Professional Documents
Culture Documents
Civil
1/38
Resumen
2/38
Resumen
I
2/38
Resumen
I
Variable
2/38
Resumen
I
Variable
2/38
Resumen
I
Variable
3
36
2/38
Resumen
I
Variable
3
36
Modelos (variables)
Ejm. X Binom(4, 0.5), P(X = 3) = 43 0.53 0.543
Ejm. Y Exp(0.1), P(Y 2.8) = 1 e 0.12.8
2/38
Resumen
I
Variable
3
36
Modelos (variables)
Ejm. X Binom(4, 0.5), P(X = 3) = 43 0.53 0.543
Ejm. Y Exp(0.1), P(Y 2.8) = 1 e 0.12.8
2/38
Resumen
I
Variable
3
36
Modelos (variables)
Ejm. X Binom(4, 0.5), P(X = 3) = 43 0.53 0.543
Ejm. Y Exp(0.1), P(Y 2.8) = 1 e 0.12.8
2/38
Resumen
I
Variable
3
36
Modelos (variables)
Ejm. X Binom(4, 0.5), P(X = 3) = 43 0.53 0.543
Ejm. Y Exp(0.1), P(Y 2.8) = 1 e 0.12.8
Ideas?
Modelos Probabilsticos Aplicados a la Ingeniera Civil
2/38
Definicion de Probabilidad
Elementos basicos:
I
I
3/38
Definicion de Probabilidad
Elementos basicos:
I
I
Ejemplos
I
3/38
Definicion de Probabilidad
Elementos basicos:
I
I
Ejemplos
I
3/38
Definicion de Probabilidad
Ejemplos
I
4/38
Definicion de Probabilidad
Ejemplos
I
Observacion
Todo evento puede se puede especificar por medio de variables
aleatorias
A = {0 X 2.5}
A = {V 10000}
4/38
Definicion de Probabilidad
Ejemplos
I
Observacion
Todo evento puede se puede especificar por medio de variables
aleatorias
I
A = {0 X 2.5}
A = {V 10000}
Observacion
Dado el evento A, al realizar el experimento, hay 2 posibilidades:
4/38
Definicion de Probabilidad
Definicion (Probabilidad del evento A )
5/38
Definicion de Probabilidad
Definicion (Probabilidad del evento A )
I
n
umero de resultados en A
n
umero total de posibles resultados
5/38
Definicion de Probabilidad
Definicion (Probabilidad del evento A )
I
n
umero de resultados en A
n
umero total de posibles resultados
n
umero de repeticiones en que A ocurre
n
umero total de repeticiones
5/38
Definicion de Probabilidad
Definicion (Probabilidad del evento A )
I
n
umero de resultados en A
n
umero total de posibles resultados
n
umero de repeticiones en que A ocurre
n
umero total de repeticiones
5/38
6/38
6/38
I
I
6/38
I
I
Calcular P seg
un el enfoque frecuentista es analogo a construir
un Histograma
6/38
I
I
I
I
Calcular P seg
un el enfoque frecuentista es analogo a construir
un Histograma
Para calcular P seg
un el enfoque clasico: Saber contar!
6/38
I
I
I
I
I
Calcular P seg
un el enfoque frecuentista es analogo a construir
un Histograma
Para calcular P seg
un el enfoque clasico: Saber contar!
La probabilidad brinda informacion sobre el experimento, no es
informacion completa (no dice que va a pasar con certeza)
pero es informaci
on. Seg
un esta perspectiva la distribucion
uniforme (equiprobabilidad) representa ausencia de
informacion.
Modelos Probabilsticos Aplicados a la Ingeniera Civil
6/38
Reglas basicas
0 P(A) 1
P() = 1
Si A B = , P(A B) = P(A) + P(B)
7/38
Reglas basicas
0 P(A) 1
P() = 1
Si A B = , P(A B) = P(A) + P(B)
Interpretacion
es el evento: se obtuvo alg
un resultado
: no se obtuvo un resultado
A B: el resultado esta en A o en B
A B: el resultado esta en (es compatible con) A y B
Si A B = se dice que A y B son incompatibles.
Ac : el resultado no esta en A, A no ocurri
o
7/38
Reglas basicas
0 P(A) 1
P() = 1
Si A B = , P(A B) = P(A) + P(B)
Interpretacion
es el evento: se obtuvo alg
un resultado
: no se obtuvo un resultado
A B: el resultado esta en A o en B
A B: el resultado esta en (es compatible con) A y B
Si A B = se dice que A y B son incompatibles.
Ac : el resultado no esta en A, A no ocurri
o
Consecuencias
P() = 0
P(Ac ) = 1 P(A)
Si A B, P(A) P(B)
P(A B) = P(A) + P(B) P(A B)
P(A B) P(A) + P(B)
7/38
Saber contar
Si los resultados se diferencian por dos caractersticas, cada una de
las cuales puede tomar n1 y n2 posibles valores, respectvamente,
entonces hay n1 n2 posibles resultados
Ejemplo
Si el men
u tiene 5 entradas, 6 platos de fondo y 3 postres, entonces
hay 90 almuerzos distintos
8/38
Saber contar
Si los resultados se diferencian por dos caractersticas, cada una de
las cuales puede tomar n1 y n2 posibles valores, respectvamente,
entonces hay n1 n2 posibles resultados
Ejemplo
Si el men
u tiene 5 entradas, 6 platos de fondo y 3 postres, entonces
hay 90 almuerzos distintos
Esquemas de Muestreo: Pensemos en una urna con n bolas
numeradas y sacamos una bola sucesivamente m veces
I
8/38
Saber contar
I
n!
(n m)!
9/38
Saber contar
I
n!
(n m)!
9/38
Saber contar
I
n!
(n m)!
9/38
Saber contar
Observacion
Vemos que en los diferentes esquemas de muestreo los resultados
tienen, respectivamente, la forma:
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
umeros entre 1 y n, todos diferentes
Un conjunto de m n
umeros distintos entre 1 y n
Una n-upla de n
umeros entre 0 y m con suma igual a m
10/38
Saber contar
Observacion
Vemos que en los diferentes esquemas de muestreo los resultados
tienen, respectivamente, la forma:
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
umeros entre 1 y n, todos diferentes
Un conjunto de m n
umeros distintos entre 1 y n
Una n-upla de n
umeros entre 0 y m con suma igual a m
Ejemplos
I
10/38
Saber contar
Observacion
Vemos que en los diferentes esquemas de muestreo los resultados
tienen, respectivamente, la forma:
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
umeros entre 1 y n, todos diferentes
Un conjunto de m n
umeros distintos entre 1 y n
Una n-upla de n
umeros entre 0 y m con suma igual a m
Ejemplos
I
10/38
Saber contar
Observacion
Vemos que en los diferentes esquemas de muestreo los resultados
tienen, respectivamente, la forma:
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
umeros entre 1 y n, todos diferentes
Un conjunto de m n
umeros distintos entre 1 y n
Una n-upla de n
umeros entre 0 y m con suma igual a m
Ejemplos
I
10/38
Saber contar
Observacion
Vemos que en los diferentes esquemas de muestreo los resultados
tienen, respectivamente, la forma:
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
umeros entre 1 y n, todos diferentes
Un conjunto de m n
umeros distintos entre 1 y n
Una n-upla de n
umeros entre 0 y m con suma igual a m
Ejemplos
I
10/38
Saber contar
Ejemplos
I
11/38
Saber contar
Ejemplos
I
11/38
Saber contar
Ejemplos
I
11/38
Saber contar
Ejemplos
11/38
Saber contar
Ejemplos
11/38
Saber contar
Ejemplos
11/38
Saber contar
Ejemplos
11/38
Saber contar
Ejemplos
I
12/38
Saber contar
Ejemplos
I
12/38
Saber contar
Ejemplos
I
12/38
Algunos modelos
La definicion frecuentista de probabilidad permite aproximarnos a la
probabilidad (distribuci
on) real. En algunos casos se acerca a
modelos conocidos.
Ejemplos
I
13/38
Algunos modelos
La definicion frecuentista de probabilidad permite aproximarnos a la
probabilidad (distribuci
on) real. En algunos casos se acerca a
modelos conocidos.
Ejemplos
13/38
Algunos modelos
La definicion frecuentista de probabilidad permite aproximarnos a la
probabilidad (distribuci
on) real. En algunos casos se acerca a
modelos conocidos.
Ejemplos
13/38
Algunos modelos
La definicion frecuentista de probabilidad permite aproximarnos a la
probabilidad (distribuci
on) real. En algunos casos se acerca a
modelos conocidos.
Ejemplos
I
Poisson (n
umero de sucesos al azar): X Poiss(), > 0;
= R, probabilidad concentrada en {0, 1, 2, . . . };
P
x
P(X [a, b]) =
P(X = x), con P(X = x) = e x!
x[a,b]
13/38
Algunos modelos
Ejemplos
I
Rb
a
fX (x)dx
14/38
Algunos modelos
Ejemplos
I
fX (x)dx
Rb
Rb
a
fX (x)dx
14/38
Algunos modelos
Ejemplos
I
fX (x)dx
Rb
Rb
a
fX (x)dx
14/38
15/38
Observacion
En los ejemplos anteriores podemos asumir que X esta definido en
= R como la identidad X () = , de forma que P, definido en
= R, cumple P([a, b]) = P(X
P [a, b]). Por ejemplo, para el
caso Poisson P([a, b]) = e x[a,b] x /x!
15/38
Observacion
En los ejemplos anteriores podemos asumir que X esta definido en
= R como la identidad X () = , de forma que P, definido en
= R, cumple P([a, b]) = P(X
P [a, b]). Por ejemplo, para el
caso Poisson P([a, b]) = e x[a,b] x /x!
En general puede ser mas grande, X no ser la identidad, y P(A)
no coincidir con P(X A) o no estar definida.
15/38
Observacion
En los ejemplos anteriores podemos asumir que X esta definido en
= R como la identidad X () = , de forma que P, definido en
= R, cumple P([a, b]) = P(X
P [a, b]). Por ejemplo, para el
caso Poisson P([a, b]) = e x[a,b] x /x!
En general puede ser mas grande, X no ser la identidad, y P(A)
no coincidir con P(X A) o no estar definida.
Definicion (Distribucion de X )
Es la probabilidad PX = X en R definida por
PX ([a, b]) = X ([a, b]) = P(X [a, b]).
,
15/38
Distribucion
16/38
Distribucion
Si PX se define
on positiva, de modo que
R b integrando una funci
PX ([a, b]) = a fX (x)dx, se dice que X es (absolutamente)
continua (3 u
ltimos ejemplos). fX se llama funcion de
densidad de X .
16/38
Distribucion
Si PX se define
on positiva, de modo que
R b integrando una funci
PX ([a, b]) = a fX (x)dx, se dice que X es (absolutamente)
continua (3 u
ltimos ejemplos). fX se llama funcion de
densidad de X .
16/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
Funcion de Distribucion
Para una probabilidad en R, basta conocer su valor en los conjuntos
del tipo [a, b] para conocer su valor en cualquier otro conjunto. De
hecho basta conocer sus valores en cojuntos ] , a].
17/38
18/38
Ejemplos
I
18/38
Ejemplos
I
18/38
Ejemplos
I
18/38
Ejemplos
18/38
Ejemplos
18/38
Ejemplos
18/38
Ejemplos
I
18/38
19/38
19/38
19/38
Ejemplos
I
19/38
Ejemplos
I
19/38
Ejemplos
19/38
Ejemplos
19/38
Ejemplos
I
20/38
Ejemplos
I
Observacion
La probabilidad condicional P( |B) expresa el contenido de
informacion en B, dado por P.
20/38
Independencia
Definicion (Independencia)
Se dice que A y B son independientes si el saber que B ocurre no
influye en la probabilidad con que A ocurre (no da informacion
adicional sobre A), ie. P(A|B) = P(A); simetricamente, que A
ocurra no influye en la probabilidad de B, P(B|A) = P(B).
21/38
Independencia
Definicion (Independencia)
Se dice que A y B son independientes si el saber que B ocurre no
influye en la probabilidad con que A ocurre (no da informacion
adicional sobre A), ie. P(A|B) = P(A); simetricamente, que A
ocurra no influye en la probabilidad de B, P(B|A) = P(B).
Equivalentemente, A y B son independientes si
P(A B) = P(A)P(B)
21/38
Independencia
Definicion (Independencia)
Se dice que A y B son independientes si el saber que B ocurre no
influye en la probabilidad con que A ocurre (no da informacion
adicional sobre A), ie. P(A|B) = P(A); simetricamente, que A
ocurra no influye en la probabilidad de B, P(B|A) = P(B).
Equivalentemente, A y B son independientes si
P(A B) = P(A)P(B)
Ejemplo
Un restaurante ofrece 90 distintos almuerzos, compuestos por 5
posibles entradas, 6 posibles platos de fondo y 3 posibles postres.
Un comensal elije cada plato al azar, con que probabilidad elegira
el almuerzo n
umero 57?
21/38
Independencia
Definicion (Independencia)
Se dice que A y B son independientes si el saber que B ocurre no
influye en la probabilidad con que A ocurre (no da informacion
adicional sobre A), ie. P(A|B) = P(A); simetricamente, que A
ocurra no influye en la probabilidad de B, P(B|A) = P(B).
Equivalentemente, A y B son independientes si
P(A B) = P(A)P(B)
Ejemplo
Un restaurante ofrece 90 distintos almuerzos, compuestos por 5
posibles entradas, 6 posibles platos de fondo y 3 posibles postres.
Un comensal elije cada plato al azar, con que probabilidad elegira
el almuerzo n
umero 57? P(e = i)P(f = j)P(p = k) = 15 16 13
21/38
Independencia
Definicion (Independencia)
Se dice que A y B son independientes si el saber que B ocurre no
influye en la probabilidad con que A ocurre (no da informacion
adicional sobre A), ie. P(A|B) = P(A); simetricamente, que A
ocurra no influye en la probabilidad de B, P(B|A) = P(B).
Equivalentemente, A y B son independientes si
P(A B) = P(A)P(B)
Ejemplo
Un restaurante ofrece 90 distintos almuerzos, compuestos por 5
posibles entradas, 6 posibles platos de fondo y 3 posibles postres.
Un comensal elije cada plato al azar, con que probabilidad elegira
el almuerzo n
umero 57? P(e = i)P(f = j)P(p = k) = 15 16 13
21/38
Probabilidad Total
Ejemplos
I
22/38
Probabilidad Total
Ejemplos
I
22/38
Probabilidad Total
Ejemplos
I
(Bayes: P(Bi |A) = P(A|Bi )P(Bi )/P(A), con P(A) dado por la
formula de probabilidad total)
22/38
Probabilidad Total
Ejemplos
I
(Bayes: P(Bi |A) = P(A|Bi )P(Bi )/P(A), con P(A) dado por la
formula de probabilidad total) En cierta tienda 50% de
televisores vendidos son LCD (con 96% de satisfaccion) 30%
Plasma (95%) y 20% LED (90%). Si llega un cliente a reclamar
por su televisor, que probabilidad hay que sea Plasma?
22/38
Probabilidad Total
Ejemplos
I
(Bayes: P(Bi |A) = P(A|Bi )P(Bi )/P(A), con P(A) dado por la
formula de probabilidad total) En cierta tienda 50% de
televisores vendidos son LCD (con 96% de satisfaccion) 30%
Plasma (95%) y 20% LED (90%). Si llega un cliente a reclamar
por su televisor, que probabilidad hay que sea Plasma?
P(Pl|) =?.
22/38
Probabilidad Total
Ejemplos
I
(Bayes: P(Bi |A) = P(A|Bi )P(Bi )/P(A), con P(A) dado por la
formula de probabilidad total) En cierta tienda 50% de
televisores vendidos son LCD (con 96% de satisfaccion) 30%
Plasma (95%) y 20% LED (90%). Si llega un cliente a reclamar
por su televisor, que probabilidad hay que sea Plasma?
P(Pl|) =?. P(LC ) = 0.5, P(Pl) = 0.3, P(LE ) = 0.2,
P(|LC ) = 0.04, P(|Pl) = 0.05, P(|LE ) = 0.1.
Modelos Probabilsticos Aplicados a la Ingeniera Civil
22/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
I A, B F A B F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
Ahora P esta definida en F y debe satisfacer las reglas de toda
probabilidad:
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
Ahora P esta definida en F y debe satisfacer las reglas de toda
probabilidad:
P1 0 P(A) 1 para todo A F
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
Ahora P esta definida en F y debe satisfacer las reglas de toda
probabilidad:
P1 0 P(A) 1 para todo A F
P2 P() = 1
23/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
S1 F
S2 Si A F entonces Ac F
S3 Si A, B F entonces A B F
S4 Si A1 , A2 , F entonces
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
Ahora P esta definida en F y debe satisfacer las reglas de toda
probabilidad:
P1 0 P(A) 1 para todo A F
P2 P() = 1
P3 Si A1 , A2 ,
son disjuntos dos a dos, entonces
PF
P(
A
)
=
i=1 P(Ai )
i=1 i
,
23/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
24/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
I
24/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
I
I
24/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
I
I
24/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
I
I
24/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
I
I
24/38
Ejemplos
Definicion
Se dice que la probabilidad P esta concentrada en A si P(A) = 1.
Ejemplos
No nos limitaremos al caso = R.
I
I
I
24/38
Ejemplos
Definicion
Esta operacion de completar un conjunto de eventos C para que
forme una -algebra siempre es posible y la -algebra generada se
denota (C).
De hecho, dado que intersecci
on de -algebras es -algebra
\
(C) =
G
G: G es -alg en , GC
25/38
Ejemplos
Definicion
Esta operacion de completar un conjunto de eventos C para que
forme una -algebra siempre es posible y la -algebra generada se
denota (C).
De hecho, dado que intersecci
on de -algebras es -algebra
\
(C) =
G
G: G es -alg en , GC
Ejemplos
Veamos dos casos de como se cumple P3 en los dos primeros
ejemplos anteriores.
P
1
I
k=1 P(k) = p 1(1p) = 1 = P() = P(N) = P(k=1 {k})
I
P(] 13 , 12 ]) + P(] 14 , 13 ]) + = ( 21 13 ) + ( 13 14 ) + =
1
1
P(]0, 12 ]) = P(
n=2 ] n+1 , n ])
Modelos Probabilsticos Aplicados a la Ingeniera Civil
1
2
25/38
Definicion
Una variable aleatoria real es una funcion X : R que satisface
X 1 (B) F para todo B B
Definicion
La probabilidad X definida en R como x (B) = P(X B) para
todo B B se llama distribucion de X . (Se verifica facilmente que
X satisface P1-P3)
Ejemplos
I
26/38
27/38
27/38
Definicion
Para X variable aleatoria real, se define su funci
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
27/38
Definicion
Para X variable aleatoria real, se define su funci
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
Volvamos a P3 (pensar en [0, 1]):
27/38
Definicion
Para X variable aleatoria real, se define su funci
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
Volvamos a P3 (pensar en [0, 1]):
27/38
Definicion
Para X variable aleatoria real, se define su funci
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
Volvamos a P3 (pensar en [0, 1]):
27/38
Definicion
Para X variable aleatoria real, se define su funci
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
Volvamos a P3 (pensar en [0, 1]):
27/38
28/38
28/38
28/38
k=1 ] , k] = R.
28/38
k=1 ] , k] = R.
limxn &x FX (xn ) = limxn &x X (] , xn ]) = X (] , x]) =
FX (x), ya que
n=1 ] , xn ] =] , x]
Observacion
La continuidad por la izquierda no es cierta, eg.
1
]0, 1] 6= limn
k=1 ]0, 1 k ]
,
28/38
29/38
29/38
I
I
29/38
I
I
29/38
I
I
Definicion
Sea S = Rn y X = (X1 , . . . , Xn ) variable aleatoria en S. Se llama
marginal de x correspondiente a X 0 = (X1 , . . . , Xn1 ), a la
distribuci
on x 0 . Vemos que x 0 (B) = x (B R) para B Rn1
,
29/38
30/38
30/38
30/38
Definicion
Se dice que la variable aleatoria X en Rn es discreta si su
distribucion esta concentrada
conjunto finito o contable, y
R b enR un
b
continua si X ([a, b]) = a11 ann fX (x1 , . . . , xn )dx1 . . . dxn .
30/38
Definicion
Se dice que la variable aleatoria X en Rn es discreta si su
distribucion esta concentrada
conjunto finito o contable, y
R b enR un
b
continua si X ([a, b]) = a11 ann fX (x1 , . . . , xn )dx1 . . . dxn . En
este caso se cumple: fX (x) = FX (x)/x1 . . . xn
30/38
Definicion
Se dice que la variable aleatoria X en Rn es discreta si su
distribucion esta concentrada
conjunto finito o contable, y
R b enR un
b
continua si X ([a, b]) = a11 ann fX (x1 , . . . , xn )dx1 . . . dxn . En
este caso se cumple: fX (x) = FX (x)/x1 . . . xn
R
I Se cumple fX 0 (x1 , . . . , xn1 ) =
fX (x1 , . . . , xn1 , un )dun ,
30/38
Definicion
Se dice que la variable aleatoria X en Rn es discreta si su
distribucion esta concentrada
conjunto finito o contable, y
R b enR un
b
continua si X ([a, b]) = a11 ann fX (x1 , . . . , xn )dx1 . . . dxn . En
este caso se cumple: fX (x) = FX (x)/x1 . . . xn
R
I Se cumple fX 0 (x1 , . . . , xn1 ) =
fX (x1 , . . . , xn1 , un )dun ,
0
pues:
1 , . . . , xn1 ) = limxn FX (x1 , . . . , xn ) =
R x1 FXR (x
xn1 R
30/38
Definicion
Se dice que la variable aleatoria X en Rn es discreta si su
distribucion esta concentrada
conjunto finito o contable, y
R b enR un
b
continua si X ([a, b]) = a11 ann fX (x1 , . . . , xn )dx1 . . . dxn . En
este caso se cumple: fX (x) = FX (x)/x1 . . . xn
R
I Se cumple fX 0 (x1 , . . . , xn1 ) =
fX (x1 , . . . , xn1 , un )dun ,
0
pues:
1 , . . . , xn1 ) = limxn FX (x1 , . . . , xn ) =
R x1 FXR (x
xn1 R
fX (u1 , . . . , un1P
I Similarmente pX 0 (x1 , . . . , xn1 ) =
xn R pX (x1 , . . . , xn1 , xn )
,
30/38
31/38
Definicion
I
31/38
Definicion
31/38
Definicion
31/38
32/38
32/38
32/38
32/38
Esperanza
Definicion
Para una variable aleatoria real discreta con distribucoon concentrada
en {a1 , a2 , . . . } definimos
E [X ] =
xi P(X = ai )
i=1
33/38
Esperanza
Definicion
Para una variable aleatoria real discreta con distribucoon concentrada
en {a1 , a2 , . . . } definimos
E [X ] =
xi P(X = ai )
i=1
E [X ] = E1 [X ] + E2 [X ] ,
E [1] = 1 y a X b implica a E [X ] b.
33/38
Esperanza
Definicion
Para una variable aleatoria real discreta con distribucoon concentrada
en {a1 , a2 , . . . } definimos
E [X ] =
xi P(X = ai )
i=1
E [X ] = E1 [X ] + E2 [X ] ,
E [1] = 1 y a X b implica a E [X ] b.
Ahora sea X varible aleatoria real y positiva. Dividamos [0, n] en n2
intervalos de ancho 1/n. Por la identidad de probabilidad total
E [X ] =E X X 0 P X 0
+ E X X ]0, 1/n] P X ]0, 1/n] +
+ E X X ]n 1/n, n] P X ]n 1/n, n]
+ E X X > n P X > n
33/38
Esperanza
Por las propiedades de E se pude ver que
n2
ik
X
k
1 ki
E [X ]
P X
,
n
n n n
k=1
En general el lmite es 0 o +.
34/38
Esperanza
Por las propiedades de E se pude ver que
n2
ik
X
k
1 ki
E [X ]
P X
,
n
n n n
k=1
34/38
Esperanza
Por las propiedades de E se pude ver que
n2
ik
X
k
1 ki
E [X ]
P X
,
n
n n n
k=1
PX 1
donde
es la probabilidad en S definida por
PX 1 (B) = P(X 1 (B))
Un caso particular de importancia
R es S = R, H = Id, en donde
resulta PX 1 = X y E [X ] = R xX (dx).
,
34/38
Cambio de variable
En el caso de variables aleatorias continuas en Rn , podemos definir
nuevas variables como Y = G (X ) (G debe ser una funcion
apropiada para que Y sea variable aleatoria).
En caso que G sea biunvoca y creciente tenemos
FY (y ) = P(G (X ) y ) = P(X G 1 (y )) = FX (G 1 (y ))
35/38
Cambio de variable
En el caso de variables aleatorias continuas en Rn , podemos definir
nuevas variables como Y = G (X ) (G debe ser una funcion
apropiada para que Y sea variable aleatoria).
En caso que G sea biunvoca y creciente tenemos
FY (y ) = P(G (X ) y ) = P(X G 1 (y )) = FX (G 1 (y ))
De esto se puede deducir, bajo hip
otesis apropiadas, una expresion
para la densidad fY en terminos de fX , eg. en R2 :
1
fY1 ,Y2 (y1 , y2 ) = fX1 ,X2 (x1 , x2 )
|JG |
donde (x1 , x2 ) se expresa en terminos de (y1 , y2 ) por medio de G 1
(se puede deducir esto tambien del teorema del cambio de variable
anterior). Luego se puede calcular la densidad de Y1 por ejemplo
tomando la marginal correspondiente.
35/38
Cambio de variable
En el caso de variables aleatorias continuas en Rn , podemos definir
nuevas variables como Y = G (X ) (G debe ser una funcion
apropiada para que Y sea variable aleatoria).
En caso que G sea biunvoca y creciente tenemos
FY (y ) = P(G (X ) y ) = P(X G 1 (y )) = FX (G 1 (y ))
De esto se puede deducir, bajo hip
otesis apropiadas, una expresion
para la densidad fY en terminos de fX , eg. en R2 :
1
fY1 ,Y2 (y1 , y2 ) = fX1 ,X2 (x1 , x2 )
|JG |
donde (x1 , x2 ) se expresa en terminos de (y1 , y2 ) por medio de G 1
(se puede deducir esto tambien del teorema del cambio de variable
anterior). Luego se puede calcular la densidad de Y1 por ejemplo
tomando la marginal correspondiente.
Ejemplo
35/38
Convergencia
Dada una sucesion de variables aleatorias x1 , x2 , . . . se distinguen
tres tipos principales de convergencia a una variable X
36/38
Convergencia
Dada una sucesion de variables aleatorias x1 , x2 , . . . se distinguen
tres tipos principales de convergencia a una variable X
I
n(Yn )/ converge en
36/38
Estadstica
En la estadstica interesan las conclusiones que pueden obtenerse de
de una muestra aleatoria X1 , X2 , . . . , Xn .
37/38
Estadstica
En la estadstica interesan las conclusiones que pueden obtenerse de
de una muestra aleatoria X1 , X2 , . . . , Xn . Com
unmente los Xi son
valores obtenidos de mediciones repetidas de una misma variable, ie.
son iid.
37/38
Estadstica
En la estadstica interesan las conclusiones que pueden obtenerse de
de una muestra aleatoria X1 , X2 , . . . , Xn . Com
unmente los Xi son
valores obtenidos de mediciones repetidas de una misma variable, ie.
son iid.
Si la distribucion com
un depende de un parametro , se denomina
estimacion de a una funci
on apropiada n (X1 , . . . , Xn ) en el
sentido de que sea
Insesgada: si E [ (X1 , . . . , Xn )] =
37/38
Estadstica
En la estadstica interesan las conclusiones que pueden obtenerse de
de una muestra aleatoria X1 , X2 , . . . , Xn . Com
unmente los Xi son
valores obtenidos de mediciones repetidas de una misma variable, ie.
son iid.
Si la distribucion com
un depende de un parametro , se denomina
estimacion de a una funci
on apropiada n (X1 , . . . , Xn ) en el
sentido de que sea
I
Insesgada: si E [ (X1 , . . . , Xn )] =
37/38
Estadstica
38/38
Estadstica
38/38
Estadstica
38/38