Procesos Estocasticos

Definicion:Un proceso estocastico

loproceso aleatorial es una función crya

amplitud en cada instante es una variable

aleatoria. Los estocristicos
procesos se simbolizan
con X(t, YCE, EIt), etc donde tes la variable

tiempo, la cual es deterministe

HA -Vice

minixenie
te he ts by

Unproceso estocástico es una infinita de

sucesion

variables aleatories, una para car instante det.

Definicion Alternation:Un proceso estocastico es un

generador alentorio de funciones del tiempo. Luce

·
fración del tiempo particular que puede generar el
proceso estocústico se conoce como Realización.
 *-
d

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

Es el urmero de variables aleatorices are determinan

el comportamiento ad proceso estocrstico

· Distribuciónde primer orden

Es la distribucion de probabilidad de la V.A X(t), en

cualquier instante t.
*Si X(t) es de ampliful continue, X(t tiene una

polt de primer orden

fxit aue satisface lo siguiente:
 il
fritIDO, Fx, te
iiltd= 1, It

*Si X(t) es de ampliful discrete, X(t tiene una

polt de primer orden

prit aue satisface lo siguiente:

ilP, 7/0, txit ii) Py(x,t=1, t

X(t

si
t

Ejemplos: Graficar algrues realizaciones de los signicutes

procesos estocásticos

drude Ambinomial(ne, pert

al XC4-[5 utez,
Tiempo continuo esta definido todo t
5 un

1 grado de liberfull Solo tiene 1 v.a in este

*
caso A

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) XIt=ASen (t), druck A -N(1,4)

i
Xz(t) 2 Sen (t1

3
=

Xt) 0,8 Sen (t

=

X (t) 0,3 Sent

=
-

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

Promedios estadisticos para procesos estocasticos

*Función de Medin: Sea XIt un proceso estocristico.
↳a funcion media denotada como Milt), es una funcion
are registra In evoluciónde In media de XIII conforme

pase el tiempo. Se define como:

MxCH EIXCt]
=

SiXtel es de amplitud continun Sixeles de amplitud

discret
Mxt= 1x. (xit dx
Mxt
24.PX(x;
=
 Función de autocorrelución: Sea
* XIt) un proceso

estocástico. La funciónde autocorrelación, denotada con

Rxt,te), es una funcion de los dos instantes to y te

que determine quetan correlucionada, está el proceso

consigo mismo. Se define como:

RxCtrit) = EXCta). Xtl], Ite, Ftz

Potencia instantuney:Sea
* XCHI un proceso estocástico.
Su potencia instantines, denotada con lt) es una

funcióndel tiempo duda por:

x(t E
=
[Xt] .
It

Energin promedio:Sea Alt)

* un proceso estocstica. Su

energin promedio denotada como Ex es una constante

positiva deda por:

Ex Eltat]= (Exe] 1x (tdt

=
dt =

:.
SiEx=00, el proceso es de "Enersia Finits"
 Potencia Promedio: Sea Alt
* on proceso estoccistico. Su

potenciapromedio denotaly cn x, es una constante

positiva dada por:

* Elr(tar) drt
=

=
dt

:Siu = =0, el proceso es de "potencia finita"

:Si E =
00 -> E0=

:Six 7 0 -> Ex 00
=

Ej:Dado el proceso estacústico:

At, o =1
X(t) =
E O, 0.2
donde A-N144)

calcular:

al Distribucion de primer orden al Potencia instantanen

b) Funciónde medic 2) Energía Promedio

a) Funcion de autocorrelación fl Potencia Promedio

 Solución.

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

At-N (21, 4t2) E

- (x - 2t)2
2 ot

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=)

a) Distribución de primer orden blFunciónde media dEnergia Promedic

xt) fw(w)
2 13

-
-

.n i
t -

a) XItles de amplitud discreta,

-Xt) {0,2}
=

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

· Proceso estocristico de tiempo continuo,amplitud

discreta e
infinitos grados de libertad.

·
Permite modelar muchos fenómenos de la cotidianidad

como por ejemplo

-

Trafico Vehicular/Aereo.
-

Tráfico en redes de telecomunicaciones.

-

Tiempos de espera/Atención.
~

Falles en sistemas de servicio.

-Desastres /Accidentes

Un cadena de ocurrencias de
proceso poisson un
·
es una

mismo suceso puntual (Acontecimientos del mismo tipol

a lo largo del tiempo

I 8 · ..., t

Ocurrenciaspuntuales en instantes de tiempo aleatorios

Propiedades del proceso Poisson

1) Las ocurrencias
en intervalos de tiempo que no se

traskepan son estadisticamente independientes (sin

memoria

2) El arinero promedio de ocurrencias en un intervalo

de tiempo es proporcional a la extenciónde dicho
intervalo

3) El número promedio de ocurrencias en un intervalo no

depende de In ubicacióndel intervalo, solo desc

extension(homogeneidad)
4) El tiempo se puede dividir en ranuras de tiempo
infinitesimales, donde and ranura es un
ensayo Bernull;
-

Éxito:Ocurrencia
-

Fracaso: No ocurrencia.

Por tanto no se considery la posibilidual de ocurrencias

simultuneus,
Se define In "tasn de procesp Poisson"lo Frecuencial

como el número promedio de ocurrencias en una unidad de

tiempo de referencin. Se simboliza con is

y es el

unico parametro del proceso. DER

Ilustracion del proceso Prisson:

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

Sean Me, Mr. ...

Mc, 2 v.a independientes, cada una con

Miz Prisson (x:), entonces:

N
Mir
=

Poisson (Exi)
Tiempo
#> hasta la primera ocurrencia (tiempo entre ocurrenci

as consecutivas. Distribucion Exponencial

="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

parametros ky is, esto es:

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) *
= =

Scan Ae, An...., A, 1 via id con

X:~ exponencial (X), entonces

* XiwErlang (2,7)
=
Ej: las llamades que ingresan a un conmutador telefonico
siguen un proceso poisson con un promedio de: llamadas

cade 5 minutos. Determinar:

a) La probabilidad are en un minuto cralaviera no llamen
b) La probabilidual de que en 30 se ingresen 2 llamadas
dEn promedio "Crantas llamadas se registran en el dia?

d)La probabilidad are en el primer minuto ingrese al menos llamacks

y enlos I sigentes no ingresen lmaclas.

2) La funcion de probabilidad para el número de Kamacks en

I hore

#La probabilidad en we entre 1546 llamada, transcurran

almenos 15
Segundos.
9) In probabilidad en we entre 1549 llamada, transcurran
menos de 3 minutos.

11 +
+ x + >
X
= 3
llamadas/5min
= 3(5min)
a)
5min -> 3

1 min - >
X
31 0.6
=

N "nimero de llamadas minuto

"
=

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) =

Puln 2" 0,3",

=

n 0,1,2,3
=

n!

Pr(N22) PIL = +

PrID) Patt...+ + etc

EPrin-es
=

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

=[2-Pr(21]Prim=0) [1 Pa] pme- o)e =

-

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

X:"tiempo hasta In 1 ocurrencia" [S]

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

y "tiempo entre la 5090

=

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)
=

24mdy= body, fas"y de

=

->
Muydispendiosa
Otra forma:
*

Pr ("la 4: llamada ocurre antes de los 3 min")

=PrC"en 3 minutos hay40 llamadas"(

mas

Seu N= "número de llamadas en 3 minutos"

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.

Si n las 9:01 todavia no recibe Humudus desde que

llega al conmutador, cual es la probabilidad de que le

primern lamude ucurnantes de las
9:03 Am?

en

9ids de dos dest

*"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

Caracteristicas temporales del

proceso poisson
. Distribucion de primer orden

.
Funcion de media

·Función de autocorrelación

. Unde telegráfica.
N(t)

i
NIt): Proceso Prisson
↳ Número de ocurrencias en

función del tiempo

 Distribución de primer orden
*

NIt) Es un proceso de
=
tiempo continuo y amplitud discreta

par tanto, NIt tiene una prufde primer orden

dada por:

Pr(nit) Pr(NCt n)
=
=

NIt="número de ocurrencias en el intervalo [0,t]"

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). ]
=

Poisson (Ate) Prisson(Xtz)

· Sitz ]
ts

ReCtetz) E[NCt).
=

NItal] NCtel NItal no son

y
I 7
t
In [2 va independientes, pero
me
V(til
N(t2) N(t) M(tz te)
=
+
=

en
~(tz)
Donde M(tr-te) es al

"número de acuencias en el intervalo

It, tr] "er Poisson (X, [tastri)

donde NIte) y
Mitartel son von
independientes, asi:

Britt EINCt). [NIt) MIt-t]]

=
+

ET(N1.13]
-
+
EIN(t(MItz-t1]
=Var (Niz)) +
(EINCEl] ETNAl] EIMIt-t1]·

= xt1+ (Xt) + xt.x (te- te)

Altit Xte (2 xt), text

=
+

Rultertz) =?, texte

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
-

Infinitus grados de libertad

Distribución de primer orden:

*
 Probabilidual Procesos Estocisticos 436
y
Jueves
Contenido: 9:30 -

11:30

1) Fundamentos de In probubil. And

[ 2) Variables Aleatorias
3) vectores aleatorios
[ 4) Operaciones y
medidas sobre variables
clentorios
5) Distribuciones de probabilidad Especiales
[ 6) Process Estocasticos

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

Rume de la matemática usada en muchas ciencias

aplicadas.
-

Define el concepto de incertidumbre/aleatoridad

desde un punto de vista cuantitativo y define las
leyes fundamentales are be rigen.
-
Define herramientos analiticas para el calculo
de probabilidades (Variables aleatorios, rectores ales-

forios, valor esperado, varianza, etc).

-

construye modelos matemáticos para describir el

comportamiento de los fenomency alentorios.
Idistribucion de probabilidad, procesos estacústicos, etc.

Espacio muestral
El espacio muestral de un experimento aleatorio es el

conjunto de todos los posibles resultados del experimento

Es el universo de resultados. Se simbuliz con .
Tipos de espacio muestral
>Numerablecontable
intes
No numerable/Denso

Eventos:
Un evento es cualavier subconjunto del espacio of

Los eventos se simbolizan con letes mayosculas.

y se expresan en forma puntual (textral) o a

travésde una preposición equivalente dentro del

contexto del experimento. Un mismo evento puede tener

varius proposicions equivalentes.

Ocurrencia de un evento:
Un evento arbitrario Ase dice are ocurre si al llevarse

a cabo el experimento aleatorio el resultarle es un elemento

de A,de lo contrario, se dise are el evento A no ocurre.

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
-

Corrientes:Ocurren algunas veces -> Incertidumbre

-

Seguros:Ocurren In totalida de las veces -> Certeza 2

=

Imposibles:Nunca ocurren->Certeza. -> O

Ejemplo:Se lanza un dudo y se observa el número are sale.

a) Definir el espacio muestal

b)Definir eventos corrientes, seguros e imposibles
2) Cuponer un resultack para el experimento e indicar cales

eventos occurer.
a) e { 1,2,3,4,5,63
=
o Numerable finito.
y

b) A: "El número que sale es par" {2,4,63

=

B "El nimero que

= sale es multiple de 3" E3,5}
=

C: "El nimerque sale es interior a 5" 51,2,3,43

=

D "El número
=

are sale es superior a +" 34.5,6}

=

E:" El número me sale es inferior 48,6" & 21,43,4,5,63

=

F:"El número are sale es multiple ie7" =4

E [1,43
=

1) Resultado finall 3 =

Ocurrieron:B, C, E

No ocurrieron:A, D,F, I

Operacionesbásicas eventos
de
a
1) Complemento
-Notacion: A

~
"

proposicion:Al="noccurve A" i . A es un evento

-

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

Operaciones compuestas entre eventos

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=
=

"Ocure Any Garretay Ocurre An" "Overen tacks"

-

Diagrama de Venn:
R

Az

Ai
An

n3 =
es un evento

A3

3) Union Iteruck
-Notacion: ArWAcUAeU... UAn= ti
-

Proposicion:Ai="Ocurre almenos 1 evento"

-

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

Igualdad de eventos Dos eventos son iguales si se

cumple que:

ACB Y
BCA
-
Eventos mutuamente excluyentes:Los eventos
Al, Az, ...,
An son mutuamente excluyentes si:
Ai 1Aj d =

para todo itj

&
Al Ay
A2
Aj
As

Eventos colectivamente exhaustivos: his eventos

As, Az,.... An son colectivamente exhaustivos si:

Ai = R

M
-Particion de un espacio muestral. Una colección de

eventus An, An, ....

An constituye una partición del
espacio muestral si dichos eventos son motramente

excluyentes ycolectivamente exhaustivos, es decir:

 #) Ai Aj 0,
=
itj
#VAi=e
ch

Grafisamente:
/

An Au
As Ac
Ac
A5

Diagrama de árbol cumple:

A1
Az
& As
:

An

Nota a cera de particiones:

·
Un partición es un forma alternativa de expresar a

Cuando
·
se llern a cabo el experimento aleatorio, si-

empre ocurre un evento de la partición.

·Los elementos de of constituyen como tal una

partición del espacio muestral. "particion demental"

Algunasparticiones comunes:

·
En terminos de un Evento A. La partición seria EA, A

denominada partición binaria"

t
A

Al
③
A
Al

·
En terminos de 2 eventos arbitravius A y
B Una

participación posible es EAnB, AnB,

1 2 AB, Ale
denominada "partición cunternaria"
E

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, (

[AnB1C, AnBC, AnBYC, AnBY, AnBC, Ant

5 S

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

Ei:Se lanza un dado y se observa el número are sale.

Definir a partición octal del en enterminos de

A: "El número are sale es par"

B "El
=
número ave sale es multiple de 3"

C:"El nimero are sale es menor are 5

"

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

Dado un evento arbitrario A, relacionado con un experimento

aleatorio con espacio inuestral en Jupongase are el expe

erimento se repite n veces, donde auda repetición se hace

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

"La probabilidad de A, es la proporcion de veces are

ocurre A, crando el experimento se repite infinitasveces

en condiciones identicas e independientes"
Axiomes de la probabilidad
La probabilidad es ante todo un operador are tiene
como argumento y
retorna un armero real entre 041
 Prl" evento") =

0 < 1

i) OE PrIAl= 1, para cualquier evento A

ii) Pr)-) 1, para
=
cualavier in

iii) Si AyB son excluyentes, Pr(AuB) PrIAD+PrCB)

=

Leyes derivadas de los axiomas oleyes de l

probabilidad:

1.) Pr(AY =
1 -
Pr(A)

2)Pr(¢) 0
=

3.) S: As As..., An son mutuamente excluyentes

Pr(i) ZPr(Ail=

Si A1, An, ....

As constituyen un particion del

Pr(Ai) Pr(2)
=
1
=
4.) Pr(AnBY Pr(A)-Pr(AnB)
=

5)Pr(AuB) PrAnBY = + Pr(AnB) + PrIA'nB)

6) Pr(AuB) Pr(A)
=
+ Pr(B) -Pr(AnB)

7.) En general, Pr(ti) Pr(Ai) cota de la unión

8.) En general, Pr(Ai) min (Pr(Ae), Pr(Az), . . .

.
Pr(An))
cota de la interseccion

9.) Si AC B, PrIAlEPr)B) Ley de absorcion

Calculo de probabilidad en espacios muestrales

discretos
La probabilidad de un evento arbitrario A
pertenece a un espacio muestral discreto en

es igual a la suma de las probabilidades de los

elementos pertenecientes a A, esto es:

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

A: "In letra escogida es vocal"

A 2a,e,i3
=

Pr(A) Pr1Eu3) = + PrCEe3) + PrIEi3)

=Ya + Ya Ni
+

PrIA) *1
=

Ej: Sedige alentoriamente un estudiante de un

colegio. In probabilidad are practive futbol es

de 0,7, In probabilidad que practique basquet

es de 0,35
y In probabilidad are practive futbol
Y no basquetes de 0,48. Determinar:
a) La probabilidad are practique ambos
b) La probabilidad are practique almeno I deporte
-La probabilidad ave no practique deporte
d) La probabilidad me practique basquety fulbol no
2)
La probabilidad are practique solo 1 deporte
f)La probabilidad que practique solo basqueto ninguno.

F:"Estudiante elegido practica futbol"

B "Estudiante elegido practica basquet"
=

pr(F) 0,7, =

PrIB) 0,35,
=
PrIF1BY 0,40 =

a) Pr(FnB) =
?

Pr(F1BY PrIF)-PrCFnB)
=

0,48 0,7 = -Pr(F1B)

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 =

dl PrIB1FY Pr(B) -PrLB1F)

=

=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

Pr)B UFY PrIB) +PrIF) -Pr)BEd

=

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

sentudo are el Evento B yn han ocurrido,es decir,

es la probabilidad de are ocurra A, feniendo info
adicional acerca del resultado del experimento alentoric.
are
El evento se un por sentado se conoce como Eventa

condicionante y constituye el nuevo universo para el

experimento, se define como:

Pr(AIB) =

PrAnB), Pr(B) =0
Pr(B)
Propiedades de la probabilidad condicionante
PrAlB)
1) 0 = 1
=

2) Pr(21B) 1
=

3)Si Ay B son excluyentes

Pr(ArBIC) PrIAk)
* = + Pr)PIC)
Pr(AB)
* 0
=

Pr(B(A)
* 0
=

4) Pr/A1B) 1
=
-

Pr(AIB) -> Pr(A>/B') 1

= -

Pr(AlBY

5)Pr)P/B) 0
=

s) Si An, Ar, As,..., An son mutuamente excluyentes

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)

9) PrArBIcl PrIAn') PrCAnBICI

=
+

+Pr(AnB(2)
10) Pr(ArB1r) PrIAIC) =
+ PrIDIC) -
Pr(AnB (C)

Ej: Se elige aleatoriamente un estudiante de un colegio

PrIF1=0,7, PrIB1=0,35, Pr)FnBY 0,40 =

a) si el estudiante practica futbol, cral es la probabilidad

are practique basaret.
PrIBIF) PrIB1F) = 0,22
=

0,3142
=

Pr(F) 0,7

B) cual es la probabilidad de are al estudiante practicle

fulbol dado are practica baloncestr.

PrIFIB) Pr(B1F)
08, 0,6285
= = =

Pr(B)

c) si el estudiante no practica balancesto, proble de are

practica futbol

Pr(FIBY PrEnB4
=

= 0,48 0,7384
=

PrlBY 0,65
 d
PriFF4
PrICBY (F
=

PrI)Fin F") 1B']

=
PrCFB'
=

Pr(F)) PrCFY

= 0,17 0,5656
=

0,3

2) Pr) B IB4 F) 1 Pr(BY F4

=
= I
Pr (B'nFC

Al PrIF1B IFuB) PrICEnBIn(FrB)Y

=
(ellr) FeB
=

Pr(FuB)

PrCF1B)
- 0,22
=

pr (FrBl 0,83

Regla de In cadena de probabilidad

Por definicion:Pr(A1B) PrAnB) =

y
Pr)BIA) PrIBnAl
=

Pr(B) Pr(A)

por lo tanto: Pr(AnB) Pr(AlPrIBIA)

= Regla del cudenc
para 2 Eventos
=> Pr(B) Pr(AlB7
 Pr) secuencia
Pr(AnB) =
= PrIBIA) => de

↓ ↓ ocurrencias

Ocurrencia Ocurrencial Ocurrencia de B

simultanes de A sujeto y la condición
de AyB de A.

>A >
B ----> Ar
Pr(A) Pr(BIA)
---->
Pr/AxPr/BIA)

¿Cómo calcular PrAnBrC)?

Pr(AnBrC) Pr).AnBInC =

Pr(AnD) PrICIAnB)
=
+

= Pr(A) x Pr(P1A) PrICIAnB)

x

<Pr(A) Pr(BIA) Pr)clAnB)

= =

>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)

PrIB(A) PrCB) Pr(A1B7

=
=

Pr(A)

Teorema de la probabilidad total

Se tiene un evento arbitrario A
y
los eventos Baa.... en
los cuales constituyen una particiónde , es decir:

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.

Pr(A) Pr(De) PrCA1Be)

=
+ PrIBz) Pr(AlBz) +... PrIBn) Pr)AlBul
+

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

PrIBe), Pr(Be), ..., Pr(Bn) -> Probabilided a- priori de las

CUSUS
 Pr(Bi) 1
=

A s consecuencia
PrIA) < Probabilidad de la consecuencia

Pr(AlBi) >Probabilidades condicionales a priori de

In consecuencia

Pr(Bi/Al >Probabilidades condicionales a posteriori

de las Causas (Reyla de Bayes

↳u forma mas simple del teoreme de la probabilidad

total es cuando la partición de & esbinaria, esto es

{B, BB, asi:

Pr(A) Pr(B) PrIAB)

=
+ PrIBY PrIABY

&
A A

B
Al
B
⑧

A
BC
Ba
AC
Ej Las personas de cierta población estan clasificadas en e

categorias excluyentes, a saber, menores de edad, adutos

menores y adultos mayores. El 25% son mayores

de edad.
El 35% menores de edad el resto adultos mayores.
y
↳u probabilidad de que un menor de edull pudezin

problemas cardinicos es de 0,1, purn adulto menor

es 0,32 y adulto mayor es de 0,72. Se elige una

persona al azar. Responder

a) Si la persona degida es una mayor, cual es la probabilidad

de que NO sufre problemas cardiacos

3
M "persona elegida
=
es menor de edud"
Constituyen uno
A
"persona elegida
=
es adulto menor" particion de

V "persona elegida
=
es adulto maxor"

C="persona elegica tiene problemas cardiacos"

&

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
=

B) (vail es la probabilidad de are he persona sufre

problemas cardiacos

Pr(C) Pr(m)Pr(c(m) +Pr(AlPrICIA)

=
+ PrIU). PrICIV)
0,351011
=
+0,45 x0.32+0,2+0,72

Pr(C) 0,323
=

c) Si la personen elegida sufre problemas cardiacos, cual es

In probabilidad are sea un menor de edual.

Pr (MIC) Pr(M) = Pr([/m)

=
0,35
=

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(An PrIA) PrICA) =

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

probabilidad de are sufra problemas

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

Pr(cIv) 0,35 x0,1

=
+0,45x0,32 =
0,2237
1-0.2

9)si
la persona no
sufre problemas cardiacus, rial es la

probabilidad are NO sea un menor

Pr(M()(4) 1-PrIMIC4 1-Pr(M). PRC/M)

=
=

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

0i with C UnC 0,144 U

V
0, (V1 0,056
I

L
Pr(Ar 0,315 +0,144 0,306
= +
+ 0,144 0,821
=

Para fl con arbul

8. C MC 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
 Independencia Estadistica de Eventos

Dos eventos A yis son estadisticamente independientes

crando la ocurrencia de uno de ellos no modifica In
probabilidad de ocurrencia del otro, dicho de otra maner

el evento i no aparte informaciónrelevante a cerca de

In ocurrencia o no ocurrencia de A y Viceversa. Ay is

sun independientes si se cumple are:

Pr(A1B) Pr(A) =

Pr(B(A) Pr(B) =

Alternativamente, In independenciade AyB indica are

se comple he signiente de multiplicación

regla

Pr(AnB) PrCA). PrIB) Regin de multiplicación de In

=

independencia

Implicaciones de In independencia entre AyB

Si A ycon independientes, tambiénson independientes (n
siguiente pareja de eventos:Aly B, A y BY Ay B
Notas:
:Un evento A es independiente de si mismo? NO

:Un evento Aes independiente de su complemento?NO

↳S Ayam excluyentes, Ay son independientes? NO
:SiA y son independientes. AyBom exduyentes? NO
:SiA y B son independientes. A y AUB sun independientes?NO

Ej: Selanzun 2 dados legales, Determinar:

a) Si el ducto que par, cual es in probabilidad
primer
de are el segundo dack en el número 3?

A:"Primer dack Par"

caigy
B
"Segundo
= dudo
oninn em 3"

Pr(BIA) Pr(B) Y6 = =

b) (val es la probabilidad de ame el primer dusr high en

numero impar y el segundo en el número 3.

Pr(AB) PrIAY. PrIB) = 11-Xz). (16)

=
1 /12
=
 cril es la probabilidad de que el primer dude erigu

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
=

Independencia colection entre eventos 3 Eventos

Los eventos A, By su colectivamente independientes si

se cumple las siguientes reglas:

Pr(AnBC) PrIA). Pr(B). PrK)

=

Pr(AnB) PrCA). Pr(B)

=

Pr(AnC) PrCA). Pr(C

=

Pr(B1C) Pr(B) =
·
Pr(c)

Implicaciones de In independencia colection de A, B, C

PrIA'nC) PrIAD. PrIl

=

Pr(AnC/B) =

PrIAP. Pr(CI
 Pr(BlAU Pr(B) =

Pr(BUCIAY PrIBUC =

Disponibilidad de sistemes
Sistema:Interconexion de componentes are funcion de

manera independiente bajo un configuración especifica.

En general, para un sistemen de N componentes se define

los siguientes eventos:

Fi "d =

componente; funcione", i 1,2,3,....N =

S "el sistemy funcione"

=

A la probabilidad de S, Press se llama disponibilidual del

Sistema.

Los Eventos Fe, E,Es, ....

for son colectivamente independientes.
Configuraciones tipicus.
Configuración serie o luscuda.

Elsistema funciona si todos los

·L 2 3..... -
N) componentes funcionam

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 >

0,9 0,950,95 0.95

C >I
0,8

>28,75
⑧
0,8 7
73

0.9
>4

Solucion
a) S ((F-nEz) F3]Fw
=
r

Pr(s) PrIn F) FJF) Pr

=
r =
[TEnF) F3]. PrIFul
v
PrCSI[1-Pr)CFE)"nEs4) PrCEal

=[2- [1- Pr(EnEl] PrCEY] PrIFa)

=[1-[1-PrIE). PrIFz)] PrCEsY] PrIFn)

=
[1 [1 -

-0,9 0,45] x0.2] x0,9

x

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
-

[1-Pr(E" Es]. Pr(En)

=
[1- [Pr(EY. PrCF3Y] PrIFal
=[2 -10,1.0,2)][5,47

=
0,882
Si
* el componente 2 no funcione

PrISIE' 2 %8

0,3 3
⑤ 4 > = 4 ↳

0.9 0.8 0.9

3

0,8

PrCSIEY PrIFenyl PrIFs). PrIEy)

= = 0.8 x0,9
=

PrISIF 0,72 =

Cálculo alternativo de la
* Disponibilidad usando el terrema
de la probabilidadTotal

PrIS) PrCE). PrCSIE) +PrCEY. PrISIE'

=

= 0,95 0,882
x + 0,05 x 0,72

Pr(s) 0,8739
=

Usando el terrema de
* probabilidall total, Hallar Prisi an

In partición del espacio muestral {F3, Es's

PrCSIFs) =
.
4
Pr(SIEs) Pr/Fy) 0,9
= =
 1 - 4 -

Pr(S/F,Y Pr(EnznF3)
- -

-
-

=
=

=0,9 x 0,95 x0,9

0,7695
=

Pr(S) 0,8x0,9 +0, x0,7695

+2 décimas
=

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

real cude elemento de 1.

i

⑧
⑧

B
W
⑧
~
I I
11 11 1 R
D
X(w)

Una variable aleatoria X es una función de In forma:

X: >

w cX(w)
·
Lude posible valor que puede tomar A se conoce

como "Realización de A" y se simboliza con 1.

· El conjunto de todos los valores are puede tomar A (conjunto

de todas las posibles realizaciones 1) se conoce como

"Recorrido de X""Soporte dex"y se simboliza 2x.

·
exes el nuevo espacio muestral, es el "universo" de X.
Tipos de variables Aleatorias.
Según la naturaleza del recorrido, las variables aleatorias
se pueden clasificar en:

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 >

Cómo surgen las variables Aleatorias?

En general, podemos afirmar que al resultado de un

experimento es una variable aleatoria si se cumplen 2

condiciones:

El
#) resultado del experimento es incierto
#El resultado del experimento se puede expresar a

travésde un único número real.

Notacion para variables Aleatorius.
Se simbolizan con letras mayusculas como:X, Y, z, T, etc,

sus recorridos se notan hy, y, hz, RT, etc, y Jrs realize-

ciones como x, y,z, t, etc respectivamente.

Ej:Setiene un experimento alentorio que consiste en

lunzar 2 dados legales. Uno rojo y uno azul. Determinar cuales

de las siguientes observaciones preden ser consideradas

como v.a. En caso afirmativo indicar el tipo de variable

al are corresponda.
a) "Numero que sale en el dudo azul"

Variable entoria ->

Discreta
b) "Tiempo are tarda en aredarse avieto el dado vojo"
Variable aleatoria -> Continua

c) "Color del primer dudo que se queda quieto"

No es variable aleatoria -> Resultado es Rojo o 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

o) "Suma de los números are salen

"

Variable Aleatoria -> Discreta

Distribución de probabilidad de una variable aleatoria

La distribución de probabilidad de una U.a. X es una

funcion are asigna probabilidades o verosimilitudes a cada

elemento del recorrido.

Las
* va discretas tienen un "funcion de probabilidad"

(pmf: probability mass function")

Las
* von continuastienen un "funcion dedensidad de
probabilidad" (pdf: probability density function")

Variables Aleatorias Discretas

Un von discreta tiene usucinde un función de probabilidad
Px are se define como:
 PrIX =x), NXER
P)
=

la probabilidad del evento {X=x3 donde xeR

PX es

#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)
=

La funcion px) se puede expresar en forma analítica,

gráfica, función por tramos o en forma de tabla.
PX(z)
x
(Pr(X x)=

>z
Ej: Sea X una va discreta con pruf

Pyk=******,x 0,1,2,3 =

Donde k es una de positiva.

a) El valor de K e) Pr((x 212 2)
- =

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= =

c)Pr(x21) 4x(1) Px(2) 4x(3)

2
1
12
+
=
+ =
+
=

Otra forma Pr(XX 1) 1 PrIx x 1) 1 py(0) 1

E
- -
= = - = =
=

d) PrIXx3/X/1) PrIXS 1x11) =

Pr)1Ex 3) 4x4
=
-
=
4x(2)
+

Pr(xx1) PrIx1) 14/27

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 =
+

f(Pr(x21) Pr(Ix1 1) PrIX10X 1) PrIX1) Pr(t 1) Px(2)

2
=
= = =
= =
- + -
= =
=
=

g(Pr(sen(*2x 0) pxIr +12) a=

= = +

=
Ej:Se lanzan 3 monedas legales sen X In r., discreta are

represente el número de carasobtenidas.Determinar In pmf

="número
* de caras obtenidas al lunzur 3 monedus
legules"
>Variable Alectoria Discreta.

Ci "carn en la i-esima moneda"

3
=

i 1,2,3
=

Si= "selle en la i-esima moneda"

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

Px) Pr(X 1),

=
=
X 1,2,3
=
 48 *Px)
Py(0) PrIX=0)
=

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
=

·Sise sabe que hayal menos 1 sello, cual es la proble

de are los 3 lanzamientos hayan cuido en sello?

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

entonces se dice que A es continua. La distribución de

probabilidad de A
"
se denomina función de densidad de

probabilidad". In crail se denota como fiel y se define:

fxl=Lim
30t PrIx-EEXEx+E) [1 unidadx]
2 -

fxx) no representa In probabilidad del evento (X=x3, sino

In probabilidad por unidad de variable aleatoria presente en el punto.

La función fue se observe con la sigla pdf y satisface 2 condicis

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

va. continue X se define como:

Pr(Al
fxxdx
=

Por lo tanto, si A
es de la forma:a Xb =
=

Pr(a x b)
=
=

(fxxxdx
=

fxxl

>Pr(Al- area bajo In curva de fx

bre el intervalo ocupado por A.

~ D
ab
↓E

La probabilidad de un evento de Informa X =

c, esta duch por:

PrIX=)
fxdx=
=

lim fxs
* t -
0
=

Esto aviere decir que si es va

una continun, la probabilidad
de cualquier evento puntual es 0,por lo tanto {X=c}, con CEx

es un evento improvable."
Apartir de lo anterior, se deducen las siguientes igualdades para las

probabilidades sobre unriables aleatorias continuas.

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.

continua X cuya densidad de probabilidad se muestra en la figura.

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]
=

b) Calcular el valor de K, para aue fx sen valida.

2Kx, 0EX =
1

fxx) {,rw
=
1XES
,

JodexaEdx+dx k x! =
+
1=)k 2 1
= +
=

k 43
=

dicuál es el valor mas verosimil de X.?

X1
=

a) Cuál es la probabilidad de are In llamada dure menos de 90 seg

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?

Pr(xe/z -2) PrIK1 1 x 2) Pr11 x x 2)

=
=
x

=
( dx

Pr(xx2) Pr(xx 2)

I
Es
2

-
12 Sectrod
I E,

flSupongase are In potencias en watts are consume In llamada

estádada por:cual es la probabilidad de

que sea de almenos 17 w?

P4x2
=
+

1[w], = "tiempo de llumuda"

Pr(P)17) Pr(4x 2-77) Pr(4x2)/16) Pr(x44) Pr((x) 2)

=
+
= = =

= Pr(XIzux = 2) -

(X3dx+d
3 4

-Pr(xx) PrIx= -2) 13

,
+
= =
=

g) Probabilidad de are Illamude dure 2 min

y medio?

Pr(x2,5) 0. Improvable
= =

↳) Probabilidad are dure mis

de 4 min

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

el 90% de los datos

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

Función de Distribución Acumulada.

La función de distribución acumulada Cof de un via

X, se simboliza como Excyse define como la probabilidad

del evento EXEx3, donde puede ser cualavier número real, esto es:

#x11 PrIX=2), XER

=
Si es una v.c discrete: Si es un un continun

(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
=

* =

EXC+00) Lim Fx(7)

* = 1
=

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.

Ej:Determinar y graficar la colf de In va X="número de

carus al lanzar 3 veces una moneda legal"

7
 *Px) 2
Fx127 48 48 38
py Fx
(2
=
-
=
-
=

Px12.11 Ex12,1+) Ex12,17 46 7/8 0

-
=
-
=

No
=

48

- x3 Pr(X 2) Fx(2) 7/8

= =
=

xxxx)
8/g
· Pr(x> 1) 1

...
= -

PrIX 1) 1 Fx(1)42
= =
-

7/g
=

-
⑧
-

:
Fx()

6
0

Pr(1 XE3) Pr(X 1) Pr)1 X3)

=
=
=
+
=
=

=[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
= =
-

PrIX= 5Y" PrIYx 5 =

=

Fx Ex
=
-

552
= _

(y 3/4
=

jPr(7> 1/Xx 5/2)?

=Pr(k 11X 5z) Pr)1 x= yz) Fx(52)
x Ex(1)
=
=

=
-

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

al Es continue, monotown creciente

b) Pr(Ix- 1132) Pr(A-1720 =
x 1x
- -
2) PrIX3
=
uX= -

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

Una variable deatorio

indicador de un evento arbitrario A es

una variable discreta X are toma el valor de 1 crando ocurre A

1
O cuando no ocurre A. esto es:

1, siocurre A
X =
E 0, si no ocurre A

por tanto:4x(1) Pr(X 1) =

=

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

extraen I conisas al azar sin sustitución. Determinar la función

de probabilidad de la v.c. indicador del evento "Las 2 curicas

color.
"

extruidas son del mismo

 Ai="i-ssime canica cizul"

I
. ⑧
⑧ Ri="i-esima canica "
i=
1,2
roja

Bi="i-esima canica blance

"

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(

Sea X una via y sea A

un evento arbitrario relacionada cont.

La distribución de probabilidad condicional (otrrncudal de A dado A es:

Px(z) fx(z)

I 1 PrAparate
Pr(A) para XEA
,
PXA Discreta
* fxr= continua
*

=O,parx*A

Asimismo, la distribución de probabilidad "futal"de A se prede obtener

a partir de las condicionales como:

Px(z) Pr(A)P) + PrIA4PIX)

=

fx(z) Prsx1fx11) Pr(Afxz)

=
+

X Discreta A continua.

En general, si Az, Az,.... An son un partición de setiene que:

Px()
=

Pr(Ai)PX fxx) ZPrIAi) fxi')

-

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

Ej:Sea Xune un continua con palf:

fx(z)
2X,0 x 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

Ej. En cierto lugar la temperatura y la lluvia están relacionados

de la siguiente manera: Crando llueve, In temp en (oC) es una

v.a continua con pdf=6, para 15=x= 21. (vando NO Ireve, In

temp (oc) es una va continua con plf=No, para 16Ex =

26. Si

In probabilidad de are No llueva triplica a probabilidad de

are Ilreve, Determinar:

a) Pr de que In temp supere los 18°

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

Pr(x18) Pr(4) Pr(X>18))

= + Pr(LY Pr(X>1814

-+d
-Faxtra= I. E
+
=

5
+
0,725
=

b) Si In temp supera los 18%, cuál es la probabilidad de que

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

fx171 1 515,25* 3516,2634

=
+

7/00 -

Pur-

1/zu -

I 121 I ((0)
is'16 26
10 20 30
# Vectores Aleatorios

Un vector aleatorio es una colección de variables aleatorias (A.. .... (l

que se observan conjuntamente (simultaneumente)

También se puede definir como una función are transforma
cude elemento del espacio muestral en es una n-tupla de

números reales

Un vector aleatorio bidimencional es una pareja ordenada de

variables aleatorias (X.Y), las cuales tienen un recorrido conjunto

xy
->
y una distribución de probabilidad conjunta.
-
w Y
↳

-... (im, Yui

⑧

8
X
i
*
.......

Según la naturaleza de las variables X,Y, los rectores alea -

torios bi-dimencionalse se pueden clasificar en:

vectores aleatorios discretos:Cuando xyy son was discretas.

En este caso, y es un conjunto numerable de puntos en el plano
 Y
I

S
↑

X
I

-Vectores aleatorios continuos:Cuando xyy son vas continuas

En este caso, y es una region del plano
y
5------
rey
me Z

-
vectores aleatorios mixtos (rundo X es una v.u discreta y

es una un continue. En este caso, y es un

conjunto de rectus

verticales
By
-

""
"
"A

Vectores Aleatorios Discretos

La distribución de probabilidad de un vector aleatorio discreto

(x,Y se conoce como "funcion de probabilidad conjunta"(jpme), se

simboliza define
con
Payill y se como:
Pxy,y PrCA=1 nY y), FCYER2
=
=

Dicha jpmf satisface I condiciones:

#Px,y ,420, UCA,Y) EIR2

#2,2Pxy,4) 1
=

............
Px,y x,4)
Y

·an
.
0,15
I

·0,5

4
X
1

La probabilidad de un evento aleatorio Arelacionado con las

va's y se calcula como:

Pr(Al yeZ Px,y,4

=

Ej:Una urna contiene 3 canicas Azules, 2 Rojes y

4 blancas.

Se extraen 2 canicas al azar sin sustitución. Determinar jpmf

del vector aleatorio (X,Y),donde X="# canicas Azules elegidas"y

Y "A
=

cunicas Rojas elegidas".

 Ai="i-ssime canica cizul" (x,y)

Ri="i-esima canica "

A2> 472 (2,0)
roja 28

Bi="i-esima canica blance

"
A1 28 R2 2472 (1,1)
28
B2, 172 (1,0)
3/4
A23472(1,1)
3/8
24 Re
28 R2 > 472(0,2)
⑧

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

número de canicas rojas?

PrIX>Y)
PrIY-X)=+E2*
=

* Px,y
.4)

yX =

1672* 1472
Pr(Y -x 5/12 =

⑧ b) X
*

1772 2472 6/72

 Pr(Y x)
2 z e Ys
· = =
= =
+

=272 Py
yX
=

1672* 1472 -

2472
⑧

1772

PrIXE2Y) Pr(zy2x) PrIYIX2) 1 12

24
· = -
= =
=

=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
*

1772 2472 6/72

X1
=

Pr(max(x,x-1) Pr(xx1 wY-1) 1 =

2
· -

=
-

=272 Py

X1
=

1672* 1472

⑧ b) X
*

1772 2472 6/72

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

continua con recorrido y. Entonces (Xiyl es un vector ale-

atorio mixto con recorrido Ray, el cual es numerable resp-

ecto a X ydenso respecto a Y. La distribución de probabilidad

de (X.Y) se denomina "
densidual de probabilidad conjunta" y se define:

PrIXxnx
fxy(ix Lim, ezEy x 2) (Yy)
=
= -
= +

La densidual conjunta satisface I condiciones:

ilfxylIO, FIANERR2 sexy

iilfx,ykdy 1
=

La probabilidad de un evento arbitrario "fay"

poresc
relucionado con xxx estudado

PrA) -

alftiy da
Ej:En un sistema de comunicación digital, el simbulo transmitido

en un instante determinado es una va discreta A con recorrido

binario {-1, 13. Debido al ruido del canal. In serial observada.

en el receptor, es una va continua X cun recorrido (-or, tool
La funcion de densidad conjunta (X.Y estarsudy por:
IX 11
Yo
-
+

e X

I
=
X 0 =

1y 00
-
-
+
=
,

faxsea,
(2,y) =

XA xxxtoo
y
0 0. W
,

Donde y estan medidas en Voltios.

al La probabilidad de que el simbolo transmitido sea 1.

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

1-fe ayertay)i elay

I
prix
1
X
I

-bete"- beet =

y -

(6) Ys =

b)Cral es la probabilidad de que la serial obserunden en el

receptor sea superior y 1,50?

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

transmiticle en más de 0,50?

PrIY-x 0.5) Prixxt0,5)

I
=

=)easenedy
1,5

..
etatete"dy=
1
te" setet 0,3032
=

d) Si el simbolo transmitido es -

Av, cuál es la probabilidad de ave la

observación sea inferior a -1u?

Pr(Xx -1X 1) Pr(Xx -

=
=
-

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

simbolo transmitido haya sido -

IV?

Pr( =
-

1(X 1) Pr(X 11x 1)

=
-
=

Pr(X 1)
I

(edyene
enet

ese
I

~GetafertaX

=> 0,0633

Distribuciones de probabilidad Marginales y

Condicionales

Vectores Aleatorios Discretos

#

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

La función de probabilidad marginal de se define como:

PyM) Pr(Y =y)

=

2 Paycay, tyEry
=
 La función de probabilidad condicional de X dudo X-y se define como:

Pxy(xy1 Pr(x21y) PayY,

= = =
XE-x
Py(y)

La función de probabilidad condicional de dudo X x = se define como:

Pyxk1 Pr(Y=y(x) Pay(.x)

=
=
=
,
XERy
Pr(x)

La función de probabilidad condicional de la v.a X dude un evento arbit-

rario Arelucionado con Xy

esti dudo por:

Px) Pr(X=z1A) PrIX=anA), XE-x

= =

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
=
-

x pr(X+y 3) 0,05 0,1 0,05 0,2

=

=
+ +

I
012
X PXx y3(x)
+ =
PX1x y y(x)
+
=

0.7 9,05 100%,2 Y4

=
11

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:

Y 2x+ 2 Es un evento imposible, luego, no es posible

X

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 probabilidadmarginales y condicionales para

rectores Aleatorios continuos.

Funciones de
* densidad. Marginales
Sea Xy Y dos va continues cn pdf conjunta fay". La pay de

In v.a X se conoce como "densidad marginal de X "Y se

obtiene como:
a

PraEXEb)=fxd, pero fxxl=?

 tambien PraEXEbl=yadydyaydx
Pero se tiene

fx(x)

fxfyydy,
*
FER

ab

Asi mismo. In "densidadmarginal de Y" (opdf marginal del sera:

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) =

Para calcular Pr(a Xb X c)

=
= =
no es posible usar In definición

de probabilidad condicional, pues conduce a una

forma

indeterminada o entonces, se define un nuevo tipo de función

de densidad llamada "pof condicional de dudo X", con lo que:

Pr(a Xbx c)
=
= =

(xxxdy
=

donde frix es la "densidual condicional de X dado X", entonces

fxx(x) =
?

RXfxx XI & fxy")

fxxxx kfxy),
= K constante

" !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 (*) =

y < fxy(x,y) fy'

En general, para cualquier condicionante de la forma [V=y), se tiene

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

al La densidad de probabilidad de de compra

=)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

fx14) 34.x = 3y(1 k) 3x12

=
-

=
-

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

de are el precio de vente sea superior a750.000 pesos?

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

compra sea inferior a 600.000 pesos?.

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

alfx) affxXIl elfxy(x12)

bIfy(x) difxx(x10.64)
Y
2 -

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

d) fax (X12/2) fxy(*,x =

-
1 -

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

Dos variables abatorias y son estudisticamente independientes si

los valores que tome una de ellas no proporciona ninguna información

relevante acerca de lo otra. En otras palabras, el conocer A no nos

dice made acerca de X viceversa.

y

Matemáticamente, los valores y son independientes si se

cumplen dos condiciones.

I
*Si Xy son discretas E 1 I S

- S

i) 2xy 2x y =
=
- I & &
exy

ii) Pxy (x,x) px(x).pylx),

- > S
-

= U(x,X) z

y
*Si xy son continual
-xx
i) 2xy 2x y =
= 2x,y
-

ii) fx,y(x,y) fx(x).fy(x),f(x,X)

= 2
 I
Si X
* es discreta y X continua

i) 2xy 2x y =
=

xi
-

ii) fx,y(x,y) px(x).fyx), = U(x,X) X

Consecuencias de la independencia

Si yson un discretas independientes

PXx (Xa) Py(x) =

PXy(x1b) Px(x) =

Si xy
son va continuas independientes
f(x(Xa) fy(x) =

fxy(x1b) fx(x) =

Ej: Se lanzan dos dados legales

a) Calcular In probabilidad de are la suma de las caras sea

mayor a 5.

X="Resultado duck 1" -x=

Psi
X="Resultado dado 2"-y = {1,2,3,4,5,63
3 Independientes!!
Yo Yo Yo Yo 10 16
 Yo, Xe[1,2,3,4,5,63 Yo Y ([1,2,3,4,5,63
E 0,0.W 40
,

Pxx = Py =

,
0.W

PIA) Pyly)

1 1

12 3 45 az 1 24 a
=
Y

Las variables y son independientes y

tienen identica distribución (iid)

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

b) Si el primer dado que en un número menor aue 3, cuál es

In probabilidad de are In suma de los resultados sea mayor

0 igual 4 6?
Pr(x76 3)
x= Pr(x+y= 6
=
nxx 3)
Pr(x 3)
=

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) La probabilidad de la almenos 2 min

are persona permanezca
en la tienda
b) La probabilidad de are el máximo entre y sea inferior

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
=

by Pr(max(xx 32) Pr)X 31 x

=
=
y 32)
=

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

Operaciones y medidas sobre variables aleatorias

I.) Transformaciónde variables aleatorias.

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

Transformada de variable Discreta a variable discreta.

Sea una v.c discreta con exy payPXx. Sea XgIx), =

donde g(.) es un función definida en todo -ex. Entonces

ser
↑ una va discreta con recorrido -y= gDaxy pmf Py':

4 =PrIX y) =

4x*,
=

XE-by

Ej:Seu Xung V. discretes con

prof

Px(x) Hullarpmf allx+ 1

=

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

función escalonada pura sobre todo ex. Entonces y es

discreta recorrido by g(-x) de

y función
una va con =

probabilidad p, dado por:

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

Sea A una va continua con recorrido exy densida

de probabilided fx. Sea y=glas donde y(.) es una

función que estádefinida sobre todo ex y no es escalonacly en_ex

Entonces y es una va continua con recorrido (y g(-x)

=

y densidad
de probabilidad fr') dado por:

fy dFy( =

dyPr(X=y) dyPr(g(x) x) d) fxedx

=
=
=
=

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.

Obtener la distribución de probabilidad de lassig v.a

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
=

2Pr11EkWXI) ( a +,e*dx 0,2267 =

=

0,3434 +0,2386 0,1410 +

+ 0,2267 1
=
 pyIx

⑧ ⑧

-! ↓ i Y
3

b)
12 z
-> = [ 1, 00
-
+

fz1z) dz Fz(z)

..
=

Fz(z) Pr(z z),

=
= zt E1,00)
-lz
-1 -x PrI2x
= -
1 = z
z) PrIX ==
+ 1
2)

- 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]
+

Fit Pr(x1 t) Pr(1Et(x 1)

= +
=
=
+

·mini -RX
X
-Pr)1 tx t) Pr(1= +
=
-
tx)
t =

-Pr(1- 4t = X) PrIX -t)

=

exa
-(X 1) +
-

-
1

=ee
1
I -

f* t(e) e" -e*1(

-
=
=
-

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

Transformada de un vector continue a variable continua

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

¿Cómo obtener falta partir de fay** y

g(.,.?

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"

Determinar In pdf de:

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
=
+

flt ft) GPrITet) 4Pr(x y=t) dPrxet

+
=
-
-
=
+ =
-
x

Ficfay dadonde fay =fx. fx purcer independientes

y =e.2e*, x0+wo

0 2e* = ze, woo

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

Luego:fflt= (1-et:2(1- ete

- t

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)
=

fulm) =?, Fu(m?

*
I

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
,

SEY ady, siceme V2m Si m=

O= 1

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"

"Baja disperción" "Bujn concentracion"

VarAl? O

Var(x) [ux2]
Var(Al cantidad determinista
Var(A) E/[X-E(X3
=

E(X- 2XEC) +ECNY

=

= E(XY E( +
-

2XE(X)) ECIENTY+

= EIXY-2ECX). EIX) +[EIT

Var(x) E172)-TENT2
=
Ej: Calcular Var (A)

a) X discreta pruf b) Xcontinua pdf

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
+ + + =

E(x4 zxpx =1 112(0,2) 040,4) 120,3) 22(0,1)

=
- +
+
+
0,4
=

VarIX ECAY-TEAT 0,9-10,3)

= =
0.8 12
=

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

Var() Segundo momento

= -
(primer momento l
Propiedades de la varianza.K determinista A.X: via

1) Var(K) 0.
=

k No haydisperción (distribución completamente concentradal

2) Var (X+ K) Var(Al

=

fl
VarItA)=El(A+Y-(ECA+)"
A
fee**

-Elx4 +2EN +A"- TECT"-2KEA) -

K2

VarIXt=EIXY-[EI]

VarA+) Var()
=

3) Var(AX) KVarIl
E/CAXY- [ECIN]"
=

VarIKA =

fx(x)

-
-
KE/AY
=
-

K2TEN]"
KTENY- [EAT"]
=

Var(x) K2Var(x
=

4) Sixy son independientes Var(x+)=VarI) Var(X)

+
Covarianza
-Medida de In relacion lineal are existe entre 2 v.a

-Puede ser negativa, positiva o cero

Depende de la escale
-

Sies 0, las ria son "no correlacionadas"

CorIX E)[X-EN15X-ECX15) Aplicando

=
propiedades:

-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) =

Dos va independientes son no

correlucionadas, pero dos va no
2) (Ov(X+x, X+ x) (ovIX,X)
=

courrelacionadas, no sun necesariamente

independientes

3) Cov(keX, kX) AIke Cov(XX =

4) Var (A+X) VarI+Var(X1+2 Cor(Xivl

=

5)
xxYindependientes:Cov1XX 0. =
Desvinción estandar

O Var(' =
[m]

Coeficiente de correlación

Propiedades del coeficiente de correlución

11 -

1=P(x,y) =
1

Donde P(x,X)=-1 Máxima correlación negation

P(x,X) 0 =

No correlacion
P(x,X) 1 =

Maxima correlación positive

21P(X, kX+2) sqn(k1) =

1
=

siks70,-1 sik10
3) P(X k1,X k) + +

0(x,y)
=

4) (k1X kX) syn(k1K) (XX

+

5) Ky independientes ((X.X) 0 =

Ej: En cada uno de los siguientes casos calcular:

a) CoulXX c) Var (3x-44)

blP(X,x d) Var (XY y

I a/8

2) Xy va discretas con
jamf 1

No
③

·
X

183/g
2) X, X
-

va continuas con jedf

I

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
=

Covl.X) 0 = xyson no correlacionadas

bIX.y
*
=
0
=

c) Var (3x-44) Var(3x) +Var1-4x)

= +2 (or 137, -44)

3"Vark)
= + 1-41Varx +

21536-41 Cov(XX)

gVar(x) +16 VarIY-24 (or(X,

= XI
9TENY-TECY +1c[EMY-TEC5
=

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'
=

E =Var IX) =Var IX

VarIX)=Ely-[EATY VarIXI-Elxy-[ElYT"

Var(3X-4x) Var(3x) +Var) -44) 2Cov13X, -4X)

=
+

3"Vark)
= + 1-41Varx 21536-41
+

Cov(XX)
⑧

gVarCx) +16 VarIY-24 (or(A.X)

=

9TENY-TECY +1c[EMY-TEC5
=

d
 CAPITULO I

Distribuciones de probabilidual Especiales

Hasta el momento hemos trabajado con distribuciones de prob arbitrarias
Distribuciones Especiales >Aplicadas la realidad
a

Ensayo Bernulli
-

Experimento aleatorio con 2 posibles resultados:Exito o fracaso

La probabilidad de exito será el único parametro del ensuyo: p donde

P=
0 = 1

P Pr)"exito"),
=
1-P Prl"Fracaso")
=

Cualquier experimento aleatorio se prede reducir a un Ensayo Ber-

nulli, enterminos de le ocurrencia no ocurrencias del evento de interés.

Distribución Bernull;
-

Sea X
und v.c discreta que registre el resultado del ensayo bernulli asi:

1. "Exito"
X
Yo,
=

"Fracuso"

-Entonces es una vin binaria con 2x=50,13 y probabilidad (1-p, p3

-

le dice que sigue un distribución Bernullicon parametro P.

2 -
Bernulli(p)

-Luego. In pmy sera:

P(x)

Pxx-15P,
X0
=
P
,

,
X1
=
1 -
P

r.w
k
0 1

-
Six~ Bernulli(p) , Xes una va Indicador del evento "Exito"

Caracteristicas de In distribución Bernulli X- Bernulli (p

-Media: E(X) 2x4( 0x(2

= =
-

p) 1x
+

(p) E(x) P
=
=

-Varianzu:Var():ENY-LECT p-p VarIX) P11-p) =

= =

Distribución Binomial

Supongo que se reulize uun cantidad de ensayos bernulliidenticas e

independientes, cada uno con probabilidad de éxito p.

Sea X In v.u discreta aue represente el "número de exitos"obtenido en

los a ensuyos bernulli

-
Se dice are X sigue una distribución binomial, de parametros nyp
 X-binomial (n,p), HEET, OEpE1

Funcion de probabilidad de In distribución binomical.

Sea X-binomial (n,p) >Px = ?

-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

· Pxx) PrIf=1) Pr(E

=
=
F+...
P(1
+

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

Conexión (un In distribución bernulli:

->

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)

"Una V. X- Binomial (n,pr se la puede interpretar como In suma de n

distribución Bernulli
"

v. iid con (el

Media
EX1 2xex ()p x p Dispendioso
-

=
-

EX E(Xi) Elk,k,...,k) EX) E(k) E()

=
=
=
+ +
...
+
P e ...+ nP
=
+ +

Variunzu

Var(x) Var(2) EVarIXi)

=
=
2
=
{C,S]
226 >22 1 1 +

1 Y3=

alX= "número de caras al lanzar 5 veces In moneda" "número

= de exitos en
ensayos Bernulli
5

identicos e independientes
"

Px) (2)p (1 p)*

-
-

-(11)**, xe90,1,2,3,4,53

X
~ binomia) (5,2)
 Distribución Geométrica

Suponga que se realizan ensayos Bernullisid de manera reiterada, cude

uno con la misma probabilidar de éxito P. Sea X v.a discretu are repre-

sante el número de ensayos que se deben realizar hasten lograr el primer

exito. Se dice are X sigue un distribución geométrica con parametro P.

X -
geométrica (p)

-ex [1,2,3,
=
...,0}

¢x Pr(x=x),
=

X [1,2,3, .,00} .
.

Px(1) Pr(E1)
=
P
=

4x(2) PrIX2) PrEnE)

GrEe).Pr)E) 11-DIP
=
= =
=
=

Px(3) Pr(X3) Pr(EnEnEs) PrIF). PrIFz)-PrCEs)

=
=
=
=
= 11- Pl
1 -

P 1 - PP

Px(x) (1 4) 7.p
+
-

p*,
=

éxito P) p(1 [1,2,3, .,00}

*
fracasus =
-

xe . .

Caracteristicas de la distribución Geométrica.

Media:EIx=YP

Varianza: Var (x)

12
=
Cada vez
are Aun juega In loterines o ensayo Bernulli id conp=a,ur2

a) X"número juega Ana hasta In loteria

"
de veces are
ganar
=

"número de ensuyos bernullihasta el 1er éxito"

X -
geométrica (p 0,002) =

0,002(0,948***, xe[1,2,3,
* *

Py* 411 p) (4)

=
-
=
. .
.,00}
Pr(X100) Px1100) 0,002(0,948)"4
=
=
=

bl
PrIX100) 4x(1) Px(2)
=
=
+
...
+

Px194)
+ 4xxx)
=

20,00210,998)
x1

geométrica
=

Sumn
b

EUF 0 b 1
+

1 -
r

PrIX -100) 0,998=

-
0,44850 0,1747
=

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
=
=

dPr(X 250(x - 100)

=
=
250nx 100) Pr(180 =
PrIX= x250) =
=

No sun independientes Pr(x> 100) Pr(x> 100)

au2x0,948**0.002x0,948
**
-4x
245
-

on 0,448

4x -For aroxa,que0.002x0,948agag X 101

=

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"
"

W"va indicador del evento

=
"Ann gana la luterin el die 225"

Z- binomial (n 224,p0,002)=
=

Webernulli (p 0,002) =

1
2 3...

22425 "ZyW son independientes"

Z
Pr(z 1rW 1) Pr(z 1) Pr(W 1) Pz(t).Pw(1)
=
=
=
=
- =
=

=(24) 0,002.0.4482* 7.0,002 -

0,0008556
=

Distribución Uniforme

Sea X run va continue con recorrido 2x=[n,b] donde-xa b =

x00

Se dice que sigue una distribución uniforme en [a,b] si su

densidad de probabilidad es planal constantel sobre todo

&x= [a, bJ, as5,

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
=

Varianza:Var (X): EGY-TENT=(fxdx- 1=

 =(--dx -

(9 b) (6,
=

·
Mediana es igual numericamente a In media

Usus comunes de la distribución uniforme.

-
Jeneración de numeros aleatorios en computaduras
-

Eseneración de distribuciones de probabilidad arbitrarias In traves de la trans-

formación integrall
-Modelamiento del ruido de cuantificacióncuando se digitalizan seriales
-

Modelamiento del error de sincronismo en la fase de Importadora recuperada

en el Rx en un sistema de comunicación.

al

-1. .
. . .

X"número elegido"(v.a continua

=

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:

Sea X-FTab]. Sea W ln v.a dada por:W=cA d, donde +

cycl son constantes 2 Fr. Entonces W tambien tendrádistrobución

x

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

va continua duda por siguiente transformacion

XFx(x)
=

Entonces tendráun distribución uniforme en el intervalo [0,1]

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

Com esto puedo generar realizaciones de la va arbitraria a partir de la

distribución [[0,1]

Procedimiento de generar número alentorios.

Distribución Normal
-

Tambien conocida distribución

como Gaussiana
-

Considerarly In mes importante de las distribuciones

-

La suma de muchas v.a id converge a una distribuciónnormal

Heorema del limite centrall

-Modeln una
gran cantidual de fenomenos aleatorios de In naturaleza y

de la cotidianidual

-Muy usudy en In interferencia Estadística.

-Muy utilizada en telecomunicaciones

Descripción matemática.
Sea A una va continua con recorrido 2x = ( 00,001. Se
-

dice are

*
sigue una distribución Normal con parametros MER y

Tet. Si su pdf estéduck por:

ix-M
a:Parámetro de Posición
-

2
22

fx) f
=
e
5:Parámetro de Escake.

X -N(M, r4
-
-
M
r in
z

Caracteristicas de la distribución Normal.

Sea X-N(M, r2)

·
Media:EIX) M =

·
Varianza: Var (X)=i2

.
Mode: Mo(X) M =

·
Mediana:Xoo M
=
 Propiedades de simetric de la distribución normal.

PrIXEa- al PrIX-m + al

MAllin
=

Pr(n-a XM) Pr(M =

= =
X n a)=
= +

X Pr(M -a X= M a) 2Pr(n -a Xu)

= -
=
= =

e-d utc
is

- 2Pr(n =
=
Xn a) = +

=1-2Pr(XM a) = -

Distribución Normal Estandar

=1 -

2Pr(X >u a) +

Sen zumn va Normal de Informa:

z -
N10,1) EIX 0 =

Var(X) 1 =

Se dice que z sigue un distribución Normal estandar.

fzz)
-Ez
fr:e
1
2π

1
24

y
Función 1
Funcion Q
->

Función.E s la funcion de distribución aurmulativa ladf) de la v.a

e
z -
N10,11 esto es:
(t=PrIZet) =
da
-

Función Q Complemento de la funcion I

9(t=PrIzt=
(e de

fzlz)
I(t) + Q(t) 1 =

"
①(t) I( t)=
-

I(t) =
Q(-t

&( -a) 0,0( 0) +

-
=
=

Q(-or) 1, =
Q1+00) 0 =

d(0) 0(r) 0,5

=

Transformación de una variable normal.

Sea X-N(M, F2) y

sea ln v.a duda por:=axth, donde

a yb son constantes y a F 0. Entruces, tambien

y sernormal:

X -
N(an + b,a =2)

Terremn de In Estandarización:

Sen
un von Normal de la forma X-N(m,r4. Para calcular In

probabilidad de un evento arbitrario:{xEX=

Xi3 se tiene:
 prede hacer

Aud= ane
ix-ul No se
2 x2 analiticamente
Primexexs= dx

Por otro lado:

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
=
-

Pr(x= XEx) 0/*E) 0(*)

=
-

Ej:La potencia en ratios de la serial que llega a un receptor inclam-

brico en ma v.a Normal, EN=10 War(X) 4.
= Determinar:
y

a) Probabilidad de are l potenciasea menor a 8,64w.

"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)
=
=
-

=
-

Pr(X= 8,64) 0,2483 =

b) Probabilidad are la potencias sea inferior y 7000mW o

superior

a 11,0W

Pr(x 7 uxx11,8) PrIX7) Pr(X 11,8) = =

+

fxx

-.n
/

I A
2 10 11,8

Pr(YE * -4)
=
+ PrIYE y 11,84) Pr(Z
=
= -

1,5) Pr(z> 0.4)

+

%( 1,5) [1 010,9)
-
+ -
0,0668 [1
=
+
-

0.81595 0,2504 =
Si se sabe are y potenciaes menor a la media, Probabilidual de

de are dicha potenciasea superior a 9,5we inferior a 17,3W.

Pr(x9,51Xx 17,3/X 10) Pr(4,5 x17,3/x10) =

=
=
=
x

Pr19.5 - 4-17,3/17 10]Pr(9,5xx =10) Pr(4524 z 10 24 x

-

- =

Pr(x 10)
-

Pr(X 10)
=
=
Pr(z 0) =

&(0) -

(1-0,25) 0,5-0,4013
= 0,1974.
=

0,5
&(01