PROCESOS ESTOCASTICOS

TALLER 1 – REVISIÓN DE CONCEPTOS CLAVES DE PROBABILIDAD Y

ESTADÍSTICA

1. ¿Qué es un experimento? Además, coloque cuatro ejemplos de experimentos,

donde dos sean relacionados con su carrera.
Prueba que consiste en provocar un fenómeno en unas condiciones determinadas con el
fin de analizar sus efectos o de verificar una hipótesis.
- EXPERIMENTO TRANSMISIÓN DE VOZ POR LÁSER
- EXPERIMENTO AUDIO DIGITAL
- EXPERIMENTO STREAMING RADIO
- CONEXIÓN RADIOTELESCOPIO NASA/PARTNER

2. ¿Qué es un espacio muestral? Además, describa detalladamente 4 ejemplos de

espacio muestral.
El espacio muestral está formado por todos los posibles resultados de un experimento
aleatorio. Es decir, se compone de todos y cada uno de los sucesos elementales. El espacio
muestral se denota con la letra griega Ω (Omega)
Ejemplo 1
Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el espacio muestral del
experimento sería: Ω= {1,2,3,4,5,6}. Por otro lado, si cambiamos ligeramente la experiencia
pensando en el número resultante de la suma de 2 dados, entonces tenemos 2 posibles
espacios muestrales para modelar nuestra realidad:
Ω= {(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),…(6,6)}= {1,2,3,4,5,6} x {1,2,3,4,5,6}.
Ω= {2,3, 4…,12}.
La elección del espacio muestral es un factor determinante para realizar el cálculo de la
probabilidad de un suceso.
Ejemplo 2

Lanzamiento de una moneda:

M= {C, S}

M es el conjunto que contiene nuestro espacio muestral, existen 2 posibilidades siendo estos
C y S y corresponden a cara y sello respectivamente.
Ejemplo 3

Sacar una pelota de un baúl con pelotas rojas, amarillas, negras:

S= {Pelota amarilla, Pelota negra, Pelota Roja}

S es el conjunto que contiene nuestro espacio muestral siendo este los tres tipos de pelotas
que se encuentran dentro del baúl.

Ejemplo 4
Girar una rueda de la fortuna con números del uno al 15:

R = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15}

R es el conjunto que contiene nuestro espacio muestral y los números del uno al quince las
posibles respuestas que nos de la ruleta.

3. ¿Qué es un evento? Además, describa detalladamente, 4 ejemplos de eventos

puedo utilizar como base ejemplos anteriores.
Un Evento es un resultado particular de un experimento aleatorio. En términos de
conjuntos, un evento es un subconjunto del espacio muestral.
Ejemplo 1
A: Que salga un número par al lanzar un dado.
E: Que haya que esperar más de 10 minutos para ser atendidos.
Evento Nulo: Es aquél que no tiene elementos. Se representa por φ.
Evento Seguro: Es el espacio muestral que puede ser considerado como un evento.
Ejemplo 2
Se lanza un dado
Evento A: Que al lanzar un dado salga el 2 o el 4.
Evento B: Que al lanzar un dado salga un número mayor a 4.
Evento C: Que salga 1 o 3

Los elementos de A, B y C son:

A= {2, 4} N(A)=2
B= {5, 6} N(B)=2
C= {1, 3} N(C)=2
Ejemplo 3
Se lanza una moneda
Evento A: Que al lanzar una moneda caiga sello
Evento B: Que al lanzar una moneda caiga cara

{c}, N (Evento A) = 1
{s}, N (Evento B) = 1

Ejemplo 4

Sacar una pelota de un baúl con pelotas rojas, amarillas, negras:

S= {Pelota amarilla, Pelota negra, Pelota Roja}

Evento A: Sacar una pelota de Color Rojo
Evento B: Sacar una pelota de Color Amarillo
Evento C: Sacar una pelota de Color Negro

A= {Pelota Roja} N(A)=1

B= {Pelota Amarilla} N(B)=1
C= {Pelota Negra} N(C)=1

4. Clasifique los diferentes tipos de eventos que existen.

- Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo tiempo.

EJEMPLO: cara o sello.
- Independientes: Estos no se ven afectados por otros independientes.
EJEMPLO: el color del zapato y la probabilidad que llueva hoy.
- Dependientes: cuando un evento afecta a la probabilidad de ocurrencia de otro.
EJEMPLO: estudiar, calificaciones.
- No excluyentes entre sí: cuando la ocurrencia de uno de ellos no impide que ocurra el
otro.
EJEMPLO: que una persona sea doctor que tenga 56 años, ser estudiante y ya estar
casado.

5. ¿Qué es probabilidad?
La probabilidad es una medida de la certidumbre asociada a un suceso o evento futuro y suele
expresarse como un número entre 0 y 1 (o entre 0 % y 100 %). Su noción viene de la necesidad de
medir o determinar cuantitativamente la certeza o duda de que un suceso dado ocurra o no.
 6. ¿Cuál es la interpretación frecuentista de probabilidad?
Se entiende por probabilidad frecuentista a la frecuencia relativa de un evento esperada en el largo
plazo o luego de una secuencia de ensayos. Cuantas más veces se repita el experimento, al final las
posibilidades de que ocurra cada uno de los sucesos será regular. Aunque cualquier
comportamiento sea aleatorio, por proceso empírico llegaremos a una regularidad. Es cuando se
lanza un dado y suponiendo cuantas veces cae el número que se seleccionó.

Una frecuencia relativa es una proporción que mide que tan seguido, o frecuente, ocurre una u otra
cosa en una sucesión de observaciones.

7. ¿Cuáles son los axiomas de Kolmogorov respecto a la teoría de probabilidad?

1. Un valor de probabilidad siempre estará entre 0 y 1.

0 ≤ 𝑃(𝐸) ≤ 1
2. La probabilidad de todo el espacio muestral siempre es igual a 1.
𝑃(𝑆) = 1
3. La probabilidad de la unión de una serie de eventos del mismo espacio muestral es igual
a la suma de las probabilidades marginales de cada uno de los eventos, siempre que
todos los eventos sean mutuamente excluyentes y del mismo espacio muestral.
𝑃(𝐸1 𝑜 𝐸2 . . . 𝑜 𝐸𝑛 ) = 𝑃(𝐸1 ) + 𝑃(𝐸2 ) + ⋯ + 𝑃(𝐸𝑛 )

8. Describa 8 propiedades importantes de la probabilidad.

Propiedades de la probabilidad

1. La suma de las probabilidades de un suceso y su contrario vale 1, por tanto la probabilidad

del suceso contrario es:

p(A) = 1 – p(A)

2. Probabilidad del suceso imposible es cero.

p(∅) 0

3. La probabilidad de la unión de dos sucesos es la suma de sus probabilidades menos la

probabilidad de su intersección.

p(A ∪ B) = p(A) + p(B) – p(A∩B)

4. Si un suceso está incluido en otro, su probabilidad es menor o igual a la de éste.

A ⊂ B ⇒ p(A) ≤ p(B)
 Si A está incluido en B entonces la probabilidad de A es menor o igual que la probabilidad de B.

5. Si A1, A2, ..., Ak son incompatibles dos a dos entonces:

p(A1 ∪ A2 ∪ ... ∪ Ak) = p(A1) + p(A2) + ... + p(Ak)

6. Si el espacio muestral E es finito y un suceso es S = {x1, x2, ..., xn} entonces:

p(S) = p(x1) + p(x2) + ... + p(xn)

7. La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B se

denomina probabilidad condicionada y se define

Esta definición es consistente, es decir cumple los axiomas de probabilidad.

8. Dos sucesos son independientes si y sólo si p(A Ç B) = p(A) p(B).

Si dos sucesos son independientes

y del mismo modo p(B|A) = p(B).

Esta propiedad coincide más con la idea intuitiva de independencia y algunos textos la dan
como definición. Hay que notar, sin embargo, que ambas definiciones no son estrictamente
equivalentes.

9. Hallar la probabilidad que al lanzar al aire 2 monedas salgan, 2 caras, 2 sellos, 1

cara y 1 sello, y como se define el espacio muestral.
S= {CC, SS, SC, CS}
a) 2 caras → 2/4 → 1/2
b) 2 sellos → 2/4 → 1/2
c) 1 cara y 1 sello → 2/4 → 1/2
El espacio muestral es S, el cual indica cada una de las posibles combinaciones entre las 2
monedas.
 10. Se lanza 2 dados al aire se anota la suma de las partes obtenidas:

a. La probabilidad que salga el número 7.

1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

El número de posibles casos de los dados es 36 el mismo que ocupa el

denominador, y el 6 muestra el numero de probabilidad de que la suma de los
dos dados sea un 7.

𝟔
→ 1/6
𝟑𝟔

b. La probabilidad de que el número obtenido sea par.

1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

El número de posibles casos de los dados es 36 el mismo que ocupa el

denominador, y el 18 muestra el número de probabilidad de que la suma de los
dos dados sea un número par.

𝟏𝟖
→ 1/2
𝟑𝟔
 c. La probabilidad de que el número sea múltiplo de tres.

1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

El número de posibles casos de los dados es 36 el mismo que ocupa el

denominador, y el 6 muestra el número de probabilidad de que la suma de los
dos dados sea un múltiple de 3.

𝟏𝟐
→ 1/3
𝟑𝟔

11. Una línea de ferrocarril tiene 25 estaciones. ¿Cuántos billetes diferentes habrá que
imprimir si cada billete lleva impresas las estaciones de origen y destino?

𝒎 = 𝟐𝟓.
𝒏 = 𝟐.
𝒎!
𝑽𝒎,𝒏 =
(𝒎 − 𝒏)!
𝟐𝟓!
𝑽𝟐𝟓,𝟐 =
(𝟐𝟓 − 𝟐)!
𝑽𝟐𝟓,𝟐 = 𝟔𝟎𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔.

12. En una clase de 10 alumnos de distribuyen 3 premios. Averiguar de cuantos modos

pueden hacerse si:

a. Los premios son diferentes.

𝒎 = 𝟏𝟎.
𝒏 = 𝟑.
𝒎!
𝑽𝒎,𝒏 =
(𝒎 − 𝒏)!
 𝟏𝟎!
𝑽𝟏𝟎,𝟑 =
(𝟏𝟎 − 𝟑)!
𝑽𝟏𝟎,𝟑 = 𝟕𝟐𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔.

b. Los premios son iguales.

𝒎 = 𝟏𝟎.
𝒏 = 𝟑.
𝒎!
𝑪𝒎,𝒏 =
𝒏! (𝒎 − 𝒏)!
𝟏𝟎!
𝑽𝟏𝟎,𝟑 =
𝟑! (𝟏𝟎 − 𝟑)!
𝑽𝟏𝟎,𝟑 = 𝟏𝟐𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔.

c. En todos los casos unas personas no pueden recibir más de un premio.

c.1. Premios Iguales

𝑽𝑹𝒎,𝒏 = 𝒎𝒏

𝑽𝑹𝟏𝟎,𝟑 = 𝟏𝟎𝟑

𝑽𝑹𝟏𝟎,𝟑 = 𝟏𝟎𝟎𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔.

c.1. Premios Diferentes

𝑪𝑹𝒎,𝒏 = 𝑪𝑹𝒎+𝒏−𝟏,𝒏
𝟏𝟐!
𝑪𝑹𝟏𝟎+𝟑−𝟏,𝟑 =
𝟑! (𝟏𝟐 − 𝟑)!
𝑪𝑹𝟏𝟐,𝟑 = 𝟐𝟐𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔.
13. A partir de 5 matemáticos y 6 físicos hay que construir un grupo de investigación
por 2 matemáticos y 3 físicos. ¿De cuantas formas podría hacerse sí?

a. Todos son elegibles

𝟓!
𝑪𝟐𝟓 =
𝟐! (𝟓 − 𝟐)!

𝑪𝟐𝟓 = 𝟏𝟎 → 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑜𝑠 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑜𝑠.

𝟔!
𝑪𝟑𝟔 =
𝟑! (𝟔 − 𝟑)!
𝑪𝟑𝟔 = 𝟐𝟎 → 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑜𝑠 𝐹í𝑠𝑖𝑐𝑜𝑠.

→ 𝑪𝟐𝟓 𝒙 𝑪𝟑𝟔 = 𝟐𝟎𝟎

b. Un físico particular ha de estar en esa comisión

𝟓!
𝑪𝟐𝟓 =
𝟐! (𝟓 − 𝟐)!

𝑪𝟐𝟓 = 𝟏𝟎 → 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑜𝑠 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑜𝑠.

𝟔!
𝑪𝟐𝟔 =
𝟐! (𝟔 − 𝟐)!

𝑪𝟐𝟔 = 𝟏𝟓 → 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑜𝑠 𝐹í𝑠𝑖𝑐𝑜𝑠.

→ 𝑪𝟐𝟓 𝒙 𝑪𝟑𝟔 = 𝟏𝟓𝟎

c. Dos matemáticos no pueden estar juntos

𝟓!
𝑪𝟏𝟓 =
𝟏! (𝟓 − 𝟏)!

𝑪𝟏𝟓 = 𝟓 → 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑜𝑠 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑜𝑠.

𝟔!
𝑪𝟑𝟔 =
𝟑! (𝟔 − 𝟑)!
𝑪𝟑𝟔 = 𝟐𝟎 → 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑜𝑠 𝐹í𝑠𝑖𝑐𝑜𝑠.

→ 𝑪𝟐𝟓 𝒙 𝑪𝟑𝟔 = 𝟏𝟎𝟎

 14. Una universidad está formada por tres facultades:
• La 1ª con el 50% de estudiantes.
• La 2ª con el 25% de estudiantes.
• La 3ª con el 25% de estudiantes.
• Las mujeres están repartidas uniformemente, siendo un 60% del total en cada
facultad.
• ¿Determinar la probabilidad de encontrar una alumna en la primera facultad?
𝟏𝟎𝟎% 𝟏/𝟐
𝟔𝟎% 𝒙
𝒙 = 𝟑/𝟏𝟎

• ¿Determinar la probabilidad de encontrar un alumno varón en cualquiera de las tres

facultades?

𝟏𝟎𝟎% 𝟏
𝟒𝟎% 𝒙
𝒙 = 𝟐/𝟓

15. Realizar una recopilación de todas las funciones de distribución de probabilidad que
encuentren, colocando su formulación, definición, en qué casos se aplican, y
clasificándolas como:
Una distribución de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si éste se llevase a cabo. Es decir, describe la probabilidad de que un
evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto
que se puede diseñar un escenario de acontecimientos futuros considerándolas tendencias actuales
de diversos fenómenos naturales.

• Distribuciones de probabilidad discretas.

DISTRIBUCIÓN DE BERNOULLI

Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no,
siendo p la probabilidad de que esto sea así (éxito) y q=1-p el que no lo sea (fracaso). En realidad,
no se trata más que de una que únicamente puede tomar dos modalidades, es por ello por lo que
el hecho de llamar éxito o fracaso a los posibles resultados de las pruebas del resultado. Podríamos
por tanto definir este experimento mediante una v.a. discreta X que toma los valores X=0 si el suceso
no ocurre, y X=1 en caso contrario.

DISTRIBUCIÓN BINOMIAL

La distribución binomial es una distribución de probabilidad discreta que mide el número de éxitos
en una secuencia de n ensayos de BERNOULLI independientes entre sí, con una probabilidad fija p
de ocurrencia del éxito entre los ensayos.

Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los
experimentos es independiente de los restantes (la probabilidad del resultado de un experimento
no depende del resultado del resto). El resultado de cada experimento ha de admitir sólo dos
categorías (a las que se denomina éxito y fracaso). Las probabilidades de ambas posibilidades han
de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p).

Se designa por X a la variable que mide el número de éxitos que se han producido en los n
experimentos.

Cuando se dan estas circunstancias, se dice que la variable X sigue una distribución de probabilidad
binomial, y se denota 𝐵(𝑛, 𝑝)

DISTRIBUCION POISSON

Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula no
es finito, sino numerable.

Esta distribución suele utilizarse para contajes del tipo número de individuos por unidad de tiempo,
de espacio, etc.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.
2) Varianza: V(X) = λ.
En esta distribución la esperanza y la varianza coinciden.

• Distribuciones de probabilidad continuas.

DISTRIBUCIÓN NORMAL

En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución

gaussiana, a una de las distribuciones de probabilidad de variable continua que con más frecuencia
aparece aproximada en fenómenos reales.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de un

determinad o parámetro. Esta curva se conoce como campana de Gauss y es el gráfico de una
función gaussiana.

DISTRIBUCIÓN GAMMA
En estadística la distribución gamma es una distribución de probabilidad continua con dos
parámetros k y λ cuya función de densidad para valores x > 0 es Aquí 𝑒 es el número e y Γ es la
función gamma. Para valores la aquella es 𝛤(𝑘) = (𝑘 − 1)! (𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑘 − 1). En este
caso - por ejemplo, para describir un proceso de Poisson - se llaman la distribución Erlang con un
parámetro 𝜃 = 1 / 𝜆.

El valor esperado y la varianza de una variable aleatoria X de distribución gamma son

𝐸 ∗ 𝑋+ = 𝑘 / 𝜆 = 𝑘𝜃 𝑉 ∗ 𝑋+ = 𝑘 / 𝜆2 = 𝑘𝜃2 .