Procesos Estocasticos Parte 1 y 2

Procesos y variables aleatorias
Roberto Carlos Hincapi

roberto.hincapie@gmail.com
Programa

Introduccin
Probabilidad (8 hrs)
Variables aleatorias (4 hrs)
Procesos estocsticos (4 hrs)
Procesos Markovianos (8 hrs)
Evaluacin

Examen 1:
Examen 2:
25% Probabilidades
25% Variables aleatorias,
procesos estocsticos
Examen final: 25% Cadenas de Markov
Tareas:
25%
Introduccin
Las medidas que se realizan en el mundo

real son aleatorias.
No es posible conocer el resultado de la
medida antes de realizarlo.
Se requieren herramientas para tomar
decisiones en condiciones de aleatoriedad o
incertidumbre.
La probabilidad es una informacin que
puede ser conocida con antelacin.
Capitulo 1
Probabilidad
Experimentos
1.
2.
3.
4.
Supongamos un proceso de medicin de alguna

cantidad. A esta medida la llamaremos un
experimento. Por ejemplo:
El nmero de personas que ingresan a un banco
por hora
El resultado del lanzamiento de un dado
La duracin de una llamada telefnica
El nmero de clientes que llegan a solicitar puesto
a un restaurante en la hora del almuerzo
Espacio Muestral
1.
2.
3.
4.
El conjunto de todos los resultados posibles del

experimento, se denomina un espacio muestral.
Los elementos que constituyen el espacio
muestral se denominan puntos muestrales.
El nmero de personas que ingresan a un banco
por hora. S1={0,1,2,3,}
El resultado del lanzamiento de un dado.
S2={1,2,3,4,5,6}
La duracin de una llamada telefnica. S3=[0,inf).
El nmero de clientes que llegan a solicitar puesto
a un restaurante en la hora del almuerzo.
S4={0,1,2,3,}
Evento
1.
2.
3.
Definimos un evento, como un subconjunto

del espacio muestral. Este subconjunto
puede ser de un nico elemento, puede ser
de varios puntos muestrales, etc.
S1={0,1,2,3,}, e1={0,1,2}, e2={4},
e3={4,5,6}.
S2={1,2,3,4,5,6}, e1={2,4,6}, e2={1,3,5},
e3={1}.
S3=[0,inf), e1=[0,10min], e2=[5min,10min]
Tipos de eventos

Los eventos pueden ser:

Simple: conformado por un nico punto muestral
Compuesto: conformado por varios puntos muestrales
Vaco (): que no contiene ningn punto muestral
Universal (S): que contiene todo el espacio muestral
Suma o unin: conformada por los puntos que pertenecen a dos
o mas eventos.
Producto o interseccin: conformado por los puntos que
pertenecen simultneamente a dos o mas eventos.
Excluyentes: Dos eventos son excluyentes si su interseccin es
el evento vaco
Complemento (A): El complemento de un evento es los puntos
muestrales de S que no pertenecen al evento.
Probabilidad
La probabilidad es una cantidad numrica

asociada a un evento.
Existen dos interpretaciones para la
probabilidad:

Interpretacin frecuentista
Interpretacin axiolgica
Probabilidad
Interpretacin frecuentista:
La probabilidad de un evento representa la
frecuencia relativa de ocurrencia de un
evento respecto a los experimentos
realizados.
Por ejemplo para el lanzamiento de una
moneda:
S={cara, sello}, e1={cara}
Pr{e1}=0.5
Probabilidad
Pr{e1}=0.5
Lo anterior se interpreta como:
Si se lanzara 100 veces la moneda,
aproximadamente 50 veces cae cara.
Si se lanzara 100.000 veces la moneda,
aproximadamente 50.000 veces cae cara.
Probabilidad
Para el nmero de personas que ingresan a
un banco en una hora,
S={0,1,2,3,}, e={0,1,2,3}
Pr{e}=0.8
Cmo se puede interpretar esto?
Probabilidad
Interpretacin axiolgica:
La probabilidad es una cantidad asociada a los
eventos que cumple con ciertos axiomas y
propiedades
Axiomas de probabilidad (Kolmogorov)
i) P{A} 0
ii) P{S} = 1
iii) Para un conjunto de N eventos excluyentes A i
A i A j = ;
P i =1 A i = i =1 Pr{A i }
N
Probabilidad
Interpretacin
axiolgica:
Propiedades
de la
probabilidad
i) P{} = 0
ii) 0 P{A} 1
iii) P{A} = 1 P{A}
iv) Si A B, P{A} P{B}
v) P{A B} = P{A} + P{B} P{A B}
Si A B = , P{A B} = P{A}+ P{B}
Probabilidad
Propiedades de la probabilidad
vi) Un conjunto A i , i = 1,2,..., n de eventos excluyentes,

exaustivos y equiprobables, cumple con :
Pr{A i } =
1
, i = 1,2,..., n
n
Probabilidad
Propiedades de la probabilidad
Ley de los grandes nmeros:
Suponga un conjunto de N ensayos o experimentos.
Sea NA el nmero de ensayos con un resultado en
el evento A. Entonces:
vii) Lim
N
NA
Pr{A}
N
El resultado anterior corresponde a la interpretacin

frecuentista vista anteriormente.
Clculo de las probabilidades

Las propiedades anteriores se pueden utilizar para
calcular las probabilidades de diferentes eventos.
El caso mas sencillo es el clculo de la
probabilidad de eventos equiprobables.
1.
2.
3.
4.
Conocido el tamao del espacio muestral, la probabilidad

de cada evento simple es conocida.
Un evento se define como la unin de varios puntos
simples.
La probabilidad de cualquier evento es la probabilidad de
un evento simple multiplicada por el tamao del evento.
Lo anterior equivale a Pr{A}=|A|/|S|

Ejemplo 1.

Hallar la probabilidad de que al lanzar al aire dos
monedas, salgan: a) Dos caras, b) Dos sellos, c)
Una cara y un sello.
Ejemplo 2

Se lanzan dos dados al aire y se anota la suma de
los puntos obtenidos. Se pide: a) La probabilidad
de que salga el 7, b) La probabilidad de que el
nmero obtenido sea par, c) La probabilidad de
que el nmero obtenido sea mltiplo de tres.

Tarea No. 1

Suponga un experimento consistente
transmitir 5 bits mas un bit de paridad. El bit
de paridad se calcula por medio de la suma
modulo 2 de los otros 5 bits transmitidos.
Encuentre la probabilidad de que el bit de
paridad sea 1.
10
Tcnicas de conteo
El problema del mtodo anterior es el clculo del
tamao del espacio muestral o su declaracin
explcita cuando este es muy grande.
Ejemplo: Una lnea de ferrocarril tiene 25 estaciones.

Cuntos billetes diferentes habr que imprimir si cada
billete lleva impresas las estaciones de origen y destino?
Debe existir alguna metodologa para calcular el

tamao sin escribir el espacio muestral.
Dichas tcnicas se conocen como tcnicas de
conteo.
Tcnicas de conteo
Se van a estudiar dos tcnicas de conteo

Formula general de conteo - Seleccin

Permutaciones y combinatorias
La utilizacin de cada una de ellas depende

del tipo de espacio muestral a construir.
11
Tcnicas de conteo
Formula general de conteo:

Si el un punto del espacio muestral se construye
seleccionando una secuencia de m valores X1, X2,
Xm y el nmero de formas de obtener cada uno
de ellos es n1, n2, nm, el tamao del espacio
muestral es:

|S|= n1 n2 n3 nm

Ejemplo: Encontrar el nmero total de licencias de
carros particulares que se pueden crear en
Colombia.
Tcnicas de conteo
Seleccin:

Si el un punto del espacio muestral se construye
seleccionando una secuencia de m valores X1, X2, Xm y
cada valor se selecciona de un conjunto de valores de
tamaos n1, n2, nm, el tamao del espacio muestral es:

|S|= n1 n2 n3 nm

El criterio importante es garantizar que los valores de cada
conjunto se seleccionan independientemente de los otros
conjuntos. Esto tambin se reconoce como una extraccin de
elementos con reemplazo.

Ejemplo: Cual es el tamao del espacio muestral si se lanzan 4
dados simultneamente?
12
Tcnicas de conteo
En las permutaciones y combinatorias, se

eligen los diferentes puntos del espacio
muestral, desde un nico conjunto sin
reemplazo.
Suponga por ejemplo, que se tienen 10
personas y se desea extraer un grupo de 3
de ellas. Al extraer la primera, quedan 9, etc.
Esta es la diferencia fundamental respecto a
la seleccin.
Tcnicas de conteo
La permutacin considera que el orden en que se extraen los

elementos es importante.
La combinatoria considera que el orden en que se extraen los
elementos NO es importante.
Si el grupo original cuenta con N elementos y se extrae un
subgrupo de n elementos, el nmero de formas diferentes de
hacerlo es:
PnN =
N!
(N n )!
Permutacin
N
N!
=
n (N n )!n!
Combinatoria
13
Tcnicas de conteo
Ejemplo 3: Una lnea de ferrocarril tiene 25 estaciones.

Cuntos billetes diferentes habr que imprimir si cada billete
lleva impresas las estaciones de origen y destino?
Ejemplo 4: Un alumno tiene que elegir 7 de las 10 preguntas
de un examen. a) De cuntas maneras puede elegirlas? b)
Y si las 4 primeras son obligatorias?
Ejemplo 5: En un hospital se utilizan cinco smbolos para
clasificar las historias clnicas de sus pacientes, de manera
que los dos primeros son letras y los tres ltimos son dgitos.
Suponiendo que hay 25 letras, cuntas historias clnicas
podrn hacerse si: a) no hay restricciones sobre letras y
nmeros, b) las dos letras no pueden ser iguales?
Ejercicios propuestos
En una clase de 10 alumnos van a distribuirse 3 premios. Averiguar de

cuantos modos puede hacerse si: a) los premios son diferentes; b) los
premios son iguales. En todos los casos, una persona no puede recibir
ms de un premio.
A partir de 5 matemticos y 6 fsicos hay que constituir un grupo de 2
matemticos y 3 fsicos. De cuntas formas podr hacerse si: a) todos
son elegibles, b) un fsico particular ha de estar en esa comisin, c) dos
matemticos concretos no pueden estar juntos?
Tres personas, A, B, C, juegan lanzando una moneda cada una al dar
una seal, y comparan los resultados. Gana el jugador cuya moneda
cae en posicin distinta de la de los otros dos; si las tres monedas caen
en la misma posicin, se repite el lanzamiento hasta que una sea
diferente. a) Suponiendo que no se hacen trampas y que se usan
monedas equilibradas, calcule la probabilidad de que el primer jugador
gane. b) Cul es la probabilidad de que empaten?
14

Cuando los eventos no son equiprobables, es
necesario recurrir a otras tcnicas para poder
calcular la probabilidad de los puntos muestrales.
Suponga que los puntos del espacio muestral se
construyen seleccionando un conjunto de valores,
pero cada valor tiene una cierta probabilidad.
Se utiliza un diagrama de rbol para construir la

probabilidad completa de los puntos muestrales.
Cada nivel del rbol corresponde a una seleccin. Las
ramas del rbol corresponden a probabilidades y la
probabilidad de un punto corresponde al producto de las
ramas desde el origen hasta la ltima seleccin.

Ejemplo 6: Una universidad tiene tres

facultades, con el 50%, el 25% y el 25% de
estudiantes. En cada facultad, el 60% de los
estudiantes es mujer y el resto hombres.
Encontrar el espacio muestral y las
probabilidades de cada punto muestral.
S={(f1,m), (f1,h), (f2,m), (f2,h), (f3,m), (f3,h)}
15

Para calcular las probabilidades, creemos

el diagrama de rbol
(f1,m), Pr{(f1,m)}=0.30
(f1,h), Pr{(f1,h)}=0.20
(f2,m), Pr{(f2,m)}=0.15
(f2,h), Pr{(f2,h)}=0.10
(f3,m), Pr{(f3,m)}=0.15
(f3,h), Pr{(f3,h)}=0.10


el diagrama de rbol
(f1,m), Pr{(f1,m)}=0.30
(f1,h), Pr{(f1,h)}=0.20
(f2,m), Pr{(f2,m)}=0.15
(f2,h), Pr{(f2,h)}=0.10
(f3,m), Pr{(f3,m)}=0.15
(f3,h), Pr{(f3,h)}=0.10
16


el diagrama de rbol
(f1,m), Pr{(f1,m)}=0.30
(f1,h), Pr{(f1,h)}=0.20
(f2,m), Pr{(f2,m)}=0.15
(f2,h), Pr{(f2,h)}=0.10
(f3,m), Pr{(f3,m)}=0.15
(f3,h), Pr{(f3,h)}=0.10


el diagrama de rbol
(f1,m), Pr{(f1,m)}=0.30
(f1,h), Pr{(f1,h)}=0.20
(f2,m), Pr{(f2,m)}=0.15
(f2,h), Pr{(f2,h)}=0.10
(f3,m), Pr{(f3,m)}=0.15
(f3,h), Pr{(f3,h)}=0.10
17

Tarea 2

En un sobre hay 20 papeletas, ocho llevan
dibujado un carro y las restantes son blancas.
Hallar la probabilidad de extraer al menos una
papeleta con el dibujo de un coche: a) Si se saca
una papeleta, b) Si se extraen dos papeletas, c) Si
se extraen tres papeletas.

Un noble frances (Antoine Gombauld) plante la
siguiente apuesta: Al lanzar un dado 4 veces, por
lo menos una de las veces el resultado sera igual
a 6. Calcule la probabilidad de ganar la apuesta.
ESTE NO
Probabilidad de eventos compuestos

Los eventos compuestos se construyen a

partir de la unin o interseccin de otros
eventos.
La unin de eventos incluye todos los
elementos que pertenecen a cualquiera de
los eventos:
S={0,1,2,3,4,}, e1={0,1,2,3}, e2={2,3,4,5}
e1Ue2={0,1,2,3,4,5}
18

El problema es el clculo de la probabilidad.

En forma general:
P{A B} = P{A}+ P{B} P{A B}
Si A B = , P{A B} = P{A}+ P{B}
Un error muy comn es suponer que eventos
son excluyentes cuando en realidad no lo
son.
Retomar el ejemplo del noble Francs.

La interseccin de eventos incluye solamente los elementos que

pertenecen a todos los eventos que se intersectan:
S={0,1,2,3,4,}, e1={0,1,2,3}, e2={2,3,4,5}
e1e2={2,3}
La forma general de calcular esta interseccin depende del
concepto de probabilidad condicional que se estudiar pronto. Si
dos eventos son excluyentes, la probabilidad de su interseccin
es cero.
Si dos eventos son independientes, es decir, no existe relacin
entre las probabilidades de ocurrencia,
P{A B} = P{A}P{B}
19

Ejemplo 7: Dos hermanos salen de caza. El primero

mata un promedio de 2 piezas cada 5 disparos y el
segundo una pieza cada 2 disparos. Si los dos
disparan al mismo tiempo a una misma pieza, cul
es la probabilidad de que la maten?
Ejemplo 8: En una asignatura se ha decidido
aprobar a aquellos que superen uno de los dos
parciales. Con este criterio aprob el 80%, sabiendo
que el primer parcial lo super el 60% y el segundo
el 50% Cul hubiese sido el porcentaje de
aprobados, si se hubiese exigido superar ambos
parciales?
Probabilidad condicional
La probabilidad asociada a un evento mide la

ocurrencia relativa del evento, respecto al espacio
muestral.
En ocasiones es importante encontrar la
probabilidad respecto a un subconjunto del espacio
muestral, por ejemplo:
La probabilidad de que un paciente de urgencias quede

hospitalizado es respecto a todos los pacientes de
urgencias. La probabilidad de que los pacientes de
urgencias que son atendidos por una dolencia cardaca
queden hospitalizados, es diferente.
20
Salen a hospitalizacin
n personas
Salen a
hospitalizacin n2
personas que
tenan afectacin
cardaca
Ingresan N personas
Ingresan N2 personas con afectacin cardaca
Pr{hospitalizacin}=n/N
Salen a hospitalizacin
n personas
Salen a
hospitalizacin n2
personas que
tenan afectacin
cardaca
Ingresan N personas
Ingresan N2 personas con afectacin cardaca
Pr{hospitalizacin2}=n2/N2
21

El ejemplo anterior, el caso 2 calcula la

probabilidad no respecto al espacio muestral,
sino a un subconjunto (evento) de ste.
El subconjunto al que se reduce el espacio
muestral, se puede nombrar como el evento
B.
El evento original, se denomina el evento A,
La probabilidad calculada se conoce como la
probabilidad condicional de A dado B.

Supongamos por ejemplo el experimento de

lanzar dos dados, y el evento de que la suma
de las caras sea igual a 10 o mas.
S={(1,1), (1,2), (1,3), , (6,6)},
|S|=36
A={(4,6),(5,5),(5,6),(6,4),(6,5),(6,6)} |A|=6
Pr{A}=6/36=1/6
Ahora supongamos que reducimos el anlisis
a los lanzamientos en los cuales, el primer
dado tiene un resultado igual a 5.
22

En este caso, el espacio muestral se reduce

al siguiente:
S*={(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)}
Y encontremos de nuevo la probabilidad del
evento A, pero limitado a este subconjunto
de S.
A*={(5,5), (5,6)}
As, la probabilidad de A* es
Pr{A*}=2/6=1/3
Obsrvese que las probabilidades son

diferentes, pues la referencia de espacio
muestral cambia. En ese caso, se dice que la
probabilidad de A* se calcula respecto al
subconjunto S* de S.
Si usted recuerda que el subconjunto de S es
un evento, podemos llamar a S* simplemente
B.
Decimos que en este caso, calculamos la
probabilidad de A dado B o respecto a B.
23
La probabilidad condicional se calcula como:
P{A | B} =
P{A B}
P{B}
Repasemos la expresin anterior para el

problema de ejemplo

A={(4,6),(5,5),(5,6),(6,4),(6,5),(6,6)} |A|=6
Pr{A}=1/6
B={(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)}
Pr{B}=1/6
AB={(5,5), (5,6)}
Pr{AB}=1/18
Pr{A|B}=Pr{AB}/Pr{B}=(1/18)/(1/6)=1/3
24
La probabilidad condicional, es la misma probabilidad

vista anteriormente, pero reduciendo el espacio
muestral a un subconjunto del mismo.
El valor de la probabilidad condicional permite definir la
dependencia e independencia de eventos.
Dos eventos son independientes, si se cumple
cualquiera de las tres condiciones siguientes:
P{A | B} = P{A}
P{B | A} = P{B}
P{A B} = P{A} P{B}

Ejemplo 9:
Una moneda es lanzada 3 veces. Considere los
eventos siguientes:

Obtener cara en el primer lanzamiento

Obtener sello en el segundo lanzamiento
Obtener cara en el tercer lanzamiento
Obtener el mismo resultado (cara o sello) en todos los tres
lanzamientos.
Obtener mas resultados cara que sello.
Cuales de los siguientes pares de eventos son

independientes?
a) a y b, b) a y d, c) a y e, d) d y e.
25
Cuidado!!!
Existen dos errores comunes en el trabajo con

probabilidades
Suponer eventos excluyentes cuando no lo son.
P{A B} = P{A} + P{B}

Suponer eventos independientes cuando en realidad son

dependientes.
P{A B} = P{A} P{B}

Por ejemplo, dos eventos excluyentes son independientes?
Teorema de la probabilidad total

Supongamos que
el espacio
muestral S puede
dividirse en n
eventos
excluyentes B1,
B2, B3, Bn.
Estos eventos
constituyen una
particin de S.
B6
A
B5
B1
B2
B3
B4
26

Supongamos que
el espacio
muestral S puede
dividirse en n
eventos
excluyentes B1,
B2, B3, Bn.
Estos eventos
constituyen una
particin de S.
P{A B1}
S
B6
A
B5
B1
B2
B3
B4

Supongamos que el espacio muestral S

puede dividirse en n eventos excluyentes B1,
B2, B3, Bn. Estos eventos constituyen una
particin de S.
El teorema de la probabilidad total indica que
la probabilidad de cualquier evento A, se
puede escribir como:
Pr{A} = Pr{A B1}+ Pr{A B2 }+ ... + Pr{A Bn }
27

Lo anterior es equivalente a:
Pr{A} = Pr{A B1 }+ Pr{A B 2 }+ ... + Pr{A Bn }

= Pr{A | B1}Pr{B1} + Pr{A | B2 }Pr{B 2 }+ ... + Pr{A | Bn }Pr{B n }
La expresin anterior, se conoce como el

teorema de la probabilidad total y se expresa
de manera mas compacta como:
n
Pr{A} = Pr{A | Bi }Pr{Bi }

i =1

Ejemplos 10 y 11
En un cierto pas, el 60% de los votantes son del partido
A, el 30% de un partido B y el 10% son independientes.
De las personas del partido A, el 40% se opone a cierta
ley. Del partido B el 65% se oponen a dicha ley y del
partido C, se oponen el 55%. Una persona elegida al
azar, que probabilidad tiene de oponerse a la ley?
Suponga que en un canal de comunicacin binario, no
simtrico, la probabilidad de recibir un uno
incorrectamente es 0.1 y la probabilidad de recibir un
cero incorrectamente es 0.05. Si la transmisin de
smbolos es equiprobable, cul es la probabilidad de
recibir un bit cualquiera correctamente?
28
Teorema de Bayes
El teorema de la probabilidad total, se utiliza

para transformar las probabilidades
condicionales conocidas como a-priori, en
probabilidades a-posteriori.
Esto es:
Pr{A i B}
Pr{A i | B} =
Pr{B}
Pr{B | A i }Pr{A i }
= n
Pr{B | A i }Pr{A i }
i =1
Teorema de Bayes

Ejemplo 12:
Un sistema hidrulico falla con probabilidad 0.6 si la
temperatura del aire es menor o igual a 0C. La
probabilidad de que la temperatura del aire sea
menor o igual a 0C es 0.08. La probabilidad de que
el sistema falle si la temperatura es superior a 0C
es 0.01. Cul es la probabilidad de que el sistema
falle?
En el problema anterior, si el sistema falla, cul es
la probabilidad de que la temperatura sea inferior a
0C?
29
Teorema de Bayes
Tarea 3:
Suponga un examen mdico. El 1% de la poblacin est
enfermo y el 99% esta sano. Si el examen se aplica a una
persona sana, la probabilidad de fallar en el diagnstico es
0.01 y de acertar es de 0.99. Si el examen se aplica a una
persona enferma, la probabilidad de fallar en el diagnstico
es 0.01 y de acertar es de 0.99.
Suponga que a un paciente, el resultado del examen es
positivo (tiene la enfermedad), cul es la probabilidad de
que est enfermo?
Suponga que a un paciente, el resultado del examen es
negativo (no tiene la enfermedad), cul es la probabilidad
de que est realmente sano?
CASO DE USO 1
La probabilidad
condicional y el teorema
de Bayes se utilizan para
construir un receptor de
seales digitales.
Suponga una fuente que
transmite dos smbolos
para representar el 0 o el
1.
El receptor recibe una
seal que es una copia de
la seal transmitida mas
interferencia, ruido, etc.
30
CASO DE USO 1
Si el ruido y la
interferencia son
aleatorios, la seal
recibida es aleatoria.
El receptor, desea
calcular la
probabilidad:
Pr{Fuente enva S i | se recibi r}
CASO DE USO 1
Aplicando el teorema de la probabilidad total

y algo de Bayes, encontramos la siguiente
expresin
Pr{Fuente enva S i | se recibi r}

Pr{Fuente enva S i se recibi r}
Pr{se recibi r}
Pr{se recibi r | Fuente enva S i } Pr{Fuente enva S i }
=
Pr{se recibi r}
=
31
CASO DE USO 1
Si se supone que los smbolos son equiprobables, y que

para cualquier smbolo, la probabilidad de recibir r es la
misma, el problema se reduce a encontrar el smbolo i
que maximice la probabilidad siguiente:
Pr{se recibi r | Fuente enva S i }

El receptor anterior se conoce como el receptor de

mxima verosimilitud.
Equivale a encontrar el smbolo mas cercano al smbolo
recibido. Este es el criterio que maximiza la probabilidad
de que se reciba el smbolo correcto.
Capitulo 2
Variables
aleatorias
32
Variables aleatorias

Supongamos un experimento cualquiera con un

espacio muestral S. En S se pueden definir un
conjunto de eventos e1, e2, e3, etc.
Supongamos una relacin que asigna un nmero a
un cierto evento en S. El nmero es representado
por una variable X.
Para explicar el concepto, supongamos el
lanzamiento de dos dados de 6 caras.
S={(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5),
(2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4),
(4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3),
(6,4), (6,5), (6,6) }

Para el espacio muestral definido por:

S={(x,y) | x{1,2,,6}, y{1,2,,6} }
Podemos definir varias variables aleatorias
como:
X1=x+y
X2=max(x,y)
X3=x*y
33
X1=x+y
X1
2
3
4
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
5
6
7
8
9
10
11
12
X2=max(x,y)
X1
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
34

El resultado de un experimento es aleatorio, por lo

tanto, el resultado de la variable X que resulta es
tambin aleatorio. La variable X se denomina una
variable aleatoria.
Al realizar un experimento, se obtiene un nmero
que pertenece a algn valor de la variable X.
Tal como a los eventos se puede asociar una
probabilidad, a las variables aleatorias se pueden
asignar probabilidades.
Si la V.A. es discreta, se puede encontrar una
funcin de masa de probabilidad. Si la V.A. es
continua, se puede encontrar una funcin de
densidad de probabilidad.
X1=x+y
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
X1
Probabilidad
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
10
3/36
11
2/36
12
1/36
35
6/36
5/36
En el caso de la
variable aleatoria
X1, se define la
funcin de
probabilidad
PX1(x), la cual
define la
probabilidad de un
valor x de la
variable aleatoria
X1.
Probabilidad PX (X)
4/36
3/36
2/36
1/36
6
7
8
Variable aleatoria X1
10
11
12
X2=max(x,y)
X1
Probabilidad
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
1/36
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
3/36
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
5/36
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
7/36
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
9/36
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
11/36
36
11/36
9/36
2
En el caso de la
variable aleatoria
X2, se define la
funcin de
probabilidad
PX2(x), la cual
define la
probabilidad de un
valor x de la
variable aleatoria
X2.
Probabilidad PX (X)
7/36
5/36
3/36
1/36
1
1.5
2.5
3
3.5
4
Variable aleatoria X2
4.5
5.5

Tarea 4
Para la variable aleatoria X3 definida
anteriormente, encuentre la funcin de
probabilidad Px3(x)
37
Cuando el espacio muestral es continuo, la

variable aleatoria se define usualmente como
continua.
Para una variable aleatoria continua, no se
define una funcin de probabilidad, sino una
funcin de densidad de probabilidad. Esta
funcin se utiliza para encontrar la probabilidad
de un evento.
En los espacios muestrales continuos, los
eventos son definidos por medio de intervalos.
Tomemos como ejemplo la duracin de una

llamada. El espacio muestral sera:
S3=[0,inf), e1=[0,10min], e2=[5min,10min]
Evento e1
0
10
11
Evento e2
38
La probabilidad
del evento
e1=[0,10min], se
calcula como el
rea bajo la curva
de la funcin de
densidad de
probabilidad
0.25
Funcin de densidad de Probabilidad fT(t)
0.2
0.15
0.1
0.05
10
15
10
15
Variable aleatoria t
La probabilidad
del evento
e1=[0,10min], se
calcula como el
rea bajo la curva
de la funcin de
densidad de
probabilidad
0.25
0.2
0.15
0.1
0.05
5
Evento e1
39
La probabilidad
del evento
e2=[5min,10min], se
calcula como el
rea bajo la curva
de la funcin de
densidad de
probabilidad
0.25
0.2
0.15
0.1
0.05
10
15
Evento e2
Definamos una variable aleatoria T como la

duracin de la llamada.
La probabilidad del evento e1, se puede escribir como:

10 min
Pr{0 T 10 min} =
( t ) dt
0
La probabilidad del evento e2, se puede escribir como:

10 min
Pr{5 min T 10 min} =
( t ) dt
5 min
40
Valor esperado de variables aleatorias

El valor esperado corresponde al promedio

ponderado de una funcin de la variable
aleatoria X.
El promedio ponderado depende de la
probabilidad.
Por ejemplo, el 90% de un grupo de
estudiantes obtiene 2.0 en un examen. El
10% obtiene 5.0. La nota promedio del
examen no es 3.5, sino 0.9*2+0.1*5=2.3

El valor esperado de una variable aleatoria

discreta, est dado por:
N
E (X) = X = x k PX (x k )
k =1
El valor esperado de una variable aleatoria

continua, est dado por:
E ( X) = X =
x f
( x ) dx
41

En forma general, se puede calcular el valor

esperado de cualquier funcin de la variable
aleatoria X, dada por g(X)
N
E (g(X )) = g(X ) = g (x k )PX (x k )

k =1
E (g(X )) = g(X ) = g(x ) f X ( x ) dx

Ejemplo 13:
En un sistema de atencin de clientes, se
cuenta con 3 operadores. Los clientes que
tiene el sistema son 5, y pueden llegar a
hacer una consulta con una probabilidad de
0.5 cada hora. Si un cliente es atendido, se
obtiene una ganancia $300. Si un cliente no
es atendido, se tiene una prdida $150.
Cuanto es la ganancia promedio del
sistema?
42

Existen ciertas
funciones de las
V.A. que son
comunes en los
modelos
estadsticos. Sus
valores
esperados son
conocidos como
la media, la
desviacin
estndar y la
varianza
g1 (X ) = X; E(g1 (X )) = X = x k PX (x k )
k =1
(
= (x
)
X ) P (x
2
g 2 (X ) = X X ; E(g 2 (X )) = Var(X ) = 2
N
k =1
N
(x
X PX (x k )
k =1

Existen ciertas
funciones de las
V.A. que son
comunes en los
modelos
estadsticos. Sus
valores
esperados son
conocidos como
la media, la
desviacin
estndar y la
varianza
g1 (X ) = X; E(g1 (X )) = X =
x f (x ) dx
X
g 2 (X ) = X X ; E(g 2 (X )) = Var(X ) = 2
(x X ) f (x ) dx
2
(x X ) f
2
(x ) dx
43
Probabilidad acumulada
La funcin de probabilidad acumulada evala

la probabilidad de la variable aleatoria
acumulada hasta un cierto valor x.
N
FX ( x N ) = x k
k =1
x
FX ( x ) = f X () d
Distribuciones de probabilidad
Existen ciertos experimentos comunes que

aparecen con frecuencia y se conoce la
funcin de probabilidad asociada, as como
la media, la varianza, etc.
A esos experimentos se les asocia una
distribucin de probabilidad.
Dichas distribuciones se clasificarn entre
distribuciones discretas y continuas.
44
Distribuciones de probabilidad discretas

Distribucin uniforme:
Consiste en un conjunto de puntos
muestrales equiprobables. Cada uno de los
n puntos tiene la misma probabilidad.

Distribucin Bernoulli:
Es una variable aleatoria que puede tener
dos nicos valores. Un valor 1 que
representa a un evento A, con probabilidad
p. Un valor 0 que representa un evento B
con probabilidad 1-p.
45

Distribucin Geomtrica:
Es una V.A. conformada por una secuencia
de eventos Bernoulli, independientes y de la
misma probabilidad p. Mide el nmero de
ensayos necesarios para obtener el evento
A.

Distribucin Binomial:
Se realiza una serie de N ensayos tipo Bernoulli.

En cada ensayo puede ocurrir un evento A o B
con probabilidades p y 1-p complementarias.
Los eventos son independientes entre s en
cada ensayo.
Las probabilidades permanecen constantes
durante la realizacin del experimento.
46

Determina la probabilidad de obtener n veces el
resultado a en los N ensayos.
Se debe lograr que ocurran (para un solo punto
muestral)
PX (k ) = P(a ) ... P(a ) P(b) ... P(b)
n veces
N-k veces
PX (k ) = P(a ) k P(n ) N k

Dado que los eventos pueden ocurrir en
cualquier orden, realmente se tienen mas
combinaciones de puntos. La expresin para
la probabilidad es:
PX (k ) =
N!
Nk
p k (1 p )
( N k )!k!
N
Nk
PX (k ) = p k (1 p )
k
47

Es una variable aleatoria que representa la
suma de N variables tipo Bernoulli.
Representa la probabilidad de tener un
nmero k de resultados en los N
experimentos tipo Bernoulli.

Distribucin Poisson:
Es una variable aleatoria que mide la probabilidad de tener un
nmero k de resultados en un intervalo T, de acuerdo con cierta
tasa de llegada .
Esta distribucin permite modelar el nmero de llamadas que
llegan a una central en un tiempo determinado.
se conoce como rata o frecuencia de ocurrencia de eventos y
tiene unidades de eventos/seg.
= 10 llamadas/seg.
48

Ejemplo 14: Se lanza una moneda cuatro veces. Calcular la

probabilidad de que salgan ms caras que sellos
Ejemplo 15: Una mquina fabrica tornillos y se ha comprobado
que el 2% de los mismos son defectuosos. Si se vende en
paquetes de de 29, se pide: Cul es la probabilidad de que al
comprar un paquete haya en el mismo 2 defectuosos?
Ejemplo 16: De los donadores de sangre de una clnica, 80%
tiene el factor Rh presente en el torrente sanguneo. Si se elige
de manera aleatoria a cinco donadores, cul es la probabilidad
de que por lo menos uno carezca del factor Rh?
Ejemplo 17: En promedio, cada una de las 18 gallinas de un
gallinero pone un huevo al da. Si se recogen los huevos cada
hora Cul es el nmero medio de huevos que se recogen en
cada visita? Con qu probabilidad encontraremos x huevos
para x = 0,1, 2,3? y la probabilidad de que x>=4 ?
Distribuciones de probabilidad continuas

Distribucin Uniforme:
Es una variable aleatoria que asigna la
misma probabilidad a cualquier intervalo de
longitud L.
49

Distribucin exponencial:
Determina la probabilidad de que transcurra un
intervalo de tiempo determinado entre dos eventos
cualquiera.
Probabilidad que entre dos eventos cualquiera,
transcurra entre 5 minutos y 15 minutos:
15 min
P(5 min t 15 min) =
f (u ) du
5 min
Probabilidad que entre dos eventos transcurra ms
de 1 hora:
P(1hora t ) = f (u )du
1hr

Distribucin Exponencial:
Es una variable aleatoria que permite
calcular la probabilidad de ocurrencia del
siguiente evento. Mide tambin la
probabilidad del tiempo que transcurre entre
dos eventos.
50

Distribucin Normal:
Es la llamada funcin de error. Se construye
como la suma de una cantidad muy grande
de otras variables aleatorias. Esto es
conocido como el teorema central del lmite.

Ejemplos 18-19:
Se ha comprobado que el tiempo de vida de cierto
tipo de marcapasos sigue una distribucin
exponencial con media de 16 aos. Cul es la
probabilidad de que a una persona a la que se le
ha implantado este marcapasos se le deba
reimplantar otro antes de 20 aos?
Suponga que tiene que esperar por alguien que
demora en promedio 20 minutos. Cul es la
probabilidad de esperarlo mas de media hora? Si
usted lleva ya esperndolo una hora y la persona
no ha llegado, cual es la probabilidad de tener que
esperarlo mas de una y media horas?
51
Distribuciones de probabilidad
Las distribuciones de probabilidad permiten

el rpido clculo de las probabilidades.
Si se puede comparar un fenmeno con
cierta variable aleatoria, entonces se puede
calcular la probabilidad muy rpidamente sin
requerir tcnicas de conteo o conceptos
adicionales.
Adicionalmente, tienen muchos parmetros
como el valor esperado o la varianza ya
calculados.
Capitulo 3
Procesos
estocsticos
52
Procesos estocsticos

Un proceso estocstico es un desarrollo

adicional sobre el concepto de las variables
aleatorias.
Un P.E. es una V.A. que cambia en el tiempo.
Ejemplos:
El nmero de personas que estn dentro de un banco
en el tiempo
El nmero de llamadas activas en una central de
conmutacin
El nmero de paquetes en una cola de transmisin
Un proceso estocstico mantiene la distribucin
de probabilidad para diferentes valores en el
tiempo de la variable aleatoria. No se puede
predecir el valor de la variable en el futuro.
El nmero de llamadas activas en una central de
conmutacin
16
14
Numero de llamadas
12
10
8
6
4
2
0
5
t (seg)
10
53
El nmero de
llamadas activas en
una central de
conmutacin
Numero de llamadas
Numero de llamadas
Si se toman
diferentes muestras
en el tiempo, se
obtienen diferentes
realizaciones del
proceso.
15
Numero de llamadas
15
20
Numero de llamadas
20
10
5
0
0.5
1.5
2.5
t (seg)
3.5
4.5
0.5
1.5
2.5
t (seg)
3.5
4.5
0.5
1.5
2.5
t (seg)
3.5
4.5
0.5
1.5
2.5
t (seg)
3.5
4.5
10
5
0
10
10
Sin embargo, el
nmero de llamadas
simultneas
conserva la misma
distribucin de
probabilidad en el
tiempo
Frecuencia de ocurrencia
El nmero de
llamadas activas en
una central de
conmutacin
300
250
200
150
100
50
6
8
10
12
14
Numero de llamadas simultneas
16
18
20
54
La diferencia entre el anlisis de una V.A. y un

proceso estocstico es basada en las tres
caractersticas siguientes:
El valor promedio de la variable aleatoria respecto al

tiempo en el largo plazo.
16
14
Numero de llamadas
12
10
8
6
4
2
0
0.5
1.5
2.5
t (seg)
3.5
4.5
El clculo de la probabilidad de ciertos eventos extremos. Por

ejemplo, la probabilidad de que N(t) sea mayor a 14
16
14
12
Numero de llamadas
10
8
6
4
2
0
0.5
1.5
2.5
t (seg)
3.5
4.5
55

Finalmente, es importante determinar la relacin entre valores
de la V.A. en dos instantes cercanos de tiempo.
Aunque la variable es aleatoria, en un intervalo de tiempo
corto, no es muy grande la variacin que tiene. Existe una
relacin entre las variables cercanas en le tiempo.
10
Numero de llamadas
8
6
4
2
0
0.05
0.1
0.15
0.2
t (seg)
0.25
0.3
0.35
0.4
Los procesos estocsticos los clasificaremos

entre dos tipos principales:
Procesos de llegada

Proceso de Bernoulli (no lo estudiaremos)

Proceso de Poisson
Procesos Markovianos

Procesos de nacimiento y muerte

Cadenas de Markov
56
Proceso de Poisson
Es un proceso que indica los momentos en que
ocurren eventos tipo A.
El evento puede suceder en cualquier instante de
tiempo t.
Se conoce que la tasa promedio de ocurrencia de
los eventos es [=]eventos/seg.
10
11
12
Proceso de Poisson
El tiempo que transcurre entre los eventos se
llamar Tk, y tiene distribucin exponencial.
El tiempo que transcurre hasta el evento k se
llamar Yk y tiene distribucin de Erlang.
T1
T3
T2
4 Y1 5
7 Y2
10 Y3 11
57
Proceso de Poisson
El nmero de eventos que ocurren en un
tiempo T tiene una probabilidad dada por la
distribucin de Poisson
(T )k e T
PX (k ) =
k!
3 llegadas en T=11seg
4 Y1 5
7 Y2
10 Y3 11
Proceso de Poisson
La distribucin de
probabilidad de la duracin
del tiempo entre los eventos
es exponencial. Es decir,
T1
f T1 ( t ) = e t
f T2 ( t ) = e t
f T3 ( t ) = e t
T3
T2
4 Y1 5
7 Y2
10 Y3 11
58
Proceso de Poisson
El proceso de Poisson carece de memoria, lo cual
est indicado por:
Pr{t To + | t To } = Pr{t }
Esto quiere decir, que el proceso se reinicia a si

mismo cada instante de tiempo.
Si el evento no ha ocurrido hasta el tiempo To, la
probabilidad de que ocurra en un intervalo
siguiente es la misma que antes de haber
esperado el tiempo To.
Proceso de Poisson
El proceso de Poisson es aditivo. Si se
tienen dos procesos de Poisson con tasas
1 y 2, la unin de dichos procesos es otro
proceso de Poisson de tasa = 1+ 2.
Por ejemplo, suponga que tiene una oficina
que hace llamadas con una tasa 1.
Adems, otra oficina que hace llamadas con
una tasa 2. Las dos oficinas hacen entre
las dos, llamadas con una tasa = 1+ 2.
59
Proceso de Poisson
Un proceso de Poisson tambin puede separarse
en varios subprocesos de tasas menores. La suma
de las tasas en que se descompone el proceso,
debe ser igual a la tasa original.
Por ejemplo, suponga que la gente llega a un
edificio con una tasa . Si las personas se dirigen a
una u otra oficina con probabilidades P1 y P2, las
llegadas a cada oficina son tambin procesos de
Poisson con tasas 1= P1 y 2= P2 .
Procesos de nacimiento y
muerte
Dichos procesos son basados
en el proceso de Poisson
para modelar sistemas
basados en lneas de espera
o colas.
Supongamos un sistema
donde los usuarios requieren
un servicio y deben esperar
hasta que el recurso se
desocupe.
Supongamos el estado del
sistema como el nmero de
usuarios en el sistema.
60
Modelos exponenciales
Llegadas de usuarios al sistema
3 usuarios en
el sistema, uno
en servicio,
dos en cola
4
3
2
Usuarios atendidos en el sistema
Tiempo
El primer modelo a analizar ser el modelo

M/M/1

Llegadas exponenciales
Servicio de duracin exponencial
Un servidor
Capacidad infinita
Poblacin infinita
Modelo de servicio FIFO
61

Las llegadas ocurren con tiempos entre llegadas exponenciales.

El nmero de usuarios que llegan en un intervalo T son
distribuidas por Poisson.
La tasa de llegadas de usuarios es usuarios/segundo
El tiempo medio entre llegadas es 1/
El proceso de llegada es un proceso de Poisson

dt
dt exponecial
dt
Tiempo
Prob 3 eventos en intervalo T, Poisson
La llegada se puede ver como un proceso de

nacimiento, donde cada vez han llegado mas
usuarios al sistema. En el tiempo, el nmero de
usuarios va aumentando a medida que llegan mas y
mas usuarios al sistema.
62

El tiempo de servicio de los usuarios tambin se

modela como una variable exponencial.
Una vez el usuario comienza servicio, demora
dentro del servidor un tiempo t exponencial.
El modelo completo, se puede ver como un modelo
de nacimiento y muerte, con usuarios entrando y
saliendo del sistema.
La tasa de servicio del sistema es
[usuarios/segundo] y el tiempo medio de servicio es
d=1/ [segundos].
El proceso de nacimiento y muerte, controla

el nmero de usuarios dentro del sistema.
Cantidad de usuarios en el sistema
63
Notacin de Kendall para las colas
A/B/C/D/E/F
A: Distribucin de probabilidad de tiempo entre llegadas
B: Distribucin de probabilidad de tiempo de atencin
C: Nmero de servidores
D: Tamao del sistema
E: Tamao de la poblacin
F: Poltica de atencin de la cola (FIFO,LIFO,PRI)
Se define el flujo de probabilidad que sale por una de las flechas

anteriores, como la probabilidad del estado saliente, por el valor
de la tasa de servicio o llegada ubicada en la flecha. El flujo de
probabilidad que ingresa en una regin cerrada, es igual al flujo
que sale de la regin en condiciones estacionarias.
0 = 1
64

1 = 2
Modelos de Poisson

2 = 3
65
A partir de las ecuaciones anteriores, se

puede obtener los diferentes parmetros
del sistema. Definiendo =/, se definen
los siguientes valores: L = Nmero de
usuarios en el sistema

Lq = Nmero de usuarios en la cola

W = Tiempo para atravezar el sistema
Wq = Tiempo de espera en la cola
n = Probabilidad de que haya n usuarios en
el sistema
W
Wq
Lq
L
66
Resumen
Cola
M/M/1
n = n (1 )
L=
2
Lq =
1
Ls =
W=
1
1
1 2
Wq =
1
1
Ws =
Ejemplo 20: Se tiene una red Ethernet con infinitos usuarios

conectada al exterior mediante un router con una memoria para
almacenar paquetes infinita. Se sabe que: El flujo de datos hacia
fuera de la red es de 100 paq/seg en promedio y el tiempo entre
llegadas exponencial. El tamao de los paquetes corresponde a una
funcin de probabilidad exponencial y es en promedio de 85 bytes.
Calcule:

la velocidad mnima del enlace de salida y asigne un valor estndar

la utilizacin del enlace.
el tiempo medio que tarda un paquete en ser transmitido
el tamao medio de la memoria del router que permanece ocupada en
paquetes.
el tiempo medio que permanece un paquete en la cola
La probabilidad de tener ms de 2 paquetes en la memoria
PROBLEMA 4
67
Capitulo 4
Modelos
Markovianos
68

Procesos Estocasticos Parte 1 y 2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Procesos Estocasticos Parte 1 y 2

Uploaded by

Copyright:

Available Formats

Procesos y variables aleatorias

Roberto Carlos Hincapi

Las medidas que se realizan en el mundo

Supongamos un proceso de medicin de alguna

El conjunto de todos los resultados posibles del

Definimos un evento, como un subconjunto

Los eventos pueden ser:

La probabilidad es una cantidad numrica

vi) Un conjunto A i , i = 1,2,..., n de eventos excluyentes,

El resultado anterior corresponde a la interpretacin

Clculo de las probabilidades

Conocido el tamao del espacio muestral, la probabilidad

Clculo de las probabilidades

Clculo de las probabilidades

Ejemplo: Una lnea de ferrocarril tiene 25 estaciones.

Debe existir alguna metodologa para calcular el

Formula general de conteo - Seleccin

La utilizacin de cada una de ellas depende

En las permutaciones y combinatorias, se

La permutacin considera que el orden en que se extraen los

Ejemplo 3: Una lnea de ferrocarril tiene 25 estaciones.

En una clase de 10 alumnos van a distribuirse 3 premios. Averiguar de

Clculo de las probabilidades

Se utiliza un diagrama de rbol para construir la

Clculo de las probabilidades

Ejemplo 6: Una universidad tiene tres

Clculo de las probabilidades

Para calcular las probabilidades, creemos

Clculo de las probabilidades

Para calcular las probabilidades, creemos

Clculo de las probabilidades

Para calcular las probabilidades, creemos

Clculo de las probabilidades

Para calcular las probabilidades, creemos

Clculo de las probabilidades

Probabilidad de eventos compuestos

Los eventos compuestos se construyen a

Probabilidad de eventos compuestos

El problema es el clculo de la probabilidad.

Probabilidad de eventos compuestos

La interseccin de eventos incluye solamente los elementos que

Probabilidad de eventos compuestos

Ejemplo 7: Dos hermanos salen de caza. El primero

La probabilidad asociada a un evento mide la

La probabilidad de que un paciente de urgencias quede

Ingresan N2 personas con afectacin cardaca

Ingresan N2 personas con afectacin cardaca

El ejemplo anterior, el caso 2 calcula la

Supongamos por ejemplo el experimento de

En este caso, el espacio muestral se reduce

Obsrvese que las probabilidades son

La probabilidad condicional se calcula como:

Repasemos la expresin anterior para el

La probabilidad condicional, es la misma probabilidad

Obtener cara en el primer lanzamiento

Cuales de los siguientes pares de eventos son

Existen dos errores comunes en el trabajo con

Suponer eventos excluyentes cuando no lo son.

P{A B} = P{A} + P{B}

Suponer eventos independientes cuando en realidad son

P{A B} = P{A} P{B}

Por ejemplo, dos eventos excluyentes son independientes?

Teorema de la probabilidad total

Teorema de la probabilidad total