TEORA DE LA PROBABILIDAD

Laura Agudelo Vlez

Leonardo Restrepo Flrez
Carlos Andrs Ruiz Zea

1
Curso Estimacin de Estado
Abril 4 de 2014
Contenido:
1. Probabilidad
1.1. Probabilidad Condicionada
1.2. Eventos Independientes
2. Variables Aleatorias
2.1.Tipos de Variables Aleatorias
3. Transformacin de Variables aleatorias
3.1. Ejemplos
2
Por qu estudiar la probabilidad?
Con el fin de poder filtrar una seal, es
indispensable extraer suficiente informacin acerca
de la seal de ruido.

Para poder lograr esto, es necesario conocer algo
sobre el ruido, sus caractersticas y su forma de
trabajar.

Es all donde la probabilidad entra en juego.
3
Definicin de Probabilidad
Sea A un posible evento a ocurrir, se define la
probabilidad de A como:

=
#
#


Esta definicin es llamada la frecuencia relativa
de A. Es posible obtener una definicin formal y
matemtica del concepto de probabilidad, sin
embargo para los propsitos del estudio del ruido
la definicin presentada es la mas adecuada.
4
Combinatoria
Es una herramienta que facilita el clculo del
nmero total de posibilidades si el orden de los
elementos no importa. La combinatoria esta
definida como:

=
!
! !


Donde:
: es la cantidad total de elementos
: cantidad de elementos a seleccionar

5
Probabilidad Condicional
Es la probabilidad de que un evento A ocurra
dado el hecho de que B ocurri. Se define como:

=




Sin embargo calcular , no siempre es
sencillo, por lo tanto se utiliza el teorema de
Bayes, llegando a la expresin

=




6
Ejemplo
A es la probabilidad de obtener el nmero 4 en
un dado y B es la probabilidad de obtener un
nmero par. Calcule .

=
1
6
=
1
2
= 1

Por lo tanto:

=


=
1
6
1
2
=
1
3

7
Eventos Independientes
Dos eventos son independientes si uno de ellos
no tiene ningn efecto de probabilidad de
ocurrencia sobre el otro. Dos eventos
independientes se pueden expresar
matemticamente de varias maneras, por
ejemplo:

=

=

=
8
Variables aleatorias (VA).
Funcin definida en un espacio muestral
asignando cada resultado del experimento un
valor real llamado rango

.

Representacin:
Letras maysculas : IR


Tipos:
Discretas
Continuas

Distribucin de Probabilidad ()
Definida como
Condiciones a satisfacer
Funcin de distribucin de probabilidad

()

= ( )
Propiedades:

0

= 0

= 1

si

( ) =

Funcin de Densidad de Probabilidad (pdf)



Propiedades

Valor esperado de una variable aleatoria
Es el valor medio de un evento aleatorio.

Propiedades
Varianza

Medida de cuanto se espera que vari el
evento medido.

1. [] = [
2
]
2

2. [] = 0
3. [ + ] =
2


Se suele representar como
2

Momentos centrados

Para una variable aleatoria esta definido como
15

= [

]


Donde

3
=
3

Permite definir la asimetra de la variable
aleatoria.

16
Asimetra

1 =
[
3
]

3
coeficiente de asimetra
1 > 0 la distribucin es asimtrica positiva o a la derecha
1 < 0 la distribucin asimtrica es negativa a la izquierda
1 = 0 distribucion es simetrica
Una variable aleatoria es
llamada Uniforme si su pdf
es un valor constante entre
dos lmites; esto indica que
la VA tiene igual
probabilidad de obtener
cualquier valor entre sus
lmites, pero probabilidad
cero de obtener un valor
fuera de sus lmites:

17
Figura 3. Funcin de densidad de
probabilidad de una VA uniformemente
distribua entre -1 y 1
TIPOS DE VARIABLES ALEATORIAS
Ejemplo
Encontrar media y varianza de una VA uniformemente
distribuida entre 1 y 3. Con Pdf igual al
18
Media:




x xf
X

(x)dx
x
1
2
x dx
1
3

x 2

X
2

1
2

(x x)
2
f (x)dx

2
X

1
2
(x 2)
2
dx
1
3

2
X

1
3
Varianza:
Una Variable aleatoria es
llamada Gaussiana o
Normal si su pdf est dada
por
19
f
X
(x)
1
2
exp
(x x)
2
2
2

x Media

Desviacin
Estndar
X N(x,
2
)

Varianza
Figura 4. Funcin de densidad de
probabilidad de una VA Gaussiana, con
media de 0 y varianza 1
La pdf de una VA Gaussiana
est dada por
20
F
x
(x)
1
2
exp
(z x)
2
2
2

dz
F
x0
(x)
1
2
exp
z
2
2

dz
F
x
(x) F
X0
(
x x

)
F
x
(x) 1
1
(1 a)x +a x
2
+b

exp( x
2
/ 2)
2
a 0.339
b 5.510
Se supone una VA Con
media 0 y pdf simtrica.
m
i
E(X
i
)
m
i
x
i

f
X
(x)dx
Si i es impar
x
i
( x)
i
f
X
(x) f
X
( x)
m
i
x
i
f
X
(x)dx
0

El momento isimo de la ecuacin

es cero
Transformacin de Variables Aleatorias
Efecto de la pdf cuando la VA est en una funcin montona


Conociendo se puede calcular obteniendo:



En un caso ms general y g(.) es no montona
21
Y g(X)
X g
1
(Y) h(Y)
X f
X
(x)
[ ]
Y f
Y
(y)
[ ]
f
Y
(y)
dx
dy
f
X
[h(y)] h'(y) f
X
[h(y)]
Y g(X)
f
Y
(y)
f
X
(x
i
)
g'(x
i
)
i
x
i
= Las soluciones de la ecuacin Y=g(X)
Ejemplo 1
Hallar la pdf de una funcin lineal de una VA Gaussiana.
Suponer Y=G(x)=aX+b con a diferente de cero y b
cualquier real constante

22
X h(Y) g
1
(y)
X
Y b
a
h'(y)
1
a
f
Y
(y) h'(y) f
X
[h(y)]
f
Y
(y)
1
a
1

X
2
exp
[(y b) / a x
2
2
X

f
Y
(y)
1
a
X
2
exp
[y (ax b)]
2
2a
2

2
X

y ax +b

Y
2
a
2

X
2
Media y Varianza
X N(x,
X
2
)
Ejemplo 2
Hallar la pdf de una funcin lineal de una VA Gaussiana.
Suponer
23
X N(0,
X
2
)
X h(Y) g
1
(y)
X Y
1/3
h'(y)
y
2/3
3
f
Y
(y) h'(y) f
X
[h(y)]
f
Y
(y)
y
2/3
3
1

X
2
exp
[(x
2
)
2
2
X

f
Y
(y)
y
2/3
3
1

X
2
exp
y
2/3
2
2
X

Y g(X) X
3
Y X
3
Convierte una VA
Gaussiana en una no-
Gaussiana
La transformacin
Bibliografa
[1] Dan Simon. Optimal State Estimation: Kalman, H infinity and Nonlinear
Approaches. John Wiley. 2006

[2] Iral Palomino, Ren. Notas Curso Estadstica I. Universidad Nacional
de Colombia, Sede Medellin.




24