1

3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
1
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
2
Agenda
1. Espacio muestral y eventos
2. Axiomas de probabilidad
3. Probabilidad condicional e
independencia
4. Variables aleatorias
5. Esperanza
6. Varianza
7. Desigualdad de Chebyshev
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
3
1. Modelado de Sistemas
Espacios mustrales y eventos.
Si se considera un experimento cuyo resultado no se
conoce de antemano.
Sea S el espacio muestral del experimento, es decir, el
conjunto de todos los resultados posibles.
Por ejemplo, las caras de un dado, los dgitos decimales,
las letras del alfabeto, etc..
cualquier conjunto A del espacio muestral se conoce como
evento, lo que significa que un evento es un conjunto
formado por resultados posibles del experimento.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
4
1. Modelado de Sistemas
Espacios mustrales y eventos.
Para los eventos, se tienen varias operaciones:
UNION: para cualesquiera dos eventos A y B, se define
un nuevo evento A B, llamado unin de A y B,
consistente en todos los resultados que estn en A o en
B.
INTERSECCION: Es cuando todos los resultados que
estn en A y B ocurren en un mismo tiempo (A B).
Estas dos operaciones no estn definidas
exclusivamente para dos conjuntos, sino que pueden
estar en muchos al mismo tiempo.
COMPLEMENTO: Consiste en los resultados del
espacio muestral S que no estn en A, es decir, que A
C
ocurre si y solo si, A no ocurre.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
5
1. Modelado de Sistemas
Axiomas de Probabilidad.
Suponga que para cada evento A de un experimento con
espacio muestral S hay un numero, denotado P(A)
llamado la probabilidad de un evento A que cumple con
los siguientes axiomas:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
6
1. Modelado de Sistemas
Axiomas de Probabilidad.
Estos tres axiomas pueden utilizarse para demostrar
varios resultados relativos a las probabilidades.
La interpretacin de estos, otorga mltiples definiciones
de probabilidad. Una de ellas indica que si un
experimento es repetido n veces bajo las mismas
condiciones, y el evento A ocurre m veces, entonces la
probabilidad de que <el evento A ocurra>, denotada por
P(A) se puede calcular como:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
7
1. Modelado de Sistemas
Axiomas de Probabilidad.
La probabilidad tiene las siguientes propiedades bsicas:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
8
1. Modelado de Sistemas
Axiomas de Probabilidad.
Reglas importantes:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
9
1. Modelado de Sistemas
Axiomas de Probabilidad.
Reglas importantes:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
10
1. Modelado de Sistemas
Probabilidad condicional e Independencia.
Probabilidad condicional:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
11
1. Modelado de Sistemas
Probabilidad condicional e Independencia.
Eventos Independientes:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
12
1. Modelado de Sistemas
Probabilidad condicional e Independencia.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
13
1. Modelado de Sistemas
Probabilidad condicional e Independencia.
Teorema de Bayes:
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
14
1. Modelado de Sistemas
Variables Aleatorias
Cuando se realiza un experimento, a veces nos interesa
principalmente cierta cantidad numrica determinada por
el resultado. Estas cantidades que son determinadas por
los resultados del experimento se conoce como variables
aleatorias.
Una funcin de distribucin acumulada, o mas
brevemente, la funcin de distribucin F del a variable
aleatoria X se define para cualquier numero real X como:
F x = P{X x]
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
15
1. Modelado de Sistemas
Variables Aleatorias
Si x es una variable aleatoria discreta que asume uno de
los posibles valores X1, X2, , entonces X debe tomar uno
de estos valores, tenemos:
p x
|
= 1

|=1
Si la variable discreta puede tomar un conjunto
numerable de valores, la continua si existe, es una funcin
no negativa f(x) definida para todo numero real x, con la
propiedad de que para cualquier conjunto C de nmeros
reales:
P X C = _ J x dx
C
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
16
1. Modelado de Sistemas
Variables Aleatorias
Sin embargo, existen muchos experimentos en donde no
estamos interesados solo en las funciones de probabilidad
individuales, sino las relaciones entre dos o mas. Para
especificar la relacin entre dos variables aleatorias,
definimos la funcin acumulativa conjunta de X y Y como
F(x,y).
Mas adelante se vera el calculo de varianzas y valores
esperados (promedios) de estas funciones de variables
aleatorias, tanto para el caso de individuales, como
conjuntas, para el caso continuo o discreto.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
17
1. Modelado de Sistemas
Esperanza Matemtica.
La media de la distribucin de probabilidad de X,
denotada por , es un mtodo de frecuencias relativas
usadas para calcular el promedio de datos que esperamos
obtener a lo largo por el lanzamiento de experimentos.
Esperanza Matemtica: Sea X una variable aleatoria con
distribucin de probabilidad f(x), la media o valor
esperado es:
F x = = xJ(x)
x
[Discreto]
F X = =
]
xJ x dx

-
[Continuo]
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
18
1. Modelado de Sistemas
Esperanza Matemtica.
Esperanza Matemtica dependiente de funcin
Cuando: Sea X una variable aleatoria con distribucin de
probabilidad f(x). El valor esperado de la variable
aleatoria g(x) es:
F g(x, y) = = g(x)J(x)
x
[Discreto]
F g(x, y) = =
] ]
g(x, y)J x, y dx

-
[Continuo]
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
19
1. Modelado de Sistemas
Esperanza Matemtica.
Esperanza Matemtica con distribucin conjunta:
Sean X y Y variables aleatorias con distribucin de
probabilidad conjunta f(x,y). La media o valor esperado
de la variable aleatoria g(x,y) es:
F
g
x. y =
g
= g(x, y)J(x, y)
y x
[Discreto]
F
g
x, y = =
]
g(x)J x dx

-
[Continuo]
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
20
1. Modelado de Sistemas
Varianza y covarianza de variables aleatorias.
Varianza y Covarianza de variables aleatorias:
Sea X una variable aleatoria con distribucin de
probabilidad f(x) y media , la varianza de X es:
o
2
= F|(x -)
2
] = x -
2
J(x)
x
[Discreto]
o
2
= F|(x -)
2
] =
]
(x -)
2
J x dx

-
[Continuo]
La varianza de una variable aleatoria se puede resumir a
o
2
= F x
2
-
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
21
1. Modelado de Sistemas
Varianza y covarianza de variables aleatorias.
Varianza y Covarianza de variables aleatorias:
Sea X una variable aleatoria con distribucin de
probabilidad f(x). La varianza de la variable aleatoria g(x)
es:
o
2
(g(x)) = F|(g(x) -(g x )]
2
] =
g(x) -(g x )
2
J(x)
x
[Discreto]
o
2
= F|(g(x) -(g x ))
2
] =
]
(g(x) -(g x ))
2
J x dx

-
[Continuo]
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
22
1. Modelado de Sistemas
Varianza y covarianza de variables aleatorias.
Varianza y Covarianza de variables aleatorias:
Sean X y Y variables aleatorias con distribucion de
probabilidad conjunta f(x,y). La covarianza de X y Y es:
o
2
xy
= F|(x -
x
)(y -
y
)] =
x -
x
y -
y y
J(x, y)
x
[Discreto]
o
2
xy
= F|(x -
x
)(y -
y
)] =
] ]
(x -
x
)(y -
y
)J x, y dxdy

-
[Continuo]
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
23
1. Modelado de Sistemas
Varianza y covarianza de variables aleatorias.
Varianza y Covarianza de variables aleatorias:
De la misma forma:
o
xy
= F xy -
x

y
Sea X y Y variables aleatorias con covarianza o
xy
y
desviacin estndar o
x
y o
y
respectivamente. El
coeficiente de correlacin de X y Y es
p
xy
=
o
xy
o
x
o
y
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
24
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
Para entender bien este resultado necesitamos saber
de variables aleatorias y probabilidades. Sin embargo,
trataremos de explicar su sentido - y su uso - de la
forma ms intuitiva posible, sin entrar en detalles
tcnicos.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
25
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
Variable Aletoria. Una variable aleatoria es una variable ue
puede tomar diferentes resultados con cierta !probabilidad"
Probabilidad. Pensemos en la probabilidad de un resultado
como la frecuencia con ue ocurre el resultado si repetieramos
el experimento muc#as veces.
Por e$emplo, si tiramos una moneda muc#as veces, la mitad
de las veces debieramos obtener cara y la otra mitad sello. %a
variable es !lado de la moneda". &l resultado 'cara( tiene una
probabilidad ).* +*), de las veces- y el resultado 'sello( ).*.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
26
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
Pensemos a#ora ue una variable . puede tomar valores en
los n/meros reales, por e$emplo, el tiempo nos tardamos en
llegar a la casa. 0omar una muestra de . es medir el tiempo en
diferentes ocasiones.
&speran1a. Pensemos en la esperan1a de la variable aleatoria
. como el promedio ue medir2amos si tomamos una muestra
muy grande de la variable.
Varian1a. Pensemos en la varian1a de la variable aleatoria .
como la varian1a ue medir2amos si tomamos una muestra muy
grande de la variable.
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
27
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
%a 3esigualdad de 4#ebyc#ev5
Por e$emplo, la probabilidad de ue la variable se ale$e ms
ue 6 desviaciones estndar de su valor esperado es menor ue
789 : ).6*
%a probabilidad de ue se ale$e ms de ; desviaciones
estndar es menor ue 78< : ).77
2
1
) (
k
k X P
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
28
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
%a 3esigualdad de 4#ebyc#ev pone un mximo a la
probabilidad de ue la variable aleatoria tome un valor ue se
ale$a de su valor esperado por ms de cierto valor.
=s precisamente +P denota probabilidad de ... -
3onde es la esperan1a de la variable aleatoria, es su
desviaci>n estndar +la ra21 de su varian1a- y ? es un n/mero
real positivo cualuiera.
2
1
) (
k
k X P

1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
29
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
@otemos ue esto se puede reescribir como
A sea un intervalo en ue encontramos el valor de . en al
menos el B*, de las veces es
Usando
2
1
1 ) (
k
k X k P + < <
] 2 , 2 [ +
2 = k
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
30
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
&n la prctica no conocemos la esperan1a y la varian1a +o
desviaci>n estndar- de ., pero como bueno ingenieros
podemos reempla1ar la esperan1a por el promedio y la
desviaci>n por la desviaci>n estndar muestral.
2
1
1 )

(
k
k X X k X P + < <
1
3
/
1
0
/
2
0
1
3
M
.

e
n

C
.

K
a
r
i
n
a

Y
.

S
o
s
a

G
o
n
z

l
e
z
31
1. Modelado de Sistemas
Desigualdad de Chebyshev y las leyes de grandes nmeros.
%a 3esigualdad de 4#ebyc#ev es un caso especial de la
desigualdad de =ar?ov
a
X E
a X a P
) (
) ( < <