Apuntes de:

PROBABILIDAD Y
PROCESOS
ESTOCASTICOS

Elaborado por:
Andrs Sacoto C.
Nury Cornejo C.

Variable Aleatoria (V.A)

Una variable aleatoria es una variable que toma valores numricos determinados por el
resultado de un experimento aleatorio. No hay que confundir la variable aleatoria con sus posibles
valores.
Ejemplo:

Nmero de llamadas que recibe un telfono en una hora.

Tiempo que esperan los clientes para pagar en un supermercado.
n de caras al lanzar 6 veces una moneda (valores: 0, 1, 2).

Existen dos tipos de Variables Aleatorias:

Discretas: el conjunto de posibles valores es numerable. Suelen estar asociadas a

experimentos en que se mide el nmero de veces que sucede algo.
Continuas: el conjunto de posibles valores es no numerable. Puede tomar todos los
valores de un intervalo. Son el resultado de medir.

Funcin Distribucin de Probabilidad

Se denota por 0 representa en cada punto x0 la probabilidad de que la variable tome
un valor menor o igual que dicho punto, es decir, ( 0 ).
Ejemplo:
(2) = ( 2)

Propiedades
Dada una V.A X y = lim0 + , = lim0
1. 0 1
+ =1
=0
2. es una funcin no decreciente de x, esto es 2 1 ; si 2 > 1 (siempre
creciente).
3. Si a<b =>
4. Si 0 = 0 => = 0 para todo xx0
5. P(x>x) = 1 P(x x) = 1 -
1

6.
7.
8.
9.

es continua por la derecha, esto es + =

P(x1<x< x2) = 2 1
P(x=x) = + si x es una V.A continua entonces la P(x=x) = 0
P(x1 x x2) = 2 1

Funcin Densidad de Probabilidad

Describe la densidad de la probabilidad en cada punto del espacio de tal manera que la
probabilidad de que la variable aleatoria tome un valor dentro de un determinado conjunto sea la
integral de la funcin de densidad sobre dicho conjunto.
=

()

Propiedades
1) 0
2) P(a x b) =
3)

()

= 1 ;

4) =

=1

()

Ejemplo:
Verificar si las siguientes funciones son distribuciones de probabilidad
a) =

3
3

; = 1,2,3,4,5
4

=
=1

3
=1
3

2 1
1 2
+0+ + = 0
3 3
3 3
1 2 < 0

b) =

2 2 ; > 0
0 ; 0

2
0

1
= 2 2
2

=2 0+
0

1
=1
2
2


Ejemplo:
Dada =
a)
b)
c)
d)
e)

3 ; > 0
0 ; 0

Determinar a para que sea fdp.

P(2<x<5)
P(x<3)
P(x>6)
Graficar y

a)

1
= 3
3

= 0+
0

1
=1
3
=3

b)
5
2

P(2<x<5)
1
3 3 = 3 3
3

=3
2

15 6
+
= 6 15
3
3
P (2<x<5) = 2.47x10-3

c)

P(x<3)
3

3
0

1
= 3 3
3

=3
0

9 0
1
+
= 9
3
3
3
P(x<3) = 0.333

d)

P(x>6)

1
3 3 = 3 3
3

=3
6

18
+
= 18 0
3
3
P(x>6) = 1.523x10-18

e)

1
3 3 = 3 3
3

= 3 + 1
0

1 3 ; > 0
0 ; 0

Funcion distribucion de probabilidad

Funcion densidad de probabilidad

0.9
2.5

0.8
0.7

0.6
0.5

1.5

0.4
1

0.3
0.2

0.5

0.1
0
-2

10

0.5

1.5

2.5

Distribucin Binomial

Existen solamente dos resultado posibles en cada ensayo

La probabilidad de un xito es la misma en cada ensayoi
Hay n ensayos, donde n es constante
Los n ensayos son independientes

; , =
(1 ) ; = 0,1,2,3, ,

; , =

; , ; = 0,1,2,3, ,
=0

Identidades Binomiales

b(x; n, p) = b(n-x; n, 1-p)

B(x; n, p) = 1 B(n-x-1; n; 1-p)
b(x; n, p) = B(x; n, p) B(x-1; n, p)
b(x; n, p) = B(n-x; n, 1-p) B(n-x-1; n, 1-p)

Ejemplo:
Se asegura que en una empresa de instalaciones elctricas, en el 70% de las instalaciones se
reducen al menos una 3 parte de los gastos si se hacen con ciertos materiales de buena calidad.
De acuerdo con lo anterior, cules son las probabilidades de que se reduzcan al menos una 3
parte en:
a) Cuatro de seis instalaciones
b) En al menos tres de seis instalaciones

a)

P(x=4)
p = 0.7
4; 6,0.7 =

b)

6
0.74 (0.3)2 = 0.324
4

P(x=3)+P(x=4)+P(x=5)+P(x=6) 1- [P(x=1) + P(x=2)]

1

6
0.71 0.3
1

6
0.72 0.3
2

= 1 0.069 = 0.93

Determinacin de probabilidades
Nos encontraremos casos en los que nos dan una grfica de distribucin de probabilidad y
nos piden calcular una serie de probabilidades lo cual veremos que se puede hacer solo con la
grfica teniendo claros los conceptos de distribucin de probabilidad.
Fx
1

Ejemplo:

0.9
0.8
0.7

Como tenemos los puntos en la grfica

podemos determinar la funcin de
distribucin de probabilidad de la siguiente
manera
0; < 0
+1
=
;0 < 1
4
1; 1

0.6
0.5
0.4
0.3
0.2
0.1
0
-1

x
-0.5

0.5

1.5

2.5

Determinar:
a)
b)
c)
d)
e)
f)
g)

P(x< -1/2)
P(1/4 x <1)
P(x 5)
P(1/4 x 1)
P(x< 5)
P(x0)
P(x>1/2)

Solucin:
a) En si nos estn pidiendo Fx(-1/2) y esto es 0, como podemos observar en la grfica y en la
funcin de distribucin por tramos.
b) P(1/4 x <1)= Fx(1) - Fx(1/4), notemos que para ambos valores y 1 tenemos la funcin
+1
4

ya que el 1 no est incluido en la probabilidad que nos piden.

P (1/4 x <1)= 1/2 - 5/16 = 3/16

c) P(x 5) = 1 P(x<5) = 1 Fx(5)

P (x 5) = 1 1= 0
d) P(1/4 x 1) = Fx(1) Fx(1/4), como ahora en la probabilidad que nos piden est incluido el
1 entonces Fx(1)=1 y tendramos que
P (1/4 x 1) = 1 5/16 = 11/16
e) P(x<5) = Fx(5) = 1
f)

P(x0) = Fx(0) , para lo cual usamos la ecuacin

+1
4

y tenemos que

P(x0) = 1/4
g) P (x> 1/2) = 1 P (x 1/2) = 1-Fx(1/2)
P (x> 1/2) = 1 3/8 = 5/8

Valor Esperado
En el caso que X sea una v.a. discreta, este valor es la media ponderada de los posibles
valores que puede tomar la variable X, en donde los pesos o ponderaciones son las probabilidades
de ocurrencia de los posibles valores de X. Luego el valor esperado de X se interpreta como una
media ponderada de los posibles valores de X, y no como el valor que se espera que tome X, pues
puede suceder que E [X] no sea uno de los posibles valores de X. En el caso de v.a. continua, E [X]
nos indica el centro de la funcin de densidad, es decir, nos indica el centro de gravedad de la
distribucin.

= =

() ; .

= =

( = ) ; .
=

Propiedades

E[ c ] = c -> donde c es una constante

E[ c g(x) ] = c E[ g(x) ]
E[ g1(x) + g2(x) + g3(x) + + gn(x)] = E[ g1(x) ] + E[ g2(x) + + + E* gn(x) ]
Si fx(x) es simtrica en x=a => E[ x ] = a
Si fx(x) es simtrica en x=0 => E[ x ] = 0

Varianza
La varianza de una variable aleatoria es una medida de su dispersin. Se trata de la
esperanza del cuadrado de la desviacin de la variable frente su media y se mide en una unidad
diferente.
Var(x) = E[(x - nx)2]
Var(x) =

Var(x) =

2 =

V.A Continua
V.A Discreta

Var(x) = E[ x2 ] nx2

Propiedades

Var (c) = 0

Var (x+c) = Var (x)

Var (cx) = c2 Var (x)

c = constante

Ejemplo:
Una V.A. x puede tomar los valores -4, -3, -2, -1, 1, 2, 3, 4, con igual probabilidad.
Determinar la varianza de Y=2x3

Solucin:
Como es una variable discreta y todos los valores tienen la misma probabilidad, entonces
la probabilidad de cada valor seria 1/8.
Var (Y) = Var (2x3) = 4 Var( x3 )
Var (Y) = 4 {E [ x6 ] E [ x3 ]2}
E [ x6] = 4*[(-4)6(1/8) + (-3)6(1/8) + (-2)6(1/8) + (-1)6(1/8) + (1)6(1/8) + (2)6(1/8) + (3)6(1/8) +
(4)6(1/8)]
Var (Y) = 4890

Probabilidad Condicional
El concepto de probabilidad condicional es muy sencillo. Est basado en una situacin
particular que podemos resumir como sigue: probabilidad de ocurrencia de un evento en un
escenario muy particular
Vamos a explicar lo anterior. Suponga que se lanza un dado. Existe una clase de
escenarios exhaustivos y no traslapados como son: el nmero del dado es par y el nmero del
dado es impar. Entonces bajo la hiptesis de trabajar con esta clase de escenarios, uno se puede
preguntar la probabilidad de obtener algn determinado nmero bajo uno de estos escenarios.
P [ A/M] =

()
()

; P(M) 0

Funcin Distribucin Condicional

Fx (x / M) = P (xx /M) =

{ } { , }
()

()

Funcin Densidad Condicional

fx ( x/ M) =

( / )

; M en trminos de x

Propiedades

Fx (+/ M) = 1
Fx (-/ M) = 0

P(x1 < x x2) = Fx (x2 / M) - Fx (x1 / M) =

P (x 1 < x 2 ; M)
P (M)

Ejemplo:
Determinar Fx (x/ M) y fx (x/ M); dado que M= ,xaDato: Fx (x) = P (xx)

Solucin:
Fx(x /M)= P (xx/M) =

(x)
()

x ( )
()

Dibujaremos en una recta numrica para poder visualizar lo que nos piden
b<x<a
a

x<x

a
9

Como podemos ver la interseccin de estas dos rectas sera P (xx) y tendramos:
P(xx)

Fx(x /M) = P(xa) =

F x (x)
F x (a)

Ejemplo:
M = ,b<xa-; a>b

Solucin:
En este ejemplo tendramos tres casos que los representaremos en las siguientes rectas.
Caso 1: Donde a>b pero menor que x
b
Fx(x /M)= P (xx/M) =

(x)
()

x (< )
(< )

x<x
b

b<x<a
b

Como podemos observar la interseccin de estas dos grficas sera P(b<xa) y tendramos:
P(b<xa)

Fx(x /M) = P(b<xa) = 1

Caso 2: Donde a>b pero mayor que x

x
Fx(x /M)= P (xx/M) =

(x)
()

x (< )
(< )

x<x
x

10

b<x<a
x

Como podemos observar la no existe interseccin entre ambas graficas y tendramos:

Fx (x /M) =

0
P(b<xa)

=0

Caso 3: Donde a>b pero x est entre ambos valores

b
Fx(x /M)= P (xx/M) =

(x)
()

x (< )
(< )

x<x
b

a>b
b

Como podemos observar la interseccin de las dos grficas sera P (xx)-P(x<b) y tendramos:
Fx(x /M) =

P xx P xb
P(b<xa)

Fx x Fx b
F x a F x b

Probabilidad Total
Ai Aj = ; ij = 1,2,3,.., n

=
=

11

Teorema de la probabilidad total

Sea A1, A2,..., An un sistema completo de sucesos tales que la probabilidad de cada uno de
ellos es distinta de cero, y sea B un suceso cualquier del que se conocen las probabilidades
condicionales P(B/Ai), entonces la probabilidad del suceso B viene dada por la expresin:
P (B) =P (B/A1)*P (A1) + P (B/A2)*P (A2) + P (B/A3)*P (A3) + + P (B/An)*P (An)

P (xx) =P (xx/ A1)*P (A1) + P (xx/ A2)*P (A2) + + P (xx/An)*P (An)

Fx(x) =Fx(x/ A1)*P (A1) + Fx(x/ A2)*P (A2) + + Fx(x/An)*P (An)
fx(x)= fx(x/A1)*P (A1) + fx(x/A2)*P (A2) + + fx(x/An)*P (A1)
()

P(A/B) =

P(A/B)P(B) =P(B/A)P(A)

P(B/A) =

P(A/B) =

()
()

(/)()

()
(/)()

P(B/A) =

()

()

Valor esperado de Y =g(x)

E [Y] =E [g(x)] =

Valor esperado Condicional

E [x/ M] =
E [x/ M] =

( ) ;

[ = ] ;

V.A. Continua
V.A. Discreta

Ejemplo:
Sea X la entrada a un canal de comunicaciones y Y la salida. La entrada al canal es +1 1con igual probabilidad. La salida del canal es la entrada ms el de ruido N que est
uniformemente distribuido en el intervalo [-2,2] encuentre la probabilidad de P *x=+1, Yy+

12

Solucin:
0.25

fn

0.25

0.2

0.2

0.15

0.15

0.1

0.1

0.05

0.05

0
-5

n
-4

-3

-2

-1

0
-5

fy(y/x=+1)

y
-4

-3

-2

-1

Siendo Y =X + N, fN(x) es uniforme en (-2,2), por tanto fY(y/ x=+1) es tambin uniforme en (-1,3), es
1

decir fY(y/ x=+1)=4

P(x=+1/ Yy) =

= +1 =

1
4

Ejercicio Completo
fx

0.35

0.3

0.25

0.2

0.15

0.1

0.05

a)
b)
c)
d)

x
0

Determinar y graficar Fx(x)

Determinar c para que P(|x-3|<c) =1/4
E[x] y Var(x)
Determinar y Graficar Fx(x/M) y fx(x/M) ; M =,x3-

13

Solucin:
a)
Para determinar Fx(x) primero debemos encontrar el valor de a

+
2

1 +

1 2

6
2 2

6
2

2
1
2
+
+ 2
6 + 16
2
2
2 2
1=

7
2
+ 3 =
=
2
2
7

0
; < 1

2 1

+
;1 < 2
7
7 7
2 3
=

;2 < 4
7 7
2 6 11
+

; 4<6
14 7
7
1
; 6
2

Fx

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1

x
0

14

b)
Resolvemos el valor absoluto y tenemos
P (|x-3|<c) =P (-c<x-3<c) =P(3-c<x<3+c)= Fx(3+c)- Fx(3-c) =1/4
Reemplazamos en la funcin del intervalo correspondiente de Fx que sera

2
7

7 y

tenemos
2(3 + ) 3 2 3
3 1
7

+ = 6 + 2 6 + 2 =
7
7
7
7 4
4
4c =

7
7
c=
4
16

c)
2

=
1

2
( 1) +
7
2 2

2 3
=

7 3
2

4
2

2 4

2
+
7 2
1

Fx(x /M)= P (xx/M) =

(x )
()

6
4

1 3
2

6
7 3
2
2

Ex =

d)

2

7

1
( 6)
7
6

=
4

5 12 4
+
+
21 7 3

23
7

x ( 3)
( 3)

xx
3

x
x3
3

3
(3) 7
=
=
4
1 (3)
7
0
;
3
3
; 3<4
2
=
2 3 7
+

; 4<6
8
2 2
1
;
>6
15

Fx(X/M)

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1

x
0

(/)

0
1
2

; <3
;3 < 4

3
+
4 2
0

;4 < 6
; 6

fx(X/M)

0.5
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05

x
0

16

Determinacin de fY(y) Teorema Fundamental

Para encontrar fY(y) para un Y especfico, se resuelve la ecuacin y= g(x) para x en trminos
de y. Denotando las races por xn; y =g (x1) =g (x2) ==g (xn)
=

(1 )
(2 )

+
++
(1 )
(2 )

=

()

()
()

Dos Variables
Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales
de forma semejante al caso unidimensional.
FXY (x, y) =P ,Xx; YyfXY (x,y) =

(, )

Propiedades FXY (x, y)

, = 0
, = 0
, = 1

1 < 2 , = 2 , 1 ,
, 1 < 2 = , 2 , 1

1 < 2 , 1 < 2 = 2 , 2 1 , 2 2 , 1 + 1 , 1

17

Propiedades fXY (x, y)

, = 1

, =

(, )

Marginales
FX(x) =FXY (x,+)
=

FY(y) =FXY (+,y)

+
(, )

+
(, )

Ejemplo:
Sea X,Y V.A. con funcin de densidad
, =
a)
b)
c)
d)

1
0

< ; 0 < < 1

Comprobar que fXY(x,y) es una fdp.

Determinar la media de X e Y
Determinar la varianza de X e Y
Determinar las siguientes probabilides
P(x< ; Y<0)
P(x>1/2 ; -1/2< Y <1/2)

Solucin:
En el siguiente grfico podemos visualizar la zona de integracin que se obtuvo al despejar |y|<x,
y que se encuentra limitado por 0<x<1
-x<y<x -> en la zona de integracin tendremos a los y>x y a los y<-x
y

y= x
y= -x

1.5
1
0.5
0
-0.5
-1
-1.5
-2

x
0

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

18

a)

Para comprobar que sea una f.d.p usaremos

1

=
0

, = 1

2 = 2
0

2
2

=1
0

. .

b)
Para determinar la media de X y Y primero debemos hallar la marginal de X y Y para lo cual
tenemos:

1.5
1

= 2

0.5

E[x] =

2 = 2

3 0

-0.5

E[x]= 2/3

-1
-1.5
-2

x
0

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

2
1.5
1
0.5
0
-0.5
-1
-1.5
-2

x
0

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

= 1 + (1 + )

19

1 + ; 1 < 0
1; 0 < 1

=
0

1 + +
1

2 3
1 =
+
2
3

2 3
+

2
3
1

1
0

1 1 1 1
= + + =0
2 3 2 3

c)
Var (x) =E [x2] E [x]2
1

4
2 = 2
4
2

=
0

1
2

2
3

1
1
=
4
2

=2

1
18

Var (y) =E [y2] E [y]2

0

1
2

1 + +
1

3 4
1 =
+
3
4
2

d)
P(x<1/2; y>0)

3 4
+

3
4
1

=
0

1
6

1
1
0=
6
6

1.5
1
0.5
0
-0.5
-1
-1.5
-2

x
0

0.2

0.5

0.4

0.6

P x < 1 2;y > 0 =

0.8

0.5

dydx =
0

x2
x dx =
2

1.2

1.4

0.5

=
0

1.6

1.8

1
8

20

P(x>1/2; -1/2<y<1/2)

1.5
1
0.5
0
-0.5
-1
-1.5
-2

x
0

0.2

0.4

0.6

0.8

1.2

0.5

P x > 1 2 ; 1/2 < < 1/2 =

1.4

0.5

dydx =
0.5 0.5

1.6

1 dx =
0

1.8

1
2

Desigualdad de Chebyshev
La desigualdad de Chebyshev es un resultado que ofrece una cota inferior a la probabilidad
de que el valor de una variable aleatoria con varianza finita est a una cierta distancia de su valor
esperado.

1
; > 0
2

Si una distribucin de probabilidad tiene media y una desviacin estndar , la

1

probabilidad de obtener un valor que desva de al menos en es a lo mucho 2 .

Ejemplo:
Suponga que el nmero de artculos producidos por una fbrica en una semana es una
variable aleatoria con media 50. Si la varianza de una semana de produccin se sabe que es igual a
25, entonces Que podemos decir acerca de la probabilidad de que en esta semana la produccin
difiera en ms de 10 a la media?
= 50
= 25
50 = 10
10 5 2
P=

1
1
=
2
k
4
21

Ejemplo:
El nmero de clientes que visitan una sala exhibicin de una empresa automotriz de un
sbado
por
la
maana
es
una
variable
aleatoria
con
media
= 18 y = 25 Con que probabilidad podremos asegurar que habr entre 8 28 clientes?.
18 = 8
8 2.5 3.2
1

1
2

+ +
+ +
2.5 + 18 2.5 + 18
2.5 + 18 = 8
2.5 = 10
=4
= 1

1
15
=
16
16

Momento Respecto al Origen

0 = 1
1 =
2 = [ 2 ]

= =

Momento Central

= ( ) =

0 = 1
1 = 0
2 = ()

22

Variables Aleatorias Independientes

, = ()
, = ()
= ; = = = ( = )

Funcin de dos Variables Aleatorias

Dadas 2 V.A. y una funcin g(x,y), se forma la V.A z =g(x,y). Se requiere calcular fz(z) y Fz(z).
Ejemplo:
, =

16
+ ; 0.5 , 0.5 1
3

Dado Z=X-Y, encuentre fz(z)

23

16
3

16 2

3

16
16
1 (0.25 + + 2 0.5 2 ) =
1 (0.25 + 0.5)
3
3

+ =
0.5+
1
0.5+

16
3

2
0.5+

16
1 0.5 +
3

(0.5 + )

16 3 3
1

= 4 8 ; 0
3 4 2
2

DOS FUNCIONES DE DOS VARIABLES ALEATORIAS.

Dadas 2 V.A x e y las funciones g(x, y) y h(x, y), se forma sus V.A = , , = h(x, y).
, = ,
= g(x, y) , h(x, y)
= (x, y) D

, =

, =

2 ,

Definicin: Jacobino , de la transformacin = , = h(x, y)es:

, =

24

Teorema
Para determinar , se resuelve el sistema:

= ,
, , .
= h x, y
Sean(1 , 1 ), (2 , 2 ), , ( , ) .
= (1 , 1 ) = (2 , 2 ) = = ( , )
= (1 , 1 ) = (2 , 2 ) = = ( , )

, =
=1

( , )
( , )

Ejemplo:
, V.A Independientes
22
= 2 2 ; > 0

(, )
Transformacin:

e
= ()
= ()
1. , = ? ?

Solucin:

2 = 2 2 ()
2 = 2 2 ()
,
2 + 2 = 2 2 + 2 2 ()

25

 2 + 2 = 2 2 + 2 ()
:
2 + 2 = 2 1
= 2 + 2

cos
()
=
()

1
=
()
tan =

= arctan

22 1
2
2
2

, , =

, =

cos()
()

()
= 2 + 2 =
()

, =

, =
=1

, =

, (, ) 2 2
1
=

(, )

2 2

2 + 2
2 2

2 2

2 + 2
2 2

2 2

, =

2 + 2
2 2

26

Funcin Caracterstica
Si z=g(x,y) z(w) =E[egwz]
Si z =x+y z(w) =E[egw(x+y)]
Si x e y son independientes
z(w) =E[egwx] E[egwy+ = x(w)*y(w)
Si z=x+y fz(z) =
=

, )

= () ()

Probabilidad Condicional
= =
= =

[ , = ]
[ = ]
=

(, )
()

Si x e y son independientes
= = ()
Si x e y son V.A discretas
, = =

[ = , = ]
[ = ]

Momentos Condicionales

= =

= .

= =

= .
=1

27

Momentos Conjuntos
Dadas dos V.A x,y e fXY(x,y) y z=g(x,y)

(, ) (, ) .

(, ) = ; = .
,

Covarianza
= x y

Coeficiente de covarianza
=

; 0 1

Teorema
Dos V.A se dice que son no correlacionadas si CXY =0
E[XY] =nXnY =E[X]E[Y]

Ortogonalidad
Dos V.A se dice que son ortogonales si el E[XY]=0

Teorema
Si dos V.A son independientes entre s entonces son no correlacionadas.

28

Funcin Caracterstica Conjunta

1, 2 =

1 + 2

1 + 2

Por consiguiente 1, 2 es la transformada de Fourier de ,

Ejemplo:
Sea(X,Y) una variable aleatoria bidimensional con funcin de densidad
, , =

; 0 1, 0 1
0
;

Determinar:
La funcin de densidad de S= (X + Y)/ 2.
La covarianza entre S y X.
La ( 0.5 , 1).

Solucin:
Si 0 ,

1
2

= (0 2 , 0 2 )
2

1 =
0

2
0

= 2 2
Si

1
2

,1

= 1 > = 1 (2 1 1 , 2 1)
1

=1

1
21 2

= 12 1

29

0
2
=

;
;

12 1

<0
0 < 1/2
1
<1
2
1

; 0 < 1/2
1
= 4 1
;
<1
2
0
;

b)
, = =

+
2

1
1
, = 2 +
2
2
1

=
0

1
2
1

2 =

=
0

=
0

1
0

1
3

1
4

= 2 +2 = 2
, =

1
24

Esto podemos resolverlo graficando la zona que nos

piden

0.5 , + 2 =

1
2

30

Secuencia de Variables Aleatorias

Sean variables aleatorias X1 , X2 , , Xn , entonces
X 1 ,X 2 ,,X n X1 , X2 , , Xn = P(X1 x1 , X2 x2 , , Xn xn )
1 ,2 ,, 1 , 2 , , =

1 ,2 ,, (1 , 2 , , )
1 , 2 , ,

X 1 ,X 2 ,,X n X1 , X2 , , Xn dX1 , dX2 , , dXn = 1

X1 , X2 , , Xn =

X 1 ,X 2 ,,X n (X1 , X2 , , Xn )dX1 , dX2 , , dXn

Densidades Marginales
1 ,3 1 , 3 = 1 ,2 ,3 ,4 1 , , 3 ,

1 ,3 1 , 3 =

1 ,2 ,3 ,4 1 , 2 , 3 , 4 2 4

Densidad Condicional
La distribucin marginal de X es simplemente la ley de probabilidad de X haciendo caso
omiso de la informacin referente a Y
1 , 2 , , +1 , +2 , , =

(1 , 2 , +1 , +2 , , )
(+1 , +2 , , )

31

Ejemplo:
1 2 , 3 =

(1 , 2 , 3 )
(2 , 3 )

1 2 , 3 =

1 2 , 3 1

Ejemplo:
1 , 3 2 , 4 =
1

(1 , 2 , 3 , 4 )
(2 , 4 )

1 , 3 2 , 4 =

1 , 3 2 , 4 1 3

Regla de la Cadena
1 , 2 , 3 , ,
= 1 , 2 , , 1 1 2 , 3 , , 1 2 3 , 4 , , 1
2 1 1

Remocin de Variables
Dado 1 , 2 , 3 4 , 5 ;
Notacin:
1 , 2 , 3 => . .
4 , 5 => . .
Para remover una V.A. de la derecha se multiplica por la densidad condicional de las variables
que desea remover, dado el resto de las variables de la derecha y se integra con respecto a ellas
de
Para remover una V.A. de la izquierda se integra con respecto a esa variable.

32

Ejemplo:
Dado 1 , 2 3 , remover 2

1 3 =

1 , 2 3 2

Dado 1 2 , 3 , 4 , hallar 1 4

1 4 =

1 2 , 3 , 4 2 , 3 4 2 3

Variables Aleatorias Independientes

Supongamos que "X" e "Y" son variables aleatorias discretas. Si los eventos X = x / Y = y son
variables aleatorias independientes. En tal caso: P(X = x, Y = y) = P( X = x) P ( Y = y).
De manera equivalente: f(x,y) = f1(x).f2(y).
De manera general:
1 ,2 ,, 1 , 2 , , = 1 1 2 2
1 ,2 ,, 1 , 2 , , = 1 1 2 2

Suma de Variables Aleatorias

Sean 1 , 2 , , una secuencia de variables aleatorias.
En forma particular analizaremos = 1 + 2
= 1 + 2 = 1 + [2 ]
= 1 + 2 + 2(1 , 2 )
En forma general
= 1 + 2 + + [ ]

( ) +
=1

( , )
=1 =1

33

Teorema del Limite Central

Sea la suma de variables aleatorias independientes con igual distribucin con
= y = 2
Siendo
=

entonces

lim =

Nota: Se aplica independientemente de la distribucin de las variables aleatorias equis. Es decir

que no importa si esta es binomial, exponencial, geomtrica, etc.

Ejemplo:
Suponga que las ordenes en un comedor son variables aleatorias idnticamente
distribuidas con media igual a $8 y una desviacin estndar de $2. Determine:
a) La probabilidad de que los primeros 100 clientes gasten un total de ms de $860
b) La probabilidad de que los primeros 100 clientes gasten un total entre $760 y $840
c) Despus de cuantas ordenes se puede estar un 95% seguro que el total gastado por todos
los clientes es mas de $1000
Solucin:
= 8; = 2
a)
=

860 100(8)
=3
2 (10)

Entonces
> 3 = 0.9987
b)
=

840 100(8)
=2
2 (10)
34

760 100(8)
= 2
2 (10)

Entonces
2 > > 2 = 0.544
c)
=

1000 (8)

<

2 ( )
1000 8
2

= 0.95

Entonces
1000 8
2

= 1.6

1000000 16000 + 642 = 10.24

1 16 10.24 + 642 = 0
=

16010.24 256327784.9 4 1 (64) 16010.24 572.5

120.6
=
={
= 120.6
129.5
2(64)
128

Redondeando
= 121

Ejemplo:
Un estudiante usa lpices cuya duracin es una variable aleatoria exponencial con media
de una semana. Use el teorema del lmite central para determinar el mnimo numero de lpices
que debera comprar al inicio del semestre (15 semanas) para tener una probabilidad de 0.99 de
no quedarse sin lpices durante el semestre.

Solucin:
15
= 1 ; = 1 ; = 15
35

 <
15

15

= 0.99

= 2.325

225 30 + 2 = 5.4056
225 35.4056 + 2 = 0
1 = 8.3
2 = 27.1
Entonces el nmero de lpices mnimo es 9.

Procesos Aleatorios o Estocasticos

Un proceso estocstico es un concepto matemtico que sirve para caracterizar una
sucesin de variables aleatorias (estocsticas) que evolucionan en funcin de otra variable,
generalmente el tiempo. Cada una de las variables aleatorias del proceso tiene su propia funcin
de distribucin de probabilidad y, entre ellas, pueden estar correlacionadas o no.
Cada variable o conjunto de variables sometidas a influencias o impactos aleatorios
constituye un proceso estocstico.

X t,
V.A. que nos proporciona informacin

() = () ()

36

Ejemplo:
Hallar y del siguiente proceso estocstico, si se sabe que A es una variable
aleatoria uniforme con intervalo (0,2)
, = ()
. . .

(0,2)

Se asume que wt es constante.

1era Forma de Resolverlo:

() =

= =

0.5 =
0

0.5

1
0.5 2
0.52 |20 =
2
2
() 2 = 2 2

= ()

= 2 2 2 = 2

2 0.5 2
0

0.5 3 2
0.5 (8)
|0 2 = 2
2
3
3
4
1
= 2 2 = 2 ()
3
3
= 2

2da Forma de Resolverlo:

0,5 ; 0 2
0 ;

1 ; 2
= 0.5 ; 0 < 2
0 ; < 0
37

( ) =

1
;
2()
0.5 ()
=
; 0 () < 2()
()
0
;
<0

Para obtener los lmites hacemos lo siguiente:

= ; 0,2 0,2

Luego derivamos () para obtener () :

()

0.5
; 0 () 2()
= ()
0 ; ()

Con lo que podemos hallar () :

2 ( )

() =

0.5
()2 2 ( ) 42 ()
=
|
=

4() 0
4()

= ()
Igual procedimiento se puede realizar para obtener la varianza de X(t).

Autocorrelacin
La autocorrelacin es la correlacin cruzada de un seal consigo misma.
La funcin de autocorrelacin resulta de gran utilidad para encontrar patrones repetitivos
dentro de una seal, como por ejemplo, la periodicidad de una seal enmascarada bajo el ruido o
para identificar la frecuencia fundamental de una seal que no contiene dicha componente, pero
aparecen numerosas frecuencias armnicas de esta.
1 , 2 = [ 1 , (2 )]

38

Crosscorrelacion
La correlacin cruzada es una medida de la similitud de dos formas de onda como una
funcin de un desfase aplicado a uno de ellos. Esto tambin se conoce como un deslizamiento
producto punto o corredera interior-producto.
1 , 2 = [ 1 , (2 )]

Autocovarianza
Es el clculo de la crosscovarianza de un proceso consigo mismo.
1 , 2 = [ 1 (1 ) 2 (2 ) ]

Crosscovarianza
El trmino covarianza transversal se utiliza para referirse a la covarianza cov (X, Y) entre
dos vectores aleatorios X y Y, con el fin de distinguir que el concepto de la "covarianza" de un
vector X al azar, que se entiende ser la matriz de covarianzas entre los componentes escalares de
X.
1 , 2 = [ 1 (1 ) 2 (2 ) ]

Simplificaciones para tener en cuenta:

1 , 2 = 1 , 2 1 (2 )

= 2 = , =
= (, ) [()]2

[()]2 =

39

Coeficiente de Correlacin
El coeficiente de correlacin de Pearson es un ndice que mide la relacin lineal entre dos
variables aleatorias cuantitativas. A diferencia de la covarianza, la correlacin de Pearson es
independiente de la escala de medida de las variables.
1 , 2 =

(1 , 2 )
(1 , 1 ) (2 , 2 )

; (1 , 2 ) 1

Ejemplo:
Dado un proceso estocstico X(t) y la variable aleatoria . Hallar E[X(t)] y (1 , 2 )
= +
=> . . 0, 2
, =

Solucin:
=

1
2

= + =
=
2
2
1
1
=

2
2
0
0
1
1
=
2
2
0 +
0 =0
2
2

1 , 2 = 1 2
= 1 1 2 2
= 2 2 1 2 + 2 2 1 2
2 1 2 2 1 2
= 2 1 2 2 + 2 1 2 2
2 1 2 + 2 1 2

40

2 =
0
2

2 =
0

1 1 1
1 1
1
1
1
+ 2 =
[ + 2]2
=
0 =
2 2 2
2 2
4
2
2
1 1 1
1 1
1
1
1
2 =
[ 2]2
=
0 =
2 2 2
2 2
4
2
2
2

=
0

1
1
=
2
2
4

2
0

=0

Entonces
1 , 2 =

2
2
2
1 2 + 1 2 =
1 2
2
2
2
2
=
( 1 2 )
2

Proceso Estacionario en Sentido Amplio (w.s.s.)

Se dice que un proceso estocstico es estacionario en sentido amplio cuando cumple con las
dos siguientes condiciones:

1. = = (sin )
2. = ; , (sin )

Propiedades de un P.E.S.A. (w.s.s.)

a) 0 = [()2 ]
b) =
c) () 0 ; lim () = ( )2
d) La grafica de () nos da informacin sobre el comportamiento temporal del proceso.
Nota: en algunos problemas utilizaremos = 1 2

41

Ejemplo:
Calcular:
a)
b)
c)
d)

Media y autocorrelacin de X(t) y Y(t)

La varianza de X(t) y la varianza entre X(1) y X(2)
Funcin de probabilidad y de densidad de X(t); t>0
P(Y(1)1)

Si se conoce lo siguiente:
A y B => Variables Aleatorias Independientes
A => Distribucin exponencial con media 1
B => Distribucin uniforme (0,1)
X(t) y Y(t) son procesos estocsticos de la siguiente manera:
= ; > 0
= + ; > 0

Solucin:
= 1 ; 0,1
= ; 0,1
= ; 0,
= 1 ; (0, )

a)

= =

1

+1

+1
0

0
1

+1

1
1

(+1)
=
0
+1
+1

=
0

1
+1

(+1)
0

1
1
0 =

+1
+1 +1

1
=
+1

42

= 1 2 =

1 , 2 = 1 2

1 + 2 +1

1

1 + 2 + 1

1 + 2

1
( 1 + 2 +1)
1 + 2 + 1

=
0 1 + 2 + 1

1 + 2 +2

( 1 + 2 ) 2 =
0 0
1
2

1 + 2 +1

= 1 + 2 + =

1 , 2 = 1 2
=

=
0

1 + 2

2
0

( 1 + 2 +1)
0

=
0

1
1 2

1 + 2 + 1 2

1
0

1
2(1 + 2 + 1)

b)

= ()

, =

1
; [()]
2 + 1

= , [()]
=

1
( + 1)2

Entonces

1 2

= 1

1
1

2 + 1 ( + 1)2

= 1 2 (1) (2)

1 2

= 2 = 3 =
0

1
; 2
2

3 =

4 =
0

1
4

1
3

Entonces
1 2

1 11 6 4
2
1

=
=
=
4 23
24
24 12

c)

43

=
= 1

; > 0
0 ; <0
1 ; () 1

= 1

()
+

= 1 + ln () = 1 + () ; 0 () < 1
0 ; () < 0

1
1
1

; 0 1
= ()
0 ;

d)
1 1 = + 1 = + 0 = = , ()
= ; = 1 ; = 1 ; = ; , = (1 )
1

, =

=
0

=
0

= 0 = 1 + 1 = 1

44

Ejemplo:
Hallar:
a)
b)
c)
d)

1
1 , +
2
2 , +

Si se conoce que X(t) es w.s.s. con = ;

1 =
2 = ( )

Solucin:
a)
1

2 = lim = 0 => = 0 => 1

=0

b)
1 , + = + =
= =
= ( )
c)
2

= 00 = 0

d)
2 , + = +

+ +

= + + +
+ + = + +
= 2 + = 2 +

45

Ejemplo:
Determinar si X(t) es w.s.s., sabiendo que => . . (, )
= 2 2 +

Solucin:
=

; =
2
2

= 2 2 +

= 2

1 2 +
+
2
2

1
1
= 2 + 2 +
2
2

1
1
= 2 + 2 2 2 2
2
2
1 2 1
1
= + 2 2 2 2
2
2
2

1
1 1
=
2
=
2
2
2 2

=0

1
1
1
=
2
2
2 2

1
11 = 0
4

Entonces:

= 2 2 => Independiente de t

= = 2 2 + 2 2 +
= 4 2 + 2 +
1 1
1 1
= 4
+ 2 + 2
+ 2 + 2
2 2
2 2
4 4
=
+ 2 2 2 2
4
4
4
2 2 2 2
4
4
2 2 2 2
4
4
+ 2 2 2 2
4

46

1 1
= + 4
2 2

1 1
= + 4
2 2

1 1 1
+
4
2 4 4

2 2

2 2

=
2 2

1
2 2
2

1 1
2
2 2

1 1
= +
2 2

1
2
1
1
=
2
2

2 2

=0

1
2

Entonces:
=

4 4
4
+ 2 2 + 2 2
4
8
8
4
=
2 + 2 2 + 2
8
=

4
2 + 2
8

=>

Entonces X(t) S es w.s.s.

Densidad Espectral de Potencia

La Densidad Espectral (Spectral Density) de una seal es una funcin matemtica que nos
informa de cmo est distribuida la potencia o la energa (segn el caso) de dicha seal sobre las
distintas frecuencias de las que est formada, es decir, su espectro.
1
()

= lim

0 < <

47

Teorema de Wiener Khinchin

El teorema de Wiener-Khinchin (tambin conocido como el teorema de Wiener-Khintchine y, a
veces como el teorema de Wiener-Khinchin-Einstein o el teorema de Kolmogorov-Khinchin) afirma
que la potencia de la densidad espectral de un proceso aleatorio estacionario en sentido amplio
es la transformada de Fourier de el correspondiente funcin de autocorrelacin.

= , +

, + 2

, + = 1

Si X(t) es w.s.s. entonces:

2 [ ]

= 1

() 2

Ejemplo:
Determinar:
a) Si Y(t) es w.s.s.
b) ()
Dado que X(t) es w.s.s.

= 0 ;

=2

= 2 + 3( 1)

Solucin:
a)

= 2 + 3 1

= 2 + 3 1

= 2 =>

, = = 2 + 3 1 2 + 3 1
= 4 + 6 1 + 6 1 + 9 1 1
= 4 + 9 1 1 = 4 + 9 =>
Entonces . . .
48

b)

()

4 2 +

4 + 9 () 2

9 () 2 = 4 + 9 ()

Ejemplo:
Conociendo que X(t) es w.s.s., y que = ; .
Determinar:
a) Si = . . .
b) Si = , ()

Solucin:
a)

lim () = 2 => = 0

= =
= =
, . . .

b)
= [ (, )]
, + = + = + +
= + + +
+ + = + +
= 2 + = 2 +
=

4
2
2

1 + 1 2 1 + 2 2 1 + 3 2

49

Paso de una Seal Aleatoria por un Sistema Lineal

El smbolo * denotara convolucin.

= ()
= +
= ()
=

()

=
=

Para un Sistema No Lineal

Uso la definicin:
= ()

Ejemplo:
Suponiendo X(t) y W(t) w.s.s. e independientes. Hallar () si:

a)
= ()
Solucin:
=

= ()

50

b)
= + ()
Solucin:
= + +
= + + +
= + + + = + + 2

Retardador
Z t = X t t0
R Z =

Procesos Ergdicos
Determinacin de parmetros:
a) Se toma una muestra completa del proceso y se realizan los clculos sobre ella.
b) Se toman todas las salidas para un t k y se calcula los parmetros deseados.
Si el valor del parmetro resulta igual por los dos mtodos, se dice que el proceso es ergdico
respecto a ese parmetro.
Ejemplo: Ergodicidad respecto a la media

1
= lim

( )

= =>

2 = 2 =>

= ()2 =>

= 2 = 2

=>

= =>
() = ()

51

Nota: Todo proceso ergdico es w.s.s., pero no al revs.

Ejemplo:
Se tiene un proceso ergdico X(t) con = 2 2

Solucin:
Nivel DC
lim = 2 = 0 => = 0

Potencia Promedio Total

2 = 0 = 2
Potencia DC
[]2 = 0
Potencia Promedio AC de X(t)
2 = 2
Voltaje RMS de X(t)
=
Densidad Espectral de Potencia
=

4
+ 2

4 2

Nota: Si () tiene (deltas), entonces la media de X(t) no es cero

52

Ruido Blanco
El ruido blanco o sonido blanco es una seal aleatoria (proceso estocstico) que se
caracteriza por el hecho de que sus valores de seal en dos tiempos diferentes no guardan
correlacin estadstica. Como consecuencia de ello, su densidad espectral de potencia (PSD, siglas
en ingls de power spectral density) es una constante, es decir, su grfica es plana.1 Esto significa
que la seal contiene todas las frecuencias y todas ellas muestran la misma potencia. Igual
fenmeno ocurre con la luz blanca, de all la denominacin.

Ejercicios Varios
Ejercicio1:
2

Si X(t) es un procesos estocstico gausiano w.s.s. con = 9 + 2 , y sea S una variable

aleatoria discreta e independiente de X(t) con distribucin P(S=1)=0.7, P(S=2)=0.2, P(S=3)=0.1
Si Z(t)=SX(t) , hallar:
a) Z(t) es w.s.s.?
b) ()

Solucin:
a)
=

= 1 0.7 + 2 0.2 + 3 0.1 = 0.7 + 0.4 + 0.3 = 1.4

lim = 2 =

= 9 =>

=3

Entonces = 4.2 ( )
53

 = =
= 2 ()

= 2

= 2

2 = 1 0.7 + 4 0.2 + 9 0.1 = 0.7 + 0.8 + 0.9 = 2.4

Entonces = 21.6 + 4.8

Entonces Z(t) S es w.s.s.

b)
=

= 2.4 9 + 2

= 21.4 2 + 4.8 4

Ejercicio2:
Sea A,B una variable aleatoria bidimensional continua con
, , =

2 ; 0, 0, + 1
0 ;

Si = 2 + , determinar:
a) [()] y la Autocorrelacion de X(t)
b) (2)
c) Funcion de Densidad y de Probabilidad de X(1)

Solucin:

54

a)
1

2 = 201 = 2 2

2 = 21
= 2 2
0

2 2 = 2|0 2 |0 = 2 2

2 2 = 2|0 2 |0 = 2 2

= 2 + = 2 + = 2 + []
1

= =
0

2
2 1
2 2 = 2 |10 3 |10 = 1 =
3
3 3
Entonces

= 2 +

1 , 2 = 1 2 = 1 2 + 2 2 + = 2 1 2 2 2 + 1 2 + 2 2 + 2
= 1 2 2 2 2 + 1 2 + 2 2 + [2 ]
1
2

=
0

2 1 1 1 2 1 43 1
2 (2 2) = 3 0 4 0 = =
=
3
2
3 2
6
6

2 = 2
0

2 2 + 1 =

=
0

2 1
(1 )2
2
0
0
0
1
2
1 1
1
1
3 22 + = 4 0 3 0 + 2 0
4
3
2

= 2

1 2

1 2 1 38+6
1
= + =
=
4 3 2
12
12
1

Entonces 1 , 2 = 6 1 2 2 2 + 12 1 2 + 12 2 2 + 6

b)
2

= 2
=

13
18

= 2,2 (2)

1
1
1
1
5
= 4 4 +
4 +
4 +
6
12
12
6
3

55

c)
= 2 + => 1 = +
(1)

2 = 2 1 ; 0 (1) 1
0

= (1)2 ; 0 (1) < 1

Ejercicio3:
Un proceso ergdico con distribucin uniforme entre [-a, a], tiene la siguiente funcin de
correlacion:
=

Determine el valor de a y explique.

Solucin:
Partimos del hecho que
0 = 2
Por lo que en este caso en particular tenemos lo siguiente:
1
=
3

Y resolviendo:
1 1 3
1

=
2 3 3
56

1 3
1 3 1
+
=
6
6
3
1 2 1
=
3
3
=1

Ejercicio4:
Un proceso ergodico X(t) tiene un valor medio igual a 4[V]. Si X(t) pasa por un sistema lineal cuya
respuesta impulsiva es h(t) igual a 4sinc(t), determine el valor medio de la seal de salida.

Solucin:
Se entiende que tengo ()
= + 16
Entonces
= + 16
=

= + 16 2

()

= 4
= 16 + 16
= 16 + 162
= 16 + 162
= 16

57

Ejercicio5:
Una seal X(t) con = 5 5 + 2 se contamina con ruido blanco independiente de ella,
con densidad espectral de potencia = 0.5 La suma de estas seales se procesan en un
sistema lineal que tiene modulo de () 2 = 2 ()
Determinar:
a) Grafica de
b) ()
c) Valor DC y potencia AC de X(t)

Solucin:
a)

b)
= 5 + 2()

58

c)
Valor DC = 2
Potencia Total = 7
Potencia AC = 7-2 = 5

Ejercicio6:
Un mensaje X(t) aleatorio y ergdico, con una funcin de
= 0.1 2 (106 ) es modulado en amplitud usando el siguiente sistema:

autocorrelacion

Determine:
a) Densidad Espectral de Potencia de Y(t) en funcin de la Densidad de Potencia X(t) y
dibjela.
b) Dibujar la Densidad Espectral de Potencia de Y1(t) y Y2(t)

59

Solucin:

1 =

= 0.8 ()

2 = 1 +

1 ( 0 ) 2 ( 0 )
+
4
4

= 2 2109 + 2 + 2109 + +
= 2 2 + 2109 + 2109 + +
1
= 2
(2109 )
2

60