PROCESOS ESTOCASTICOS

1. Un experimento es una actividad con resultados observables

2. Un punto muestral es cualquier resultado de un experimento
3. Es el conjunto de todos los puntos mustrales de un experimento denomina espacio
muestral
4. Un evento es cualquier subconjunto de un espacio muestral.
Un expermiento consta de lanzar una moneda 3 veces.
a) Encuentre el espacio muestral del experimento.
b) El evento de que por lo menos haya un solo
Solucin: Designemos con s=solo y a=guila.
a) S={(s,s,s),(s,s,a),((s,a,s),(s,a,a),(a,s,s),(a,s,a),(a,a,s),(a,a,a)}
b) E={(s,s,s),(s,s,a),(s,a,s),(s,a,a),(a,s,s),(a,s,a),(a,a,s)}
Un experimento consta de lanzar dos dados no cargados y observar lo nmeros que caen hacia
arriba.
a) D el espacio muestral de esta experimento.
b) El evento de que el producto sea un mltiplo de dos.
Respuesta a)
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)
Respuesta b)
(1,2),(1,4),(1,6),
(2,1),(2,2),(2,3),(2,4),(2,5),(2,6),
(3,2),(3,4),(3,6),
(4,1),(4,2),(4,3),(4,4),(4,5),(4,6),
(5,2),(5,4),(5,6),
(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)

ACTIVIDAD DOS
La compaa de bateras Ever-Brite est desarrollando una batera de alta capacidad y amperaje
como fuente de poder para autos elctricos. La batera se prueba en un prototipo de auto, que la
utilizando totalmente cargada en una pista de pruebas a una velocidad constante 55mph, hasta
que pierde su energa. Luego se registra la distancia recorrida por el auto.
a) Cul es el espacio muestral de este experimento?
d distancia recorrida
S={d|d0}
S=[0.)
b) Describir el evento E de que el rango de distancia recorrida en las condiciones de prueba
sea menor de 150 millas

S={d|d<150}
S=[0,150)
c) Describir el evento E de que el rango de distancia recorrida est entre 200 y 250 millas,
incluidas.

S={d|200d250}
S=[200,250]

PROBABILIDAD
La probabilidad de que ocurra un evento A, asociado a un espacio muestral S, est dada por:
() =
cosos oorobs o no
oo cosos posbs

O bien
() =

Es vlida slo para espacios mustrales finitos, y cuando cada evento simple tiene la misma
probabilidad de ocurrir.

REGLAS DD PROBABILIDAD
Propiedad 1 P(E)0, para cualquier evento E
Propiedad 2 P(S)=1
Propiedad 3 Si E y F son eventos mutuamente excluyentes
( r ) =
noncs ( U ) = () +()
Propiedad 4
Entonces
Si E y F son eventos cauqluesquiera
( U ) = () +() -( r )


ACTIVIDAD TRES
En una agencia bancaria hay dos sistemas de alarma A y B. El sistema A funciona en 7 de cada 10
atracos, B funciona en 8 de cada 10 y los dos a la vez lo hacen en 6 de cada 10 atracos. Cul es la
probabilidad de que en caso de atraco funcione al menos una de estas alarmas?
=

=
8

r =

U = () +() -( r )
U = . +.8 -. = .9
ACTIVIDAD CUATRO
El inspector de un distrito escolar urbano ha estimado las probabilidades relacionadas con las
calificaciones de un examen realizado a todos los estudiantes de este distrito. Estos resultados se
muestran en la tabla siguiente.
Distribucin de probabilidad
Calificacin (X) Probabilidad
X>700 0.01
600<X700 0.07
500<x600 0.19
400<x500 0.23
300<x400 0.31
x300 0.19

Si elige un alumno al azar, indique la probabilidad de que su calificacin sea
a) Mayor de 400
P(x>400)=1-P(x300)-P(300<x400)=0.5
b) Menor o igual a 500
P(x500)=1-0.1-0.07-0.19=0.73
c) Mayor que 400 pero menor o igual a 600
P(400X600)=0.23+0.19=0.42
PROBABILIDAD CONDICIONAL
Sean A y B dos eventos asociados de un espacio muestral. La probabilidad de que ocurra el evento
A dato que ya ocurri el evento B, est dada por:
(|) =
( r )
()
, () < .

ACTIVIDAD CINCO
Se lanza un par de dados no cargados Cul ser la probabilidad de que la suma de los nmeros
que estn en la parte de arriba de los dados sea 8 si se sabe que uno de ellos es 5?
A=Que la suma sea 8
B= Que uno sea 5
{(,), (,), (,), (,), (,)]
r = {(,), (,)]
( r ) =

() = {(,), (,), (,), (,), (,), (,), (,), (,), (,), (,), (,)]
() =
(|) =

ACTIVIDAD SEIS
En una caja hay 100 resistencias que tienen el valor y la tolerancia indicados en la tabla
Tolerancia
RESISTENCIA () 5% 10% Total
22 10 14 24
47 28 16 44
100 24 8 32
Total 62 38 100

Se selecciona una resistencia de la caja y se supone que cada resistencia tiene la misma
probabilidad de ser elegida. Hallar.
a) La probabilidad de sacar una resistencia de 47 con una tolerancia de 5%
Obtener 47 . Probabilidad que sea de 5% y que sea de 47
Tolerancia de 5%. Probabilidad que sea 5%
() =

( r ) =28/100
(|) =
8

b) La probabilidad de sacar una resistencia de 47 con un valor de 100
( r ) =0
() = /100
(|) =

c) La probabilidad de sacar una resistencia cuya tolerancia es del 5% y su valor de 100
() =

( r ) =

(|) =

EVENTOS INDEPENDIENTES
Supongamos ahora, que la probabilidad del evento A que ocurra no depende del evento B ocurra
o no. Cuando esto suceda, tendremos a decir que los eventos A y B son independientes.
Se dice que los eventos A y B son independientes si cumplen con cualquiera de las tres condiciones
siguientes:
a) (|) = ()
b) (|) = ()
c) ( r ) = ()(|) = ()()
Consideremos el lanzamiento de un dado y los eventos.
A=Que salga un nmero impar
B=Que salga un nmero par
C=Que salga un 5 o un 6
Cules de los eventos son independientes y cuales son dependientes?
oo r = , s n q
( r ) = () =
Por otro lado, P(A)=1/2, P(B)=1/2
De aqu
() () = _

] _

] = _

] =
Dado que r = ()
Se tiene que ( r ) =
1
6

Por otro lado, P(A)=1/2,P(C)=1/3

ACTIVIDAD SIETE

Supnganse que un mecanismo est formado por dos componentes acoplados en serie, como se
indica en la figura :





Cada uno de ellos tiene una probabilidad p que no funcione, Cul es la probabilidad de que el
mecanismo funcione, si se supone que los componentes son independientes?

P = (1-Pc
1
)(1-Pc
2
)
P = 1 Pc
2
Pc
1
+Pc
1
Pc
2


C1

C2
TEOREMA DE LA MULTIPLICACION
La consecuencia ms importante de la definicin de probabilidad condicional es el siguiente
resultado, conocido como TEOREMA DE MULTIPLICACION
( r ) = ()(|)
Si se tienen k eventos A
1
, A
2
, A
3
, , A
k
de un espacio muestral la probabilidad de que ocurran los k
eventos est dado por:
(
1
r
2
r
3
r .r
k
) =
= (
1
)(
2
|
1
)(
3
|
1
r
2
) .(
k
|
1
r
2
r
3
r .
k-1
)
Definicin. Decimos que tres eventos A, B y C son independientes si y slo si todas las condiciones
siguientes se satisfacen:
( r ) = ()()
( r ) = ()()
( r ) = ()()
( r r ) = ()()()

ACTIVIDAD OCHO
La probabilidad de cerrar cada uno de los relevadores del circuito que se indicar est dada por
p=1/3. Si todos los relevadores funcionan independientemente, Cul es la probabilidad de que
existe una corriente en las terminales I y D?
Propiedad
( U ) = () +() -() ()
Solucin
(( r ) U ( r ))
= (()()) +(()()) -((()()()())
= ` +` -
4
= ` -
4
=

8
= .98

ACTIVIDAD NUEVE
Los cinescopios para los televisores a color Plsar de 19 se producen en 3 lugares, y despus se
envan a la planta principal de la empresa Vista Visin para su montaje final. Las plantas A, B y C
proporcionan el 50%, 30% y el 20% respectivamente de cinescopios del total de cinescopios
utilizados por la compaa El departamento de control de calidad ha determinado que el 1% de
los cinescopios fabricados por la planta A son defectuosos, mientras que el 2& de los cinescopios
elaborados en las plantas B y C son defectuosos. Cul es la probabilidad de que un televisor a
color Pulsar de 19 pulgadas tenga un cinescopio defectuoso?
Planta
A=50%
B=30%
C=20%
Defectuosos
A=1%
B=2%
C=2%
cosos = (ono() r cosos()) U (ono() r cosos())
U (ono() r cosos())
= () U () U ()
= () +() +()
ono() r cosos() = . . = .
ono() r cosos() = . . = .
ono() r cosos() = . . = .

cosos =

= .

ACTIVIDAD DIEZ
Una caja contiene ocho bateras de nueve voltios, de las cuales se sabe que dos de ellas tienen un
defecto. Las bateras se van eligiendo una vez, sin reemplazo, y se revisan hasta que se encuentran
una no defectuosa. Cul es la probabilidad de que el nmero de bateras sea (a) uno, (b) dos y (c)
tres?
o) =

8
= .
b) =

8

= .
c) =

8

= .



N
N
N
D
D
EJEMPLO
Un experimento consta de tirar un dado y lanzar una moneda. Sea la variable aleatoria X, la
funcin definida como sigue.
- El resultado de obtener un sol (c) al lanzar una moneda se hace corresponder los valores
positivos de X que son iguales a los valores da dado obtenido.
- El resultado de obtener un guila (a) al lanzar una moneda se le hace corresponder a los
valores negativos de X cuyo mdulo es el doble del nmero que sale al tirar el dado.
Considere un experimento en el que se hace girar la manecilla de una rueda de la fortuna. Los
posibles resutlados son de 0 a 12 marcados sobre la rueda.
Definimos la variable aleatoria
X: -
X(s) = s`
Donde
= {X e | <

ACTIVIDAD 1
1. El espacio muestral de un experimento es
o) = {,,.,]
b) = {s| - s ]
Enumere todos los valores posibles de las variables aleatorias
o) X = s
b)X = s` -
Respuesta a)
X(s) = {,,,]
Respuesta b)
- s
s`
- X(s) 9
|-,]
X
-
|-,9]
s
s`
- X(s)
|,]
X
-
|-,]

|-.] s e |.]
X(s)
|-,9]s e |-,]
{s|X(s) e |-,] = {- X ] = {- X(s) ]

CONDICIONES PARA QUE UNA FUNCIN SEA UNA VARIABLE ALEATORIA
1. X{Xx} es un evento para
2. X{X=-}=0, P{X=}=0
CLASIFICACIN DE VARIABLES
- Una variable alaeatoria se llama discreta si tomas valores discretos.
- Una variable aleatoria se llama continua si toma valores en un intervalo.
- Una variable aleatoria se dice mixta si toma tanto valores discretos, como en un intervalo.
FUNCION DE DISTRIBUCIN
Una Funcin de distribucin es una regla que a cada XR asocia una probabilidad P(Xx} y se
denota por F
x
(x). Es decir

x
: - (X )
Es decir

x
() = (X )
PROPIEDADES
1.
x
(-) =
2.
x
() =
3.
x
()
4.
x
(X
1

x
(X
2
)
OBSERVACIN
Si X es una variable discreta, entonces la grfica de su funcin de distribucin F
x
(x) es de forma
escalonada y vine dado por

x
() = ({X =

]) U {X -

]
n
=

Donde u(x) es la funcin escaln unitario.
o < b < |o <
o` > ob >
o < b <
ob > b` >
o` > ob > b` > - < b` < o`
Ejemplo
Sea X tal que toma los valores discretos del conjunto {-1,-0.5,0.7,2.5,4}. Supongamos que las
probabilidades correspondientes son {0.1,0.2,0.1,0.4,0.2}. Dibuje la funcin de distribucin F
x
(x) de
esta variable aleatoria.

x
() = ({X = -]) U ( +) +({X = -.]) U ( +.) +({X = .]) U ( -.)
+({X = .]) U ( -.) +({X = ]) U ( -)









.1
.3
.4
.8
1
-1 -0.5 0.7 2.5 4
ACTIVIDAD DOCE
Graficar la funcin F
x
(x) de la variable X(s) = 2s, si S ={0,1,2.5,6}. Se considera que los elementos del
espacio muestral tienen la misma probabilidad de ocurrir.
X
(s)
= {,,,]

x
() = {X = ] = {X = ] = {X = ] = {X = ] =

1
0 2 5 12
FUNCIN DE DENSIDAD
La funcin de densidad de probabilidad, denota por f
x
(x), se define como

x
() =

x
()
Siempre y cuando la derivada exista
OBSERVACION
Una variable aleatoria continua tendr una funcin de distribucin continua.
Casos discreto

x
() = ({X =

] U ( -

)
n
=1

x
() =

x
() =

({X =

]) U ( -

)
n
=1

({X =

])

U ( -

)
n
=1

({X =

])o( -

)
n
=1


ACTIVIDAD
Dibujar la funcin de densidad de la funcin de distribucin de la actividad anterior.















.1
.3
.4
.8
1
-1 -0.5 0.7 2.5 4
PROPIEDADES DE LA FUNCIN DE DENSIDAD
1.
x
()
2. ]
x
() =

-

3.
x
() = ]
x
()
x
-

4. ({
1
< X <
2
]) = ]
x
()
x
2
x
1

ACTIVIDAD
Verificar que la funcin dada por su grfica es una funcin de densidad.









, - < <
-

( -), 8
-

( -), 8 <
,
_
x
() =

_ ( -) -

_ ( -) =
13
8
8
3

-


Actividad 13
Considere que la funcin de distribucin
x
() tiene la siguiente grfica






Dibuje la funcin de densidad correspondiente
Recordemos que

x
() =

x

x
()
=
-
0

-
0
=

x
() =
0 x0
(1/16)x 0<x<16
1 16x

x
() =
()

x
+

x
+
()

x
() =

0 x0
1/16 0<x<16
0 16x





F
x
(x)
1
16
1/16
16
f
x
(x)
Actividad 14
Si X es una variable aleatoria continua con una funcin de densidad
4x si 0x1
fx(x)
0 en otro caso

x
() = _
x
()
x
-


]
x
0
-
si x<0

Fx(x)
] +]
3

x
0
0
-
=
4
0x1


] +]
3
+]
x
1
1
0
0
-
=1 1<x










1
1
f
x
(x)
Actividad 15
Sea X una variable aleatoria con funcin
Cx ,0x2
fx(x)
0 en otro caso

1. Encuentre el valor de c para que fx(x) sea una funcin de densidad vlida.
2. Determine la probabilidad de P{1x2}
= _
x
()

-

_ c
2
=
c
3

2
0
|

=
c(
3
-
3
)

=
c(8
3
)

=
c =

8

{o b] = _
x
() =
b
u

{ ] = _ c
2
= _

8

2
=

8

(
3
)

=

8
2
0
2
1


Actividad 16
Hallar el valor de b tal que la funcin que representa a una seal

x
() = 8cos
n
b
rc(

b
)
Donde

1 si
x
2b
<
1
2

rect(x/2b) b>0

0 si
x
2b
<
1
2


Es una funcin de densidad
a si o
|a|
-a si o

|o| < b

-b < o < b





Solucin
= _ 8 cos
n
b
() = _
b 8
n
sn
n
b
_
-b
b
=
b
n
_sn _
nb
b
] -sn _
nb
(-b)
]_
b
-b

b
n
sn
n

+ sn
n

=
b
n
|] =
b
n

=
b
n

b =
n

-b
b
0
VALOR ESPERADO
Caso Discreto
Sea X una variable discreta con valores en conjunto D, entonces el valor esperado de X se define
|X] = p = _ ()
xe
, on ()s o probobo
Caso Continuo
Sea X una variable continua con su funcin de densidad
x
(). Entonces el valor esperado de X se
define por
|] = _
x
()

-

Actividad 17
Supngase que una variable aleatoria X tiene una funcin de densidad

3
2
( -
2
) si x
f
x
(x)
0 En otro caso

|X] = _ _

( -
2
)_ = _ _

2
]
1
0
1
0

_

3
=

0
1
-

0
1
1
0

=

_ -

_ =

8
=
-
8
=

8

|] =

8


VARIANZA
La varianza de una variable continua X denotada por o
x
2
o (X), con
x
() se define como
o
x
2
= |X] = _( -|])
2

x
()
x

o
x
2
= |(X -(X))
2
]
I Caso Discreto
Sea X una variable discreta con valores en un conjunto D y g(x) una funcin en X, entonces el valor
esperado de g(x) se define
|()] = p = _ ()()
xe
, on ()s o probobo
II Caso contino
Sea g(x) una funcin de la variable aleatoria X y f
x
(x) la funcin de densidad X. Entonces el valor
esperado de g(x) se define por:
|()] = _ ()
x
()
x

-

Actividad 18
Supngase que una variable aleatoria X tiene una funcin de densidad

3
2
( -
2
) si x
f
x
(x)
0 En otro caso


E(
2
)=] x
2
() =

-
]
3
2
x
2
( x` )
x
1
0

=

_x
2

1
0
-

_x
4

x
=

0
1
-

0
1
=

() -

() =

1
0


V (x)=E(
2
)|()]
2
=
1
5
-
3
8

2
=
19
320


Actividad 19
Determinar el valor esperado de la variable aleatoria continua con distribucin exponencial

1
b

-
x-c
b
> o
f
x
(x)
0 < o
Adems la varianza de dicha variable
|X] = ]
1
b

-
x-c
b

x
= ]
x
b

u

-
x-c
b

x

= -b
-
x-c
b
]

=
-
x-c
b

=

b
-b
-
x-u
b
-_ -b

-
x-u
b

x

u

= -
-
x-u
b

u

+_
-
x-u
b

x

u

= -
-
x-u
b

u

-b
-
x-u
b

u

= -
-
-u
b
+ o -
-
u-u
b
-b
-
-u
b
-b
-
u-u
b

= +
(
2
) = ]
2
() =

-
]
2
_
1
b

-
(x-c)
b
]

u
=
1
b
]
2

-
(x-c)
b

u

=_
x
2
b
_-b
-
(x-c)
b
] -] -b
-
(x-c)
b
2x
b

x

u
_ = _-
2

-
(x-c)
b
_
u

+]
-
(x-c)
b

x

u

=_-
2

-
(x-c)
b
_
u

+_
2x
b
_-b
2

-
(x-c)
b
] -] -b
2

-
(x-c)
b
2
b

u
_
=_-
2

-
(x-c)
b
_
u

+_-b
-
(x-c)
b
] +] b
-
(x-c)
b

u

=_-
2

-
(x-c)
b
_
u

-_b
-
(x-c)
b
_
u

-_b
2

-
(x-c)
b
]_
u

=o
2
+ob +b
2

v (x)=E( v (x)=E( v (x)=E( v (x)=E(x
2
) )) )- -- -|(x)]
2
= (o
2
+ob +b
2
) -(o +b)
2
= o
2
+ob +b
2
-o
2
-ob -b
2

= b
2


Actividad 20
Encuentre P(2x
1
3,1x
2
2) en el lanzamiento de dos dados.
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

P( x r x ) =

=

9


ACTIVIDAD 21
En cierto mecanismo hay 3 receptores de seales. Dos seales llegan a ellos en diferentes
momentos, cuando no hay otras seales. Cada seal puede elegir independientemente un
receptor al azar. Sea X
1
el nmero de seales que llegan al receptor 1 y X
2
el nmero de seales
que llegan al receptor 2. Encuentre la distribucin conjunta de X
1
y X
2
.

Espacio Muestral
S={(1,1),(1,2),(1,3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)}
X
1
={(1,1),(1,2),(1,3),(2,1),(3,1)}
X
2
={(1,2),(2,1),(2,2),(2,3),(3,2)}
X
1

X
2

0 1 2
0 1/9 2/9 1/9
1 2/9 2/9 0
2 1/9 0 0

P(X1=0, X 2=0)= p(0,0)=P({(3,3)})=1/9
P(X1=0, X 2=1)= p(0,1)=P({(3,2),(2,3)})=2/9
P(X1=0, X 2=2)= p(0,2)=P({(2,2)})=1/9
P(X1=1, X 2=0)= p(1,0)=P({(1,3),(3,1)})=2/9
P(X1=1, X 2=1)= p(1,1)=P({1,2),(2,1)})=2/9
P(X1=1, X 2=2)= p(1,2)=0
P(X1=2, X 2=0)= p(2,0)=P({1,1})=1/9
P(X1=2, X 2=1)= p(2,1)=0
P(X1=2, X 2=2)= p(2,2)=0

Definicin. La funcin de distribucin conjunta (bivariable) F(x1,X2) de dos variables aleatorias X1 y
X2, est dada por:
(
1
,
2
) = (X
1

1
, X
2

2
)
- <
1
<
- <
2
<
Observacin. En el caso de que X1 y X2 son variables aleatorias discretas F(x1,x2) adopta la
siguiente forma:
(
1
,
2
) = (
1
,
2
)
x
2
t
2
=-
x
1
t
1
=-

ACTIVIDAD 22
Considere las variables de la actividad 21 y calcule F(-1,2),F(1.5,2)
(-,) = p(
1
,
2
) = p(, X
2
) = p() =
2
t
2
=-
-1
t
1
=-

(.,) = p(
1
,
2
) = p(,) +p(,) +p(,) +p(,) +p(,) +p(,)
2
t
2
=-
-1
t
1
=-

(.,) =

9
+

9
+

9
+

9
+

9
=
8
9


(,) = p(
1
,
2
)
3
t
2
=-
2
t
1
=-

= p(,) +p(,) +p(,) +p(,) +p(,) +p(,) +p(,) +p(,) +p(,)
=

9
+

9
+

9
+

9
+

9
+

9
=
9
9


FUNCION DE DENSIDAD CONJUNTA
Definicin. Sea X
1
. X
2
variables con funcin de distribucin conjunta f(x , x
2
). Si existe una funcin
no negativa f(x
1
, x
2
) tal que
(
1
,
2)
= ] ] (
1
,
2
)
2

1
x
2
-,
x
1
-,
Para -, <
1
< ,
-, <
2
< ,
Entonces se dice que X
1
, X
2
son variables aleatorias conjuntas. A la funcin f(x
1
, x
2
) se le llama
funcin de densidad conjunta.
ACTIVIDAD 23
Considere la funcin de densidad conjunta

1

2

f(x
1
,x
2
)=
0 , En cualquier otro caso

Calcule
a) F (., .)
b) P (.x
1
0.3, 0x
2
0.5)
a)
(X
1
, X
2
) = _ _ (
1
,
2
)
2

1
x
2
-,
x
1
-,
= _ _
2

1
0
-,
0
-,
+_ _
1

2
= |
1
]
0
0.2
|
1
]
0
0.4
0.2
0
0.4
0

= . . = . 8
b) b) b) b)
(.
1
.,
2
.) = _ _ ux
1
ux
2
0.5
0
0.3
0.1
= |

.
|

]
.
.

= (.) (. -.) = (.) (.) = . 1

ACTIVIDAD 24
Considere la funcin de densidad conjunta
X
1

2

1

f(x
1
,x
2
)=
0 , En cualquier otro caso

(.
1
.,.
2
) = _ _
1

1
= _ |
1

2
]
0.5
0.25
0.25
x
1

1
x
1
0.25
0.5
0.25

_ |
1
|
1
-.]
0.5
0.25

1
= _ |
1
2
-.
1
]
0.5
0.25

1
= |
1
]
0.25
0.5
-
.
1
2

0.25
0.5

= |(.)
3
-(.
3
)] -
. .
2

-
. .
2

=
781
2


Teorema
Si X1, X2 son dos variables aleatorias continuas conjuntas con funcin de densidad conjunta.
f(x1, x2), entonces
. (
1
,
2
) poro oo
1
,
2

. ] ] (
1
,
2
)
1

2
=

-

ACTIVIDAD 25
Supngase que b es una constante positiva
Para qu valor de b la funcin es una funcin de densidad vlida?

b
-x
cos
n
2

f(x
1
,x
2
)=
0 , En cualquier otro caso


(, ) = _ _ b
-x
cos

x
= b|-
-x
]
0
2
|sn]
0
n
2
n
2
0
=
2
0

b(-
-2
+
0
) sn
n

=
b(-
-2
+)() =
b =

( -
-2
)


Probabilidades marginales
Definicin.
A) Sean X
1
y X
2
dos variables aleatorias conjuntas discretas con funcin de probabilidad conjunta
P(x
1
, x
2
). Entonces las funciones de probabilidad marginal de X
1
y X
2
, respectivamente estn
determinadas por
p
1
(
1
) = p(
1
,
2
)
x
2

p
2
(
2
) = p(
1
,
2
)
x
1

B) Sean X
1
y X
2
variables aleatorias conjuntas continuas con funcin de densidad conjunta
(
1
,
2
). Entonces las funciones de densidad marginal de X1 y X2, respectivamente, estn dadas
por:

1
(
1
) = _ (
1
,
2
)
2

2
(
2
) = _ (
1
,
2
)
1

-


Actividad 26
Considere el experimento del lanzamiento de dos diodos. Encuentre las probabilidades marginales
de las variables:
X
1
= El nmero de puntos en la cara superior del 1
er
dado
X
2
= El nmero de puntos en la cara superior del 2
do
dado

P(X
1
= ) = P
1
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
1
= ) = P
1
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
1
= ) = P
1
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
1
= ) = P
1
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
1
= ) = P
1
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
1
= ) = P
1
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
2
= ) = P
2
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
2
= ) = P
2
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
2
= ) = P
2
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
2
= ) = P
2
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
2
= ) = P
2
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

P(X
2
= ) = P
2
() = P(,) +P(,) +P(,) +P(,) +P(,) +P(,) =

Actividad 27. Considere la funcin de densidad conjunta.
X
1

2

1

f(x
1
,x
2
)=
0 , en otro punto

Encuentre las funciones de probabilidad marginal de las variables X
1
y X
2

1
(
1
) = _ (
1
,
2
)
2
= _
1

2
=
1
|
2
]
0
1
=
1
1
0

2
(
2
) = _ (
1
,
2
)
1
= _
1

1
= |
1

2
]
0
1
=
1
0

-


INTRODUCCION Y CONCEPTOS BASICOS
En los temas hemos estudiado procesos que no varan con el tiempo o slo depende de una
variable.
Por ejemplo, estudiamos el nmero de llamadas que se producen en una central telefnica
Y, si definimos X como el nmero de llamadas que se reciben en una hora, podemos decir que X
sigue una distribucin de Poisson de media .
Pero, qu pasa si queremos definir ahora otra variable que corresponda al nmero de llamadas
recibidas en la misma central durante todo el da de trabajo (8 horas)?
As para cada tiempo que fijemos tendramos una variable aleatoria. Entonces se define una
familia de variables aleatorias que dependen de una variable determinista. En este caso el tiempo
Se define el proceso estocstico X(t) como el nmero de llamadas que se producen en la centralita
en el tiempo (0,t)
En los sistemas de comunicaciones aparecen seales aleatorias como
La seal de informacin, tiene pulsos de voz de duracin aleatoria y posicin aleatoria.
Una interferencia en el canal que es debida a la presencia cercana de otros sistemas de
comunicacin o
El ruio en un receptor es debido al ruido trmico en las resistencias y componentes del receptor
Asi la seal recibida va a ser una seal con varias componentes aleatorias. Aqune no es posible
describir este tipo de seales con una expresin matemtica se pueden utilizar sus propiedades
estadsitcas.

Proceso estocstico
Es una funcin de dos variables t y x una determinista y otra aleatoria
1. X(x,t) es una familia de funciones temporales
2. Si se fija x, tenemos una funcin temporal X(t) llamada realizacin del proceso
3. Si se fija t, tenemos una variable aleatoria
4. Si se fijan t y x tenemos un nmero real o complejo (muy normal en teora de la seal)
= {X(, )]
Espacios del poseso estocstico
Espacio de tiempos, T
Conjunto de los posibles valores del tiempo que puede tomar el proceso estocstico.
Espacio de estados, S
Conjunto de los posibles valores del proceso estocstico
(Resultado numrico, real o complejo)

Distribucin de probabilidad condicional
Definicin. Si X
1
y X
2
son dos variables aleatorias discretas conjuntas con funcin de probabilidad
conjunta P(x
1
, x
2
) y funciones de probabilidad marginal P1(x
1
), P2(x
2
), entonces la funcin de
probabilidad discreta condicional de X
1
, dado X
2
es
(
1
|
2
) = (X
1
=
1
|X
2
=
2
) =
{(X
1
=
1
, X
2
=
2
)]
{
1
(X
2
=
2
)]
=
{(
1
,
2
)]
{
2
(
2
)]

Siempre y cuando P
2
(x
2
)>0

ACTIVIDAD 28
Considere la siguiente tabla de la funcin de probabilidad conjunta de los valores X
1
y X
2
X
1

X
2

0 1 2
0 3/15 3/15
0 2/15 6/15 0
1 1/15 0 0

Encuentre la distribucin condicional de X
1
, dado que X
2
=0

(X
1
= |X
2
= ) =
{]

=
(X
1
= |X
2
= ) =

(X
1
= |X
2
= ) =

Distribucin de probabilidad condicional
Definicin. Si X
1
y X
2
son dos variables aleatorias continuas conjuntas con funcin de densidad
conjunta f(x
1
, x
2
) y unciones de densidades marginales f
1
(x
1
) y f
2
(x
2
), entonces la funcin de
densidad condicional de X
1
dado X
2
es

(
1
|
2
) = (X =
1
|X =
2
) =
{(
1
,
2
)]
{
2
(
2
)]
,
2
(
2
) >
As mismo, para cualquier x
1
tal que f
1
(x
1
)>0, la funcin de densidad condicional de X
2
, dado X
1
est
dada por
(
2
|
1
) =
{(
1
,
2
)]
{
1
(
1
)]



ACTIVIDAD 29
Sea

1
3

1

2

f(x
1
,x
2
)=
0 , en otro punto

Encuentre la densidad condicional de X
1
dado X
2

2
(
2
) = _ (
1
,
2
)
1
= _

1
=

|
1
]
0
x
2
=

2
, x
2

x
2
0

2
(
2
) = ] (
1
,
2
)
1
=
0
-

2


f(x
2
)=

2
(
2
) = ] (
1
,
2
)
1
=
1
3

2
x
2
0

2

2
(
2
) = ] (
1
,
2
)
1
=

1
<
2



nno
2


f(x
1
|x
2
)=
(](x
1
,x
2
))
(]
2
(x
2
))

1
3
1
3
x`

2


nno <
2



Valor esperado de una funcin de variables aleatorias.
Definicin. Sea g1(x1, x2, , xk) una funcin de variables aleatorias discretas X1, X2, , Xk; cuya
funcin de probabilidad es p(x1, x2, , xk). Entonces el valor esperado de g(x1, x2, , xk)
es ((, , ., ) = _ _ . _ _ (
1
,
2
, .,
k
)p(
1
,
2
, .,
k
)
x
1
x
2
x
k-1
x
k
. Si X1, X2, , Xk son
variables aleatorias continuas con funcin de densidad conjunta f(x1, x2, , xk), entonces
|(
1
,
2
, .,
k
)] = _ _ . _ _ (
1
,
2
, .,
k
)(
1
,
2
, .,
k
)
1

2
.
k
x
1
x
2
x
k-1
x
k


ACTIVIDAD 30
Suponga que la densidad de X
1
y X
2
est dada por

1

1
,
2

f(x
1
,x
2
)=
0 , en otro punto

Calcule E[X
1
2
X
2
2
]
|(X
1
2
X
2
2
)] = _ _
1
(
1
2

2
2
)
1

2
=
1
0
1
0
_ _ (
1
3

2
2
)
1

2
=
1
0
1
0

1
4

0
1

0
1
=

=
1

CLASIFICACIN DE PROCESOS ESTOCSTICOS
El concepto de proceso aleatorio se basa en ampliar el concepto de variable para incluir el tiempo.
Asignemos a cada resultado S, de acuerdo con algn tipo de regla. Una funcin del tiempo
X(, s)
La familia de todas estas funciones, designada por X(t,s ) se denomina proceso estocstico.
Notacin
x(t) representa una forma de onda especfica de un proceso aleatorio asignado por X(t)
Definicin
Cada funcin temporal miembro de un proceso estocstico
X(s, )
Se denomina funcin muestra, miembro del campo o en ocasiones, realizacin del proceso.
Observacin
Un proceso estocstico tambin representa una variable aleatoria cuando se fija t y s se considera
una variable
Notacin
Si t
i
es fijo, escribiremos
X(

, s) = X(

) = X

La siguiente clasificacin de procesos estocsticos se realiza segn las caractersticas de t y la
variable aleatoria X=X(t) en el instante t.
Proceso estocstico continuo.
Si X es continuo y t puede tomar uno cualquiera de un conjunto de valores continuos, entonces se
dice que X() es un proceso estocstico continuo.
Procesos estocsticos discretos
Cuando la variable aleatoria X toma valores discretos y t es continuo, se tiene un proceso
estocstico discreto.

Secuencia Aleatoria Continua
Un proceso estocstico para el que X es continuo pero el tiempo slo toma valores discretos se
llama secuencia aleatoria continua.
Un proceso estocstico puede describirse por la forma de sus funciones de muestra
PROCESOS NO DETERMINISTAS
Si los futuros valores de cualquier funcin muestra no pueden predecirse de forma exacta
observando los valores anteriores, el proceso se dice que es no determinista.
PROCESOS DETERMINISTA
Un proceso determinista si pueden predecirse los valorse futuros de cualquier funcin de
Ejemplo
El proceso estocstico definido por
X() = cos(
0
+0)
Donde A,
0
o 0 pueden ser variables aleatorias
Funcin de Distribucin
Definicin
La funcin de distribucin de primer orden del proceso X(t), se define como

x
(, ) = (X() )
Funcin de Densidad
Definicin
La funcin de densidad de primer orden del proceso X(t) es la derivada de la funcin de
distribucin respecto a x
(, ) =
|
x
(, )]

Funcin de distribucin de 2do Orden
Definicin
La funcin de distribucin de segundo orden del proceso X(), se define de la siguiente manera:
(
1
,
2
,
1
,
2
) = (X(
1
)
1
r X(
2
)
2
)
Funcin de densidad de 2do Orden
Definicin
La funcin de densidad de segundo orden es la derivada parcial respecto a x
1
y a x
2
de la funcin
de distribucin (
1
,
2
,
1
,
2
)
(
1
,
2
,
1
,
2
) =
o
2
(
1
,
2
,
1
,
2
)
o
1
o
2

Estadstica de un proceso estocstico
La media de un proceso estocstico corresponde a
En el caso real: |X()] = p
x
() = ] (, )

-

ACTIVIDAD 31
Encontrar E[X(t)] del proceso aleatorio
X() = cos(
0
+0)
Donde es una variable aleatoria uniformemente distribuida en [0,2] y A,

son constantes
(, ) =

0
2
-0
1
=

n


|X()] = p
x
() = _ (, )

-
= _

n
cos(
0
+0)
0
=

n
||sn(
0
+0)]
0
2n
]
2n
0

=

n
(sn
0
+n) -

n
(sn
0
) =