunta fay**. Supongase una
probabilidad de la forma:
Pr(a=XEbX c) =
?
= Xbrxc)
Pr(a= =
=
Pr(X c) =
Pr(a Xbx c)
=
= =
(xxxdy
=
fxx(x) =
?
" !xxxidy=fxydy
(x,y)
1
=
X
k(x,y14dy 1
=
>k 1 =
fx fx(
De este modo:
fxx(X) f,fx,y(*)
=
fxx(xd (ex =
fx
En general, para cualquier valor del evento condicionante {X= x3 se fierie:
ffxpuedeinterna
fx
f*Asifxy=
Analogicamente, la porcondicional de X duck y = C seria:
⑪
>2fx,y(x)
fxx (x,)
fxy (*) =
fayc, 4),
fry (14) =
Asi fayl fy. =
fry
fy(x)
Ej:
X: "precio de compra de una accion"[millones de pesos]
*
: "precio de vente de la misma acción"[millones de pesos]
y
(*Y,
(x,x) t R
fay x_ o.w
2-
Precio
Determinar
=)xydy =fdyeyay
y
RX X2X
!
=
fxix) ? =
.. fxxx)
-2x[0,1]=
.. I .
fa 3* Taxa 3, fem wasxax
=
=
=
0,0.2 =1
3x2, 0EX= 1 -
fx* = x
=
z
I
b) Cuál In
es densidad de probabilidad del precio de
ente
fy naunyarot
y
fy(x) ?
--
=
-
y [0,2]
=
---------
y
S
,
1
=
-
x)
fy1x)
(YY y),rE
-
fy1 =
3/4 -
0
b
2 y
1
Ej:-
i (fxyAYd,
!
Es
OEY=
. . . . . . . . . .
(Fay,
-Gafay, EXE1/fy 14
0,U. W
d) Sid precio de compra es de 500.000 pesos, crüb es In probabilidad
PrIVCIX-x)=) de
Ey
pero fax M_? fxyx = - 2
=
=
fx(k)
y
2
-
-
.
X
I
En
fyxy) Ly.OEE1
=
2-
privez-
(emumay aytony-y s
i 2
d) Si el precio de venta es 500.000 pesos. cral es la probabilidad de are al precio de
Pr(X0,6(y xx)
=
=
=yamax
donde fram
fin I
Ej: Sean X y
Y dos vas condensidad conjunta.
exet
E 1 et , OEXE1, XIR
fx (x,x)
-
8 ,
0.W
Determinar
Xx2
=
2x [0,1) =
-xx
1 -
y [0 +00
=
alfx)=) y de
Y
2 -
Xx2
=
fxx (ed4Exe
--exe
-xx
1 -
1
↑------
" >
7
1
x2 x2
fx(x)
-
IAC,
fxxxter
1
0EX=
1
=
#
b1fxx) fxy(x,dx
=
fyx(Soteeee****
Y
2 -
1.-xx
0 10. W
*
S S
F
0 X1
= =
eY
* 0 X1
= =
X
1 e I
1
1
-
e
-
fyx1 1et =
x
2,41 fy) 1 e*
=
,
1
10. W , 0.2
0 o
fyx
: Y
cifrIx (XIE) exet
fxxx) fayif)
-
1
1 -
2 X,() 2X 45
Y
=
= - =
vey 1/2
2 -
fx(X) 1- et
a
-xx fxxy(X()
1 -
fxyC) E 4,0EXEY2
=
0.
4/i-
i.
X42 =
,
2xe4
-
Y
2
21 V2,Y -
1 -
2
-
-V
1
=
e4
x2
eny
fx(k)
-
2xe C
1
1 12 1
- 2
1
- -
e
Y
-
e4
2 -
*, yy
1 -
-xx
fixlyM) eo.w
E
=
74 ------
n e
fxxx (Xx)
1-
y
14
Independencia entre variables aleatoria
I
*Si Xy son discretas E 1 I S
- S
i) 2xy 2x y =
=
- I & &
exy
= U(x,X) z
y
*Si xy son continual
-xx
i) 2xy 2x y =
= 2x,y
-
i) 2xy 2x y =
=
xi
-
Consecuencias de la independencia
PXy(x1b) Px(x) =
Si xy
son va continuas independientes
f(x(Xa) fy(x) =
fxy(x1b) fx(x) =
mayor a 5.
Pxx = Py =
,
0.W
PIA) Pyly)
1 1
12 3 45 az 1 24 a
=
Y
Pr(x x 5) +
=
Paycx
pero son id
Pry=p(A.4y1), ex,y=ex. ly
E ~ . . . . e Pr(x+Y< Pr(Y>5-X)=
=
1-10x =
Eti
Y6 . . . . ~ e
16 ~ . . . ~
z
No Yo Yo o Yo6
Y
~ ↑
i
M - ~ e
~
I
~ ↑ - e
~ ↑
....
~ ↑ I . . .
- I . . .
~ ↑
....
I z
3
I 5 X
1
36 5
!
= -
I 12
↑ ~ ↑ - ~ 12x 1
36
~ ↑ M . . .
I
. . .
~
I
↑
~ ↑
I . . .
"...
~ ↑
~ ↑ I .. e
Y
No ~ . . . . .
Y6 ~ ↑ . . . .
No ~ . . . . .
46 ~ . . . . .
16 ~ . . . . .
16 ~ ↑ . . . e
z
Yo Yo Yo Yo Yo6
Si xyx son independientes:
a 90 sey.
fx(x) fy(x)
2-
- x
Y
fa fxMxfyIx
x
2y)x>0
fayy=e*.2e* *
- +
=
ze
=
wo
exy
frot For" Y
=
&x,y
X
alPrIx + y 2) Pr(X2 -
x)
en aud
=
X
privez-x_ffiere aycf)
-1-) y
2
-
Y2 -
-
en
I
X
2
I
-1-fet)era)
12 x
ax
= -
=1-ex)2ax
=1-e* (1- e edx
=1-fea e")ex +
=1 -
(1 -
e") e"(e
+
-
1)
0,2524
=
Yx
Ya
-
- - - - - - -
i exdydx 0,7381
=
o
ih*
a) Probabilidad de que el menor tiempo de elección de los
articulas y
al tiempo de la sea inferior
caja y 40 sey?
=
3/2)
Pr(minIx,y) k) Pr)X+3/U Xx = 1
=
-
Pr(xxx 1xx3x)
1- [PrIX232) Pr(X23/1] ·
i
Yx
------
y
-
=1-
Tea)
0
In
CAPITULO II
X g(.)
=
-
X
v Función determinista Fa
, Xg(x
Nueva v.G funcion de X
X (y).) s
X Py(x)
P()
X Wex y
**.ex Myfxxx
Y
X
Py(x
fe -> E y
4 =PrIX y) =
4x*,
=
XE-by
4/13 4/13 b) z Xz
=
2/13 2/13
4X aW sen (πX)
=
11I
dV 1 =
x -
1
a) ex { 1.5, -0.5,1,2,33, Xx 1
-
+
=
=
XX
:
-
1.5 3,25
0,5 1,25
1 2
&y 2 5
3 10
P
413
4/13
-
I 7
1
x
I 2/13 213
1/13
-Ry 21.252,3.25,5103
=
I I
1.25 3.25 it is Y
4/13413413 43413
W Sen (ix =
X W
W
-
1.5 1
lt
-
0,5 -
1
1 0
ex
2 0
3 0
-zw {- 1,0,13
=
PW(w)
W Py(W)
7/13
Pr(X- 0,5) 4/13
I
-
= =
prIX1Xzux3) 4/13
= = =
= 43 4) =/13
+ +
413
1Pr(X =
- 1,5) 2/13 =
213
w
Transformada de variable continua a Discreta
Sea A una va continua con recorrido exy densida
de probabilided fx. Sea y=glas donde y(.) es una
Ma=PrIVEgfade, txely
X >
ii ex
" i
is
whe si
Py(x
f
i I I y
T ex >
y
↑
es discreta
↑·min
⑧
8
Transformada de variable continua a Continua
y densidad
de probabilidad fr') dado por:
fy dFy( =
X:g(x) =
X
! >X
" fy(x
i
f
i I
M y
xx c
hy =
Ej:Sea Y una ven continua con fx=e*, x20.
a) b) E 2X
=
-
1 d) T x 1
= +
1 2
4
si X=
-
x =
0 si Ye ↳
x1
= =
cW 3 =
-
e)R
x
(X
= 1)2
+
1 si YEX = /z
2 0.2
Solución
.
a) X -x [0,+00) =
fx(x)
-
8.
i
en
1 -
I -
i
I I -
X
-y {-1,0,1,23
*
es discreta
y Py(x):
una va con recorrido =
Y Py(x)
1 PrIXE-1) PrIxxx)= =
axfex ax 0,394
=
0 PrIEx1) =
ex
=
4x 0,2386
=
1 (ex dx
PrIEXE) =
0,1410
=
⑧ ⑧
-! ↓ i Y
3
b)
12 z
-> = [ 1, 00
-
+
fz1z) dz Fz(z)
..
=
- 1 -
=*d=(*exa 1
=
- e*
fz(z)
Luego: felzl=b Fz1z1 dy (1- e) e
= =
k
fzz) 12
=
e ,
z([-1, 0) +
Z
-
(W 1 =
-
x/3 -w = 1
-
00, 1]
W
falwl= de Fr, donde Fwl_Pr(W=w)
-1
3.
-Ru
trememax Fw(t=Pr(1 Yz =
w) Pr) s =
w 1)
-
- -
=
ummmmmmmm
-
=
Pr(X 1 w) Pr(x23(1 w))
-
=
-
Fad_(ex_eee 3(1 ()
-
Irego:full= d (Ce 3
= ee
full 3ee",
=
(-0,2)
we
d) T
=
x 1
+
I -2 =(0,1]
+
·mini -RX
X
-Pr)1 tx t) Pr(1= +
=
-
tx)
t =
exa
-(X 1) +
-
-
1
=ee
1
I -
Y)
frlt ee =
,
tE(0,1]
Transformada de un vector discreto a variable discreta
Función definida en
Todo axy
X -----,
E >9.
>Z g(X,y)
=
Y
a variables variable discreta
discretas con
con
pruf
jpmf
Px, (ix Pz(z)
Y Z
Pudus
Ej: las va xxx
con jpmt
X Obtener:a) Z X X =
+
en
0,1 b) W XY =
- ↑
0.2
dR Yx
-
0,1
=
- .0,2 . 0,2
-0,1 , 0,1
d) Tmax(X,y)
=
I I 1 I I A
0,7
don"
i Y
al
2r=12,4,5) ae
18,7
0,2
0,1
0,1 6 ! ↳ Z
Función NO escalonudy
definida en todo axy
X -----,
E >9.
>Z g(X,y =
Y
variable continu
conabun
jpdf
con
pof
fz(z)
fx, (ix
ex, M
I
fza
(t prz =z) 4PrIgux=z)-yda
= =
=
Si xyx son independientes:
"Tiempo
* en minutos que tarde Ana eligiendo un articulo"
*
"Tiempo en minutos que tarde Ann pagando"
a) T"tiempo total
=
de permanencia de Ara en Infienda"
b) R "razón entre
= tiempo de pago y fiempo de elección
"
Solución
al Tx x
=
+
0 0
Caso t Caso 2:
1: 0
t20
=
X
t
t
M A
t
1b
=
-
Em_(en" -Seren a
0 ,t 0 =
tr
terer' seite,
S
0
it 0
=
-> -
2t
ta
filt
2e(1-e4, tIo
filt) =
E 0, 0.2
en t
1,f(i) =
R
b
=
r20
r=
0
Y
1PrIYxEv)
It PrIXEr
=
Caso VO
I
0
djorzetedyck E izk
10
=
Eur =
=
1 -
1
ir - 0
fair=Gr(1-122r) 12zr =
fr(r)
0
e
en
fair (1
2
2r)2,820
+
="Precio
* de compra de una accion en millones de pesos"
="Precio de vente en millones de pesos"
I
Determinar
2 -
farm
M max(Xix)
=
Fam=Pr(Mem) PrIXEmRIE
Pr(max.Em!=
=
)faix dx dx
Ene
'm
X
Caso 1: 0
m= Caso 2:OFMES
I I
2 - 2 -
1 - 1 -
32X
m_
*
I !
-
m
Caso 3: 1m=
2 = Caso 4: M7 2
I mx
2 - 2 -
1 -
1 -
32X 32X
-
-
Im m
O ,sim 0
Enf)y dediment I
=
0 Jim =
0
,
amrm, si se en
I Si m32
Gran
0,si 0
m = fr(m)
Si m=
O= 1
falm) am Fr(m_
=
↳em-44m2, si 1xm =
2
1
0, simzz
DesaNazare ultima
clase presencial.
Varianza desviación Estandar.
y
-Sea X ung v.a (discreta o continual
-
Varianza:Var() > Caracteristica o medida de In dispersión
relativa de la distribución de probabilida
de X alrededor de so media.
i
Var(x)
pequeric
VarIl grande
Exx)
inex Est
"Alta concentración" "Alta dispersión"
Var(x) [ux2]
Var(Al cantidad determinista
Var(A) E/[X-E(X3
=
= E(XY E( +
-
2XE(X)) ECIENTY+
PXA)
**
04
0,3
0,2
-
0.1q =
al
E(x
2 x.p(x)
=
-
=
1(0.2) 0(0.4) f(0,3) 2(0,1) 0.3
+ + + =
b)
EX1=/fad=x (2 -x2)dx 23 =
u
ENY=fxd=1-xdx =
Ya
VarIX) s =
- 1sul Yg =
u2
ElX"), Momento
nez de orden de la v
1) Var(K) 0.
=
fl
VarItA)=El(A+Y-(ECA+)"
A
fee**
VarIXt=EIXY-[EI]
VarA+) Var()
=
3) Var(AX) KVarIl
E/CAXY- [ECIN]"
=
VarIKA =
fx(x)
-
-
KE/AY
=
-
K2TEN]"
KTENY- [EAT"]
=
Var(x) K2Var(x
=
Depende de la escale
-
-E(XX -
xE(x) -
EXIX EX)E(x)
+
Cov(XY=
EIXY-EIXEIY [u.n]
Propiedades de la Covarian zu
Notu
1) CorIX, X1 Var(X) =
5)
xxYindependientes:Cov1XX 0. =
Desvinción estandar
O Var(' =
[m]
Coeficiente de correlación
11 -
1=P(x,y) =
1
No correlacion
P(x,X) 1 =
siks70,-1 sik10
3) P(X k1,X k) + +
0(x,y)
=
5) Ky independientes ((X.X) 0 =
I a/8
2) Xy va discretas con
jamf 1
No
③
·
X
183/g
2) X, X
-
2 -
fx,yM
1 -
5X
- Pxx
/g
Solución Ig No
X EIX) 0 =
2) 2x
{
=
Py(x
38
3/g
E?'s
28
-ex =
-
E(X) 0
=
X no
y son independientes
a) Cor(X.x1=EIXY)-EIXEIY
E(X4
Izxxky f- 210) (0)(1140 (0)(148 (11/0148
= =
+
+
+ 0
=
bIX.y
*
=
0
=
3"Vark)
= + 1-41Varx +
21536-41 Cov(XX)
9(48) 16(6)
=
+
= 574
d) Var(xY E/XYY-TECY
=
EIY-
-
[EIY]
Ex_fandym Eu
2) al
aa
EM).sy aydx
Exxx ydydx
b) IXx lo
=
x Var()
=
F VarI'
=
3"Vark)
= + 1-41Varx 21536-41
+
Cov(XX)
⑧
9TENY-TECY +1c[EMY-TEC5
=
d
CAPITULO I
Ensayo Bernulli
-
P=
0 = 1
P Pr)"exito"),
=
1-P Prl"Fracaso")
=
Distribución Bernull;
-
Sea X
und v.c discreta que registre el resultado del ensayo bernulli asi:
1. "Exito"
X
Yo,
=
"Fracuso"
2 -
Bernulli(p)
P(x)
Pxx-15P,
X0
=
P
,
,
X1
=
1 -
P
r.w
k
0 1
-
Six~ Bernulli(p) , Xes una va Indicador del evento "Exito"
p) 1x
+
(p) E(x) P
=
=
Distribución Binomial
-x50, 1,2,
=
.
..,
43
· PI Pr(X=0)
=
Pr(Enfents
= n
...,
nEn) PrCE).Pr(Fel..... Pr(fn)
=
1 -
P 1 P -
1 -
P
Px) PrIX0) p
(1-
=
= =
11
4** 1
p)
-
nP(1
1
E
F F. 1 . F 4(1- p)4- =
-
F F E... FP(1-p151
FF
F . .
.
(P(1-p(n- 1
(1)
Eventus Excluyentes (H
·
Px(x) PrIf=21 Pr(EE ...
=
41-42
-
(2),p41
=
=
p(n
-
E
F E. 1 . F41- p/n-2 = -
E F E . . .
441-p(n-2 n(r
F FE (PY1-p(n-2
.
. .
Eventus Excluyentes (H
En general
P() Pr(X x)
=
=
(2)p(1 p(n,x 90,1,2,...,n3
=
-
-
() in x x!
=
-
Caracteristicas de la distribución binomial X ~ binomial (n,p1
123456789101112
X Ve X. . . ...
2 Xiu Bernullile), it(1,2...., n3
100100010010
Luego
X= Yi, donde Yik,... Y son va iid con distribución Bernulli (ar
Binumial(n, Bernulli(p)
distribución Bernulli
"
Media
EX1 2xex ()p x p Dispendioso
-
=
-
Variunzu
1 Y3=
identicos e independientes
"
-(11)**, xe90,1,2,3,4,53
X
~ binomia) (5,2)
Distribución Geométrica
uno con la misma probabilidar de éxito P. Sea X v.a discretu are repre-
X -
geométrica (p)
-ex [1,2,3,
=
...,0}
¢x Pr(x=x),
=
X [1,2,3, .,00} .
.
Px(1) Pr(E1)
=
P
=
P 1 - PP
Px(x) (1 4) 7.p
+
-
p*,
=
xe . .
X -
geométrica (p 0,002) =
0,002(0,948***, xe[1,2,3,
* *
bl
PrIX100) 4x(1) Px(2)
=
=
+
...
+
Px194)
+ 4xxx)
=
20,00210,998)
x1
geométrica
=
Sumn
b
EUF 0 b 1
+
1 -
r
0,948
Pr(x200) Px1201) =
4x(202)
+
+
. . .
4x100)
+
= 20,00210,4481-
0,002x0,94810,948*
=
000 0.948-0,448888 0,4982 0,67
=
0,948
X
1 -
0,948
=
=
au2x0,948**0.002x0,948
**
-4x
245
-
on 0,448
el "Ann gane In loteria por segunda vez el dia 225" "Ana gunu In loteria
una vez
en los primeros 224 dias y gunu loteria el din 275"
Z
= "número de veces are Ann gann la lateria en los primeros 224 dias"
"
Z- binomial (n 224,p0,002)=
=
Webernulli (p 0,002) =
1
2 3...
0,0008556
=
Distribución Uniforme
X- Flabl
·
Densidad de probabilidad
fx b
-
a
fi_) ba, a=
: i X
A
I I
b -
a
EK1=Aad= I.
b
dx b2 a2a b
Media
2bala
-
21b
=
a) 2
=
(9 b) (6,
=
·
Mediana es igual numericamente a In media
-
Jeneración de numeros aleatorios en computaduras
-
formación integrall
-Modelamiento del ruido de cuantificacióncuando se digitalizan seriales
-
al
-1. .
. . .
ex[ 1,6]
-
X-VF2,6] (fx) =
je
7,
= - 1EXES
*,
·..... "
PrIX 0)
=
fuck fid E.
= = = 4
=
*, i
1 ... .
. .
-
b) Pr((x -
1)
31 = Pr(-1 X 3 1) Pr)
=
= - = =
-
1 +) X
= 3 3=
-
1+
1) Pr(2 X4)
+
=
= =
=exd (a E =
=
4
=
*, i
-
1 812:5!
Teorema:
Uniforme COR:
L
W- UTc.a+d, c. b
d]Si
+
(70
masa
La transformación Integral
Sea X run va continua con pdf arbitravin fxy cdf Fx). Sea X In
esto es X-F[0,1]
Aplicación:
·
Simulación de variables aleatorias (
S: Y Fxx =
-
U[0,15, entonces Fx M Fx (F (x) =
x drade Exc es la
inverse de Ex
Fi) X =
X F(X)
=
X- [0,15
distribución [[0,1]
-Modeln una
gran cantidual de fenomenos aleatorios de In naturaleza y
de la cotidianidual
Descripción matemática.
Sea A una va continua con recorrido 2x = ( 00,001. Se
-
dice are
*
sigue una distribución Normal con parametros MER y
2
22
fx) f
=
e
5:Parámetro de Escake.
X -N(M, r4
-
-
M
r in
z
·
Varianza: Var (X)=i2
.
Mode: Mo(X) M =
·
Mediana:Xoo M
=
Propiedades de simetric de la distribución normal.
PrIXEa- al PrIX-m + al
MAllin
=
e-d utc
is
- 2Pr(n =
=
Xn a) = +
=1-2Pr(XM a) = -
2Pr(X >u a) +
Var(X) 1 =
1
24
y
Función 1
Funcion Q
->
e
z -
N10,11 esto es:
(t=PrIZet) =
da
-
9(t=PrIzt=
(e de
fzlz)
I(t) + Q(t) 1 =
"
①(t) I( t)=
-
I(t) =
Q(-t
-
=
=
Q(-or) 1, =
Q1+00) 0 =
X -
N(an + b,a =2)
Terremn de In Estandarización:
Sen
un von Normal de la forma X-N(m,r4. Para calcular In
Aud= ane
ix-ul No se
2 x2 analiticamente
Primexexs= dx
PrIx=XEx) Pr) =* = *E
=
Pero (a *
* EX N(0,1)
-
-
v. =
-
E(*=4) 0
=
Var(*) 1
=
Por lo tanto:
PrIxeXE) Pr(** z *E =
= =
N10,11
donde z
XIM
=
-
"Potencia
* de la serial que llega al Rx" [Watt]
X -
N(10,4)
fxx)
- lo lo
A
8EM),
X
Pr(x 8,64) - Pr) =
= pero = z
=
-
N10,1)
Luego:
PrIX-8,64) Pr(z =844,10) Pr(2x 0,68) 0( 0,58)
=
=
-
=
-
a 11,0W
fxx
-.n
/
I A
2 10 11,8
Pr(YE * -4)
=
+ PrIYE y 11,84) Pr(Z
=
= -
%( 1,5) [1 010,9)
-
+ -
0,0668 [1
=
+
-
0.81595 0,2504 =
Si se sabe are y potenciaes menor a la media, Probabilidual de
- =
Pr(x 10)
-
Pr(X 10)
=
=
Pr(z 0) =
&(0) -
(1-0,25) 0,5-0,4013
= 0,1974.
=
0,5
&(01