Modelos Probabilisticos Aplicados 1

Modelos Probabilsticos Aplicados a la Ingeniera
Civil
Modelos Probabilsticos Aplicados a la Ingeniera Civil
1/38
Resumen
2/38
Resumen
I
Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar
2/38
Resumen
I
Variable

suma = {2, 3, 4, . . . , 11, 12}
2/38
Resumen
I
Variable

suma = {2, 3, 4, . . . , 11, 12}
I
Distribucion (histograma, diagrama de frecuencias)

P(suma = 4) =?
2/38
Resumen
I
Variable

suma = {2, 3, 4, . . . , 11, 12}
I

P(suma = 4) =?
Reglas del calculo de Probabilidad (probab. condicional)

P(suma = 4) =
3
36
2/38
Resumen
I
Variable

suma = {2, 3, 4, . . . , 11, 12}
I

P(suma = 4) =?

P(suma = 4) =
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

suma = {2, 3, 4, . . . , 11, 12}
I

P(suma = 4) =?

P(suma = 4) =
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
Probabilidad Formal (revisi

on)
Ejm. P(A1 A2 . . . ) = P(A1 ) + P(A2 ) + . . .
2/38
Resumen
I
Variable

suma = {2, 3, 4, . . . , 11, 12}
I

P(suma = 4) =?

P(suma = 4) =
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

on)
Procesos Aleatorios (probabilidad conjunta)
Ejm. P(A1 A2 . . . ) = P(A1 ) + P(A2 ) + . . .

Ejm. Camino Aleatorio, Yn = X1 + + Xn , Xi Ber (0.5)
Ejm. Cadena de Markov, P(Xn = 4|X0 = 1) = (0 p n )4
,
2/38
Resumen
I
Variable

suma = {2, 3, 4, . . . , 11, 12}
I

P(suma = 4) =?

P(suma = 4) =
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

on)
Procesos Aleatorios (probabilidad conjunta)
Ejm. P(A1 A2 . . . ) = P(A1 ) + P(A2 ) + . . .

Ejm. Camino Aleatorio, Yn = X1 + + Xn , Xi Ber (0.5)
Ejm. Cadena de Markov, P(Xn = 4|X0 = 1) = (0 p n )4
I
,
Ideas?
2/38
Definicion de Probabilidad
Elementos basicos:
I
I
Experimento (sentido amplio)

Conjunto de resultados posibles (espacio muestral, espacio
de probabilidad): elementos 1 , 2 , .
Evento: proposici
on acerca de los resultados, equivalentemente
cualquier conjunto particular de resultados. Denotados
A, B, . . .
Variables aleatorias: son las magnitudes que registran el
resultado del experimento.
3/38
Elementos basicos:
I
I

Evento: proposici
A, B, . . .
Ejemplos
I
Lanzar dos dados y registrar los resultados:

= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 6)}.
Dos eventos:
suma igual a 8, B = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)};
dado 1 es par, A = {(2, 1), (2, 2), . . . , (6, 6)}
3/38
Elementos basicos:
I
I

Evento: proposici
A, B, . . .
Ejemplos
I
Lanzar dos dados y registrar los resultados:

= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 6)}.
Dos eventos:
suma igual a 8, B = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)};
dado 1 es par, A = {(2, 1), (2, 2), . . . , (6, 6)}
Lanzar una tiza a la pizarra y registrar el punto donde cayo:
= {(x, y ) : 0 x 5, 0 y 1.2}
Evento: mitad derecha de la pizarra, A = {(x, y ) : x 25 }
3/38
Ejemplos
I
Se saca un nuevo producto al mercado y se miden las ventas

del mes: = [0, precio stock], A = {ventas 10000}
4/38
Ejemplos
I

Observacion
Todo evento puede se puede especificar por medio de variables
aleatorias
A = {D1 + D2 = 8}, B = {D1 = 2, 4, 6}
A = {0 X 2.5}
A = {V 10000}
4/38
Ejemplos
I

Observacion
Todo evento puede se puede especificar por medio de variables
aleatorias
I
A = {D1 + D2 = 8}, B = {D1 = 2, 4, 6}
A = {0 X 2.5}
A = {V 10000}
Observacion
Dado el evento A, al realizar el experimento, hay 2 posibilidades:
el resultado satisface al evento A (decimos que A ocurre)
el resultado no satisface al evento A (A no ocurre)

4/38
Definicion (Probabilidad del evento A )
5/38
I
Enfoque Clasico (solo para experimentos con todos sus

resultados igualmente probables):
P(A) =
n
umero de resultados en A
n
umero total de posibles resultados
5/38
I

P(A) =
Enfoque Frecuentista (o muestral): Repetimos el experimento

una gran cantidad de veces, entonces
P(A) =
n
n
n
umero de repeticiones en que A ocurre
n
umero total de repeticiones
5/38
I

P(A) =
Enfoque Frecuentista (o muestral): Repetimos el experimento

una gran cantidad de veces, entonces
P(A) =
n
n
n
umero de repeticiones en que A ocurre
n
umero total de repeticiones
Enfoque Subjetivo: De acuerdo a lo que se estima son las

posibilidades de que ocurra el evento
5/38
Definicion de Probabilidad: Observaciones

I
I
P, en otras palabras, es una funci

on P : {A : A } [0, 1]
y son eventos
6/38

I
I
I

on P : {A : A } [0, 1]
y son eventos
Cada resultado particular es un evento: A = {}. Se denota
1
P() en lugar de P({}), eg. P(D1 = 3, D2 = 3) = 36
6/38

I
I
I

on P : {A : A } [0, 1]
y son eventos
1
Caso particular = R, R2 , ....
I
I
I
Eventos tpicos: conjuntos de puntos, intervalos, . . . . eg. para

= R A = {2.33, 0.5, 1.1}, B = [0, 0.7[, C =] , 2].
En este caso se acostumbra llamar distribucion a P.
Es suficiente para la mayora de aplicaciones elementales.
6/38

I
I
I

on P : {A : A } [0, 1]
y son eventos
1
I
I
I

= R A = {2.33, 0.5, 1.1}, B = [0, 0.7[, C =] , 2].
Calcular P seg
un el enfoque frecuentista es analogo a construir
un Histograma
6/38

I
I
I

on P : {A : A } [0, 1]
y son eventos
1
I
I
I
I
I

= R A = {2.33, 0.5, 1.1}, B = [0, 0.7[, C =] , 2].
Calcular P seg
un Histograma
Para calcular P seg
un el enfoque clasico: Saber contar!
6/38

I
I
I

on P : {A : A } [0, 1]
y son eventos
1
I
I
I
I
I
I

= R A = {2.33, 0.5, 1.1}, B = [0, 0.7[, C =] , 2].
Calcular P seg
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.
6/38
Reglas de Probabilidad elemental

I
Reglas basicas
0 P(A) 1
P() = 1
Si A B = , P(A B) = P(A) + P(B)
7/38

I
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

I
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
Muestreo con reposici

on y orden: Reponemos las bolas
seleccionadas luego de cada selecci
on; el orden en que son
seleccionadas importa (son diferentes resultados en los que las
bolas aparecen en distinto orden). Luego
# de resultados = nm
8/38
Saber contar
I
Muestreo sin reposici

on y con orden (m n):
# de resultados = n(n 1) (n m + 1) =
n!
(n m)!
Caso particilar n = m: permutaciones de n objetos
9/38
Saber contar
I

n!
(n m)!

on y sin orden: Si tomamos m bolas
con orden tendramos n!/(n m)! resultados, pero cada
selecci
on de m bolas se puede ordenar en m! formas, luego
ignorando el orden:

n
n!
=
# de resultados =
(n m)!m!
m
9/38
Saber contar
I

n!
(n m)!

on y sin orden: Si tomamos m bolas
con orden tendramos n!/(n m)! resultados, pero cada
selecci
on de m bolas se puede ordenar en m! formas, luego
ignorando el orden:

n
n!
=
# de resultados =
(n m)!m!
m
Muestreo con reposici
on y sin orden: Solo interesa cuantas
veces fue seleccionada cada bola los resultados se puden
representar como XX|X|| |XXX # de resultados = #
de formas en que se pueden colocar n 1 barras entre m X.

n+m1
# de resultados =
n1
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
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
Un conjunto de m n
Una n-upla de n
Ejemplos
I
Un comite de 5 personas se selecciona al azar de un grupo de

5 hombres y 10 mujeres. Con que probabilidad el comite
estara compuesto por 2 hombres y 3 mujeres?
10/38
Saber contar
Observacion
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
Un conjunto de m n
Una n-upla de n
Ejemplos
I

estara compuesto por 2 hombres y 3 mujeres? P(A) = NA /N,
10/38
Saber contar
Observacion
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
Un conjunto de m n
Una n-upla de n
Ejemplos
I

estara compuesto
por 2 hombres y 3 mujeres? P(A) = NA /N,

N = 15
,
5
10/38
Saber contar
Observacion
I
Una m-upla de n
umeros entre 1 y n
Una m-upla de n
Un conjunto de m n
Una n-upla de n
Ejemplos
I

estara compuesto
por
2 hombres y 3 mujeres? P(A) = NA /N,

5 10
N
=
N = 15
,
A
2
3
5
10/38
Saber contar
Ejemplos
I
Cual es la probabilidad de que 5 cartas elegidas al azar sean

todas de distinto n
umero?
11/38
Saber contar
Ejemplos
I
Cual es la probabilidad de que 5 cartas

elegidas al azar sean

todas de distinto n
umero? N = 52
5
11/38
Saber contar
Ejemplos
I


todas de distinto n
umero? N = 52
5

13
NA =
45
5
11/38
Saber contar
Ejemplos


todas de distinto n
umero? N = 52
5

13
NA =
45
5
Cual es la probabilidad de que en 13 cartas haya 5 espadas, 3

corazones, 4 diamantes y un trebol?
11/38
Saber contar
Ejemplos


todas de distinto n
umero? N = 52
5

13
NA =
45
5
Cual es la probabilidad de que en 13 cartas haya

5 espadas, 3

52
corazones, 4 diamantes y un trebol? N = 13 ,
11/38
Saber contar
Ejemplos


todas de distinto n
umero? N = 52
5

13
NA =
45
5

5 espadas, 3

52
13 13 13
NA = 13
5
3
4
1
11/38
Saber contar
Ejemplos


todas de distinto n
umero? N = 52
5

13
NA =
45
5

5 espadas, 3

52
13 13 13
NA = 13
5
3
4
1
En una urna hay 4 bolas rojas, 5 blancas y 6 azules. Si se

retiran las bolas sucesivamente sin reponerlas, cual es la
probabilidad de que las tres ultimas bolas sean de diferente
color? N = 15 14 13, NA = 6 (6 5 4)
11/38
Saber contar
Ejemplos
I
Sean n bolas, con m1 de un color, m2 de otro color, . . . , y mk

de un k-esimo color. Cuantas formas distintas hay de
seleccionar las n bolas si solo las distinguimos por su color?
12/38
Saber contar
Ejemplos
I

seleccionar las n bolas si solo las distinguimos por su color? Si
distinguimos todas las bolas, hay n! formas de seleccionar las n
bolas. Pero dada una seleccion hay m1 formas de reordenar las
bolas del primer color, m2 las del segundo color, etc.
12/38
Saber contar
Ejemplos
I

seleccionar las n bolas si solo las distinguimos por su color? Si
distinguimos todas las bolas, hay n! formas de seleccionar las n
bolas. Pero dada una seleccion hay m1 formas de reordenar las
bolas del primer color, m2 las del segundo color, etc. Todos
esos reordenamientos se consideran como el mismo resultado,
luego hay
n!
m1 ! mk !
formas de seleccionarlas sin distinguir su color.
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
Bernoulli (una sola prueba): X Ber(p); = {0, 1} (o mejor

= R con P concentrada en {0, 1}); eg. P(X ]0, [) = p
13/38
Algunos modelos
modelos conocidos.
Ejemplos

Binomial (sucesion de n pruebas): X Binom(n,P

p); = R, P
concentrada en {0, 1, . . . , n}; P(X [a, b]) =
P(X = x)
x[a,b]

con P(X = x) = xn p x (1 p)nx
13/38
Algunos modelos
modelos conocidos.
Ejemplos


p); = R, P
P(X = x)
x[a,b]

Dirac (degenerado): X a ; = R, P concentrada en {a};

eg. P(X [a, a + [) = a ([a, a + [) = 1
13/38
Algunos modelos
modelos conocidos.
Ejemplos
I


p); = R, P
P(X = x)
x[a,b]

Dirac (degenerado): X a ; = R, P concentrada en {a};

eg. P(X [a, a + [) = a ([a, a + [) = 1
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
Exponencial (tiempos de espera): X Exp(); = R

(
e x , x > 0
fX (x) =
0,
x <0
P(X [a, b]) =
Rb
a
fX (x)dx
14/38
Algunos modelos
Ejemplos
I

(
e x , x > 0
fX (x) =
0,
x <0
P(X [a, b]) =
fX (x)dx
Uniforme (indiferencia): X Unif (c, d); = R;

(
1
, c x d
fx (x) = dc
0,
caso contrario
P(X [a, b]) =
Rb
Rb
a
fX (x)dx
14/38
Algunos modelos
Ejemplos
I

(
e x , x > 0
fX (x) =
0,
x <0
P(X [a, b]) =
fX (x)dx
Uniforme (indiferencia): X Unif (c, d); = R;

(
1
, c x d
fx (x) = dc
0,
caso contrario
P(X [a, b]) =
Rb
Rb
a
fX (x)dx
Normal (errores): X N(, 2 ); = R;

(x)2
Rb
1
fX (x) = 2
e 22 ; P(X [a, b]) = a fX (x)dx
14/38
Variable Aleatoria, Distribucion

Para cada resultado , X toma un valor determinado X ().
Podemos definir por tanto
Definicion (Variable Aleatoria Real)

Es una funcion X : R
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 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 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
Cuando PX esta concentrada en un conjunto

P finito o contable
{k1 , k2 , . . . }, de modo que PX ([a, b]) = i:ki [a,b] pX (ki ), se
dice que X es discreta (4 primeros ejemplos anteriores). pX se
llama funcion de masa de probabilidad de X .
16/38
Distribucion

P finito o contable
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

P finito o contable
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 .
Existen ejemplos mixtos.
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
Definicion (Funcion de distribucion de X )

Es la funcion FX en R, dada por
FX (x) = PX (] , x]) = P(X x)
17/38

FX (x) = PX (] , x]) = P(X x)
Se cumplen las propiedades:
I La distribuci
on de X esta determinada por FX (y viceversa).
17/38

FX (x) = PX (] , x]) = P(X x)
I La distribuci
I FX () = 0, FX () = 1
17/38

FX (x) = PX (] , x]) = P(X x)
I La distribuci
I FX () = 0, FX () = 1
I FX es mon
otona no decreciente
17/38

FX (x) = PX (] , x]) = P(X x)
I La distribuci
I FX () = 0, FX () = 1
I FX es mon
I PX (a) = FX (a) limc%a FX (c)
17/38

FX (x) = PX (] , x]) = P(X x)
I La distribuci
I FX () = 0, FX () = 1
I FX es mon
I Si X es discreta, FX crece a saltos u
nicamente, dados por
FX (ki ) limc%ki FX (c) = pX (ki )
17/38

FX (x) = PX (] , x]) = P(X x)
I La distribuci
I FX () = 0, FX () = 1
I FX es mon
I Si X es discreta, FX crece a saltos u
nicamente, dados por
FX (ki ) limc%ki FX (c) = pX (ki )
I Si X es (absolutamente) continua, FX es continua (todo punto
tiene probabilidad 0) y derivable con fX = dFX /dx.
,
17/38
Probabilidad Condicional e Independencia

Definicion (Extension)
Sean 0 , se dice la probabilidad P 0 en 0 extiende a la
probabilidad P en si P 0 (A) = P 0 ()P(A) para todo A
18/38

Ejemplos
I
P, : se lanza un dado hasta sacar un n

umero par y se registra
0
0
P , : se lanza un dado y se registra
18/38

Ejemplos
I

0
0
= {2, 4, 6}, 0 = {1, 2, 3, 4, 5, 6}, P(2) = P(4) = P(6) = 1/3;
18/38

Ejemplos
I

0
0
= {2, 4, 6}, 0 = {1, 2, 3, 4, 5, 6}, P(2) = P(4) = P(6) = 1/3;
eg. P 0 (4) = P 0 ()P(4).
18/38

Ejemplos

0
0
= {2, 4, 6}, 0 = {1, 2, 3, 4, 5, 6}, P(2) = P(4) = P(6) = 1/3;
eg. P 0 (4) = P 0 ()P(4).
P, : entre los alumnos de un curso se toma un hombre al

azar y se averigua si lleva el curso por primera vez
P 0 , 0 : entre los alumnos del mismo curso se toma un alumno
al azar, se averigua su sexo y si lleva el curso por primera vez
18/38

Ejemplos

0
0
= {2, 4, 6}, 0 = {1, 2, 3, 4, 5, 6}, P(2) = P(4) = P(6) = 1/3;
eg. P 0 (4) = P 0 ()P(4).

= {(H, X), (H, )} 0 = {(H, X), (H, ), (M, X), (M, )};
18/38

Ejemplos

0
0
= {2, 4, 6}, 0 = {1, 2, 3, 4, 5, 6}, P(2) = P(4) = P(6) = 1/3;
eg. P 0 (4) = P 0 ()P(4).

= {(H, X), (H, )} 0 = {(H, X), (H, ), (M, X), (M, )};
eg. P 0 (H, X) = P 0 (H)P(H, X)
18/38

Ejemplos
I

0
0
= {2, 4, 6}, 0 = {1, 2, 3, 4, 5, 6}, P(2) = P(4) = P(6) = 1/3;
eg. P 0 (4) = P 0 ()P(4).

= {(H, X), (H, )} 0 = {(H, X), (H, ), (M, X), (M, )};
eg. P 0 (H, X) = P 0 (H)P(H, X)
La operacion inversa es llamada probabilidad condicional

,
18/38

Definicion (Probabilidad condicional)
Dada P probabilidad en y B , la probabilidad Q definida en
B (indistintamente, definida en y concentrada en B) tal que
P(A) = P(B)Q(A) para todo A B, es llamada probabilidad
condicional dado B y se denota P( |B)
19/38

I
Vemos que P(A|B) = P(A)/P(B) para A B, o pensandola

definida en , P(A|B) = P(A B)/P(B) para A .
19/38

I
I

Interpretacion seg
un el esquema frecuentista
19/38

I
I

Interpretacion seg
Ejemplos
I
Se lanza un dado y sale un n

umero par, con que probabilidad
el n
umero es 4?
19/38

I
I

Interpretacion seg
Ejemplos
I

el n
umero es 4?
P(4|par ) = P(4, par )/P(par ) = (1/6)/(1/2) = 1/3.
19/38

I
I

Interpretacion seg
Ejemplos

el n
umero es 4?
P(4|par ) = P(4, par )/P(par ) = (1/6)/(1/2) = 1/3.
Entre los alumnos de un curso se toma un alumno al azar y es

hombre, con que probabilidad lleva el curso por primera vez?
19/38

I
I

Interpretacion seg
Ejemplos

el n
umero es 4?
P(4|par ) = P(4, par )/P(par ) = (1/6)/(1/2) = 1/3.
Entre los alumnos de un curso se toma un alumno al azar y es

hombre, con que probabilidad lleva el curso por primera vez?
P(X|H) = P(X, H)/P(H)
19/38
Ejemplos
I
Una urna tiene 4 bolas rojas, 5 blancas y 6 azules. Cual es la

probabilidad de que las tres primeras en retirar sean de distinto
color?
20/38
Ejemplos
I
Una urna tiene 4 bolas rojas, 5 blancas y 6 azules. Cual es la

probabilidad de que las tres primeras en retirar sean de distinto
456
color? Hay 6 casos, cada uno con probabilidad 151413
. Por
5 4 6
ejemplo P(b, r , a) = P(b)P(r |b)P(a|b, r ) = 15 14 13 . Luego la
probabilidad buscada es 6 veces esta cantidad.
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
Equivalentemente, A y B son independientes si
P(A B) = P(A)P(B)
21/38
Independencia
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
P(A B) = P(A)P(B)
Ejemplo
el almuerzo n
umero 57? P(e = i)P(f = j)P(p = k) = 15 16 13
21/38
Independencia
P(A B) = P(A)P(B)
Ejemplo
el almuerzo n
umero 57? P(e = i)P(f = j)P(p = k) = 15 16 13
Teorema (Probabilidad Total)

Si B1 B2 B3 = con B1 , B2 y B3 disjuntos
P(A) = P(A|B1 )P(B1 ) + P(A|B2 )P(B2 ) + P(A|B3 )P(B3 )
,
21/38
Probabilidad Total
Ejemplos
I
Por un corredor con 4 puertas cerradas pasan sucesivamente 3

personas abriendo o cerrando una sola puerta cada una (seg
un
este cerrada o abierta la puerta que elijan). Con que
probabilidad quedara una sola puerta abierta luego que pasen las
3 personas?
22/38
Probabilidad Total
Ejemplos
I

un
3 personas? Sea A = una puerta abierta al final
P(A) = P(A|1 = 2)P(1 = 2) + P(A|1 6= 2)P(1 6= 2)
1 3 1
5
=1 + =
4 4 2
8
22/38
Probabilidad Total
Ejemplos
I

un
P(A) = P(A|1 = 2)P(1 = 2) + P(A|1 6= 2)P(1 6= 2)
1 3 1
5
=1 + =
4 4 2
8
(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

un
P(A) = P(A|1 = 2)P(1 = 2) + P(A|1 6= 2)P(1 6= 2)
1 3 1
5
=1 + =
4 4 2
8
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

un
P(A) = P(A|1 = 2)P(1 = 2) + P(A|1 6= 2)P(1 6= 2)
1 3 1
5
=1 + =
4 4 2
8
P(Pl|) =?.
22/38
Probabilidad Total
Ejemplos
I

un
P(A) = P(A|1 = 2)P(1 = 2) + P(A|1 6= 2)P(1 6= 2)
1 3 1
5
=1 + =
4 4 2
8
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.
22/38
Probabilidad, de nuevo
Sean = {resultados} y P: probabilidad en
23/38
Llamemos F al conjunto de todos los eventos. Se debe cumplir:
23/38
S1 F
23/38
S1 F
S2 Si A F entonces Ac F
23/38
S1 F
S3 Si A, B F entonces A B F
23/38
S1 F
S4 Si A1 , A2 , F entonces
i=1 Ai F
23/38
S1 F
i=1 Ai F
Si F cumple estas popiedades se dice que es una sigma algebra.
Algunas consecuencias:
I F
23/38
S1 F
i=1 Ai F
I F
I A, B F A B F
23/38
S1 F
i=1 Ai F
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
23/38
S1 F
i=1 Ai F
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
S1 F
i=1 Ai F
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
probabilidad:
P1 0 P(A) 1 para todo A F
23/38
S1 F
i=1 Ai F
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
probabilidad:
P2 P() = 1
23/38
S1 F
i=1 Ai F
I F
I A, B F A B F
I A1 , A2 , F Ai
i=1
probabilidad:
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
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
24/38
Ejemplos
Definicion
Ejemplos
I
I
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
= [0, 1], P([a, b]) = b a
24/38
Ejemplos
Definicion
Ejemplos
I
I
I
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
= [0, 1], P([a, b]) = b a
Rb
R b uu/2
= Rn , P([a, b]) = a11 ann e(2)n/2 du1 . . . dun
24/38
Ejemplos
Definicion
Ejemplos
I
I
I
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
= [0, 1], P([a, b]) = b a
Rb
R b uu/2
En un conjunto discreto usaremos siempre F = {todos los

subconjuntos de } (denotado 2 ).
24/38
Ejemplos
Definicion
Ejemplos
I
I
I
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
= [0, 1], P([a, b]) = b a
Rb
R b uu/2

En caso que = R queremos que los intervalos sean eventos (esten
en F), pero el conjunto de todos los intervalos no cumple con las
propiedades S1-S4.
24/38
Ejemplos
Definicion
Ejemplos
I
I
I
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
= [0, 1], P([a, b]) = b a
Rb
R b uu/2

propiedades S1-S4. Si a
nadimos los conjuntos faltantes obtenemos
B (boreleanos de R).
24/38
Ejemplos
Definicion
Ejemplos
I
I
I
= N = {1, 2, . . . }, P(1) = p, P(2) = p(1 p),

P(3) = p(1 p)2 ,. . .
= [0, 1], P([a, b]) = b a
Rb
R b uu/2

propiedades S1-S4. Si a
nadimos los conjuntos faltantes obtenemos
B (boreleanos de R). Similarmente, en R2 , a
nadiendo a los
rectangulos sus conjuntos faltantes, obtenemos los boreleanos
bidimensionales B 2 .
,
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 ])
1
2
25/38
Variable aleatoria, de nuevo

Una variable aleatoria es una funcion X : R
Problema: Queremos saber la probabilidad de X [a, b], osea del
conjunto X 1 ([a, b]) . Pero este conjunto no necesariamente es
un evento (esta en F). (De hecho queremos saber la probabilidad de
que X B para cualquier boreleano B)
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
Se dice que x es discreta (y X varialbe aleatoria discreta) si

esta concentrada en un conjunto contable o finito {k1 , k2 , . . . }:
X (ki ) = pX (ki ), eg. X Poiss()
Se dice que que X es (absolutamente) continua si cumple
Rb
X ([a, b]) = a fx (u)du, eg. X N(0, 1)
26/38
Funcion de distribucion, de nuevo

Observacion
Normalmente lo que se conoce es x no P, y no nos interesa mucho
como estan definidos y P, basta saber que siempre se los puede
definir.
27/38

Observacion
definir. Por ejemplo, si solo tenemos una variable aleatoria X con
distribuci
on x , se puede definir = R, P = x y X = Id.
27/38

Observacion
distribuci
Definicion
Para X variable aleatoria real, se define su funci
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
27/38

Observacion
distribuci
Definicion
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)
Volvamos a P3 (pensar en [0, 1]):
Teorema (Continuidad de la Probabilidad)

Si An % A entonces limn P(An ) = P(A). Si An & A entonces
limn P(An ) = P(A).
27/38

Observacion
distribuci
Definicion
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)

limn P(An ) = P(A).
Prueba. Por definici
on A =
n=1 An . Sea B1 = A1 y
Bn = An \ An1 , n 2.
27/38

Observacion
distribuci
Definicion
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)

limn P(An ) = P(A).
on A =
Bn = An \ An1 , n 2. Se cumple An = nk=1 Bk y A =
k=1 Bk .
27/38

Observacion
distribuci
Definicion
oin de distribucion
como Fx (x) = X (] , x]) = P(X x)

limn P(An ) = P(A).
on A =
Bn = An \ An1 , n 2. Se cumple An = nk=1 Bk y A =
k=1 Bk .
Los Bk son disjunto,
luego
por
P3:
P
P(A) = limn nk=1 P(Bk ) = limn P(An )
,
27/38

Ejemplo
Para la distribucion uniforme en [0, 1] se cumple:
limn X ([0, n1 ]) = limn n1 = 0 = X (0), ya que
1
n=1 [0, n ] = {0}

Volvamos a FX . Se cumple:
28/38

Ejemplo
1
n=1 [0, n ] = {0}

I Fx () = 0, FX () = 1
28/38

Ejemplo
1
n=1 [0, n ] = {0}

I Fx () = 0, FX () = 1
I FX es continua por derecha
28/38

Ejemplo
1
n=1 [0, n ] = {0}

I Fx () = 0, FX () = 1
Ahora podemos probar algunas de estas propedades:
I
Fx () = limk Fx (k) = limk x (] , k]) = 1, ya que
k=1 ] , k] = R.
28/38

Ejemplo
1
n=1 [0, n ] = {0}

I Fx () = 0, FX () = 1
Ahora podemos probar algunas de estas propedades:
I
Fx () = limk Fx (k) = limk x (] , k]) = 1, ya que
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
Variable aleatoria en general

Definicion
I
Dado un conjunto S con -algebra S, una funci

on X : S
se llama variable aleatoria si cumple que X 1 (B) F para
todo B S.
29/38

Definicion
I

on X : S
todo B S.
Se llama distribuci
on de X a la probabilidad X en S definida
por X (B) = P(X B) para todo B S.
29/38

Definicion
I
I
I

on X : S
todo B S.
Se llama distribuci
Si S = Rn se define la funci
on de distribuci
on de X , en Rn ,
n
como FX (x) = P(X x), donde x R y X x se entiende
componente por componente.
29/38

Definicion
I
I
I

on X : S
todo B S.
Se llama distribuci
on de distribuci
on de X , en Rn ,
n
Es facil probar que X es una probabilidad y que FX satisface

propiedades similares a las antes vistas en R. Si X es variable
aleatoria en Rn se puede escribir X = (X1 , . . . , Xn ), donde cada Xi
es una variable aleatoria real, y recprocamente (esto es mas difcil
de probar).
29/38

Definicion
I
I
I

on X : S
todo B S.
Se llama distribuci
on de distribuci
on de X , en Rn ,
n
Es facil probar que X es una probabilidad y que FX satisface

propiedades similares a las antes vistas en R. Si X es variable
aleatoria en Rn se puede escribir X = (X1 , . . . , Xn ), donde cada Xi
es una variable aleatoria real, y recprocamente (esto es mas difcil
de probar).
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

Analogamente se definen otras marginales y tambien los conceptos
correspondientes para funci
on de distribuci
on, funcion de densidad
y funcion de masa de probabilidad.
I FX 0 (x1 , . . . , xn1 )
30/38

on de distribuci
I FX 0 (x1 , . . . , xn1 ) = P(X1 x1 , . . . , Xn1 xn1 , Xn R) =
limxn P(X1 x1 , . . . , Xn1 xn1 , Xn xn )
30/38

on de distribuci
limxn P(X1 x1 , . . . , Xn1 xn1 , Xn xn ) =
limxn FX (x1 , . . . , xn1 , xn ), por el teorema de continuidad
de la probabilidad.
30/38

on de distribuci
de la probabilidad.
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

on de distribuci
de la probabilidad.
Definicion
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

on de distribuci
de la probabilidad.
Definicion
R b enR un
b
R
I Se cumple fX 0 (x1 , . . . , xn1 ) =
fX (x1 , . . . , xn1 , un )dun ,
30/38

on de distribuci
de la probabilidad.
Definicion
R b enR un
b
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 , . . . , un1 , un )du1 . . . dun1 dun

,
30/38

on de distribuci
de la probabilidad.
Definicion
R b enR un
b
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
, un )du1 . . . dun1 dun
fX (u1 , . . . , un1P
I Similarmente pX 0 (x1 , . . . , xn1 ) =
xn R pX (x1 , . . . , xn1 , xn )
,
30/38
Independencia de variables aleatorias

Ejemplo
En el experimento de lanzar dos monedas, los eventos A =primera
moneda es cara, B =segunda moneda es sello, y C =ambas
monedas resultan iguales, son independientes dos a dos, pero C no
es independiente de A B
31/38

Ejemplo
Definicion
I
Se dice que los eventos A , son independientes si cada

uno de ellos es independiente de la ocurrencia simultanea de
una cantidad arbitraria de los otros, ie si A y A son
independientes, para todo y \ {}.
31/38

Ejemplo
Definicion

Se dice que las variables X e Y son independientes si cada

evento referido a X es independiente de cada evento referido a
Y , ie. si {X A} y {Y B} son independientes, para todo A
y B.
31/38

Ejemplo
Definicion

Se dice que las variables X e Y son independientes si cada

evento referido a X es independiente de cada evento referido a
Y , ie. si {X A} y {Y B} son independientes, para todo A
y B.
La independencia de varias variables aleatorias se define de

forma analoga a la independencia de varios eventos.
31/38
Algunas consecuencias de la definici

on de independencia:
I
X e Y son independeintes si y solo si se cumple

X ,Y (A B) = X (A)Y (B)
32/38


X ,Y (A B) = X (A)Y (B)
X e Y finito dimensionales, son independientes si y solo si

FX ,Y (x, y ) = FX (x)FY (y )
32/38


X ,Y (A B) = X (A)Y (B)

FX ,Y (x, y ) = FX (x)FY (y )
X e Y continuas, son independientes si y solo si

fX ,Y (x, y ) = fX (x)fY (y )
32/38


X ,Y (A B) = X (A)Y (B)

FX ,Y (x, y ) = FX (x)FY (y )
X e Y continuas, son independientes si y solo si

fX ,Y (x, y ) = fX (x)fY (y )
X e Y discretas, son independientes si y solo si

pX ,Y (x, y ) = pX (x)pY (y )
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
E [X ] =
xi P(X = ai )
i=1
En general la esperanza es una operacion lineal en la variable y en la

probabilidad, normalizada y positiva: si X = X1 + X2 y
P = P1 + P2 entonces
E [X ] = E [X1 ] + E [X2 ]
E [X ] = E1 [X ] + E2 [X ] ,
E [1] = 1 y a X b implica a E [X ] b.
33/38
Esperanza
Definicion
E [X ] =
xi P(X = ai )
i=1
En general la esperanza es una operacion lineal en la variable y en la

probabilidad, normalizada y positiva: si X = X1 + X2 y
P = P1 + P2 entonces
E [X ] = E [X1 ] + E [X2 ]
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

n2
ik
X
k
1 ki
E [X ]
P X
,
n
n n n
k=1
En general el lmite es 0 o +. Para una variable real general

X = X+ X , de donde E [X ] = E [X+ ] E [X ], salvo que ambos
terminos a la derecha sean , en cuyo caso E [X ] no esta definido.
E
R [X ] se llama integral de Lebesgue de X respecto de P y se denota
X ()P(d).
34/38
Esperanza

n2
ik
X
k
1 ki
E [X ]
P X
,
n
n n n
k=1
En general el lmite es 0 o +. Para una variable real general

X = X+ X , de donde E [X ] = E [X+ ] E [X ], salvo que ambos
terminos a la derecha sean , en cuyo caso E [X ] no esta definido.
E
R [X ] se llama integral de Lebesgue de X respecto de P y se denota
X ()P(d).
Teorema (Cambio de variable)

Sean X : S y H : S R variables aleatorias, se cumple
Z
Z
H(X ())P(d) =
H(s)PX 1 (ds)
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
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
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
Se puede calcular de esta manera la densidad de X + Y en

terminos de fX y fY suponiendo que X e Y son independientes.
35/38
Convergencia
Dada una sucesion de variables aleatorias x1 , x2 , . . . se distinguen
tres tipos principales de convergencia a una variable X
Casi cierta: P({ : Xn () X ()}) = 1
En probabilidad: para todo > 0 P(|Xn X | > ) 0
En distribucion: FXn (x) FX (x) para todo x donde FX es

continua.
36/38
Convergencia
Dada una sucesion de variables aleatorias x1 , x2 , . . . se distinguen
tres tipos principales de convergencia a una variable X
I
Casi cierta: P({ : Xn () X ()}) = 1
En probabilidad: para todo > 0 P(|Xn X | > ) 0
En distribucion: FXn (x) FX (x) para todo x donde FX es

continua.
Sean X1 , X2 , . . . variables reales independientes e identicamente

distribuidas (iid)
Teorema (Ley de grandes numeros)

Si E [X1 ] = es finito, la sucesi
on Yn = (X1 + + Xn )/n
converge en probabilidad y casi ciertamente a .
Teorema (Teorema central del lmite)

Si Var (X1 ) = 2 es finito, la sucesi
on
distribucion a una variable N(0, 1).
,
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
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
unmente los Xi son
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 )] =
Consistente: si n (X1 , . . . , Xn ) converge en probabilidad a
Toma valores cercanos a seg

un alg
un otro criterio
37/38
Estadstica
unmente los Xi son
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 )] =
Consistente: si n (X1 , . . . , Xn ) converge en probabilidad a
Toma valores cercanos a seg

un alg
un otro criterio
Si existen funciones n = n (X1 , . . . , Xn ) y n = n (X1 , . . . , Xn )

tales que P(n n ) para todo valor posible de , a
[n , n ], con n suficientemente grande, se le llama intervalo de
confianza para con nivel de confianza .
,
37/38
Estadstica
Si las Xi tienen funcion de densidad f que depende de los

parametros = (1Q
, . . . , k ), se llama funci
on de verosimilitud a
n
L(X1 , . . . , Xn , ) = i=1 f (Xi ), y estimaci
on de maxima
verosimilitud de a la funcion (X1 , . . . , Xn ) que maximiza n1 log L
como funcion de .
38/38
Estadstica

parametros = (1Q
n
on de maxima
como funcion de .
Si las Xi son discretas se puede usar la funci
on de masa de
probabilidad com
un en lugar de f .
38/38
Estadstica

parametros = (1Q
n
on de maxima
como funcion de .
Si las Xi son discretas se puede usar la funci
on de masa de
probabilidad com
un en lugar de f .
Bajo condiciones suficientemente generales las estimaciones de
maxima verosimilitud son consistentes y asint
oticamente normales.
38/38

Modelos Probabilisticos Aplicados 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelos Probabilisticos Aplicados 1

Uploaded by

Copyright:

Available Formats

Modelos Probabilsticos Aplicados a la Ingeniera

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Distribucion (histograma, diagrama de frecuencias)

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Distribucion (histograma, diagrama de frecuencias)

Reglas del calculo de Probabilidad (probab. condicional)

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Distribucion (histograma, diagrama de frecuencias)

Reglas del calculo de Probabilidad (probab. condicional)

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Distribucion (histograma, diagrama de frecuencias)

Reglas del calculo de Probabilidad (probab. condicional)

Probabilidad Formal (revisi

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Distribucion (histograma, diagrama de frecuencias)

Reglas del calculo de Probabilidad (probab. condicional)

Probabilidad Formal (revisi

Procesos Aleatorios (probabilidad conjunta)

Ejm. P(A1 A2 . . . ) = P(A1 ) + P(A2 ) + . . .

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (Monte Carlo)

Ejm. lanzar 2 dados y sumar

Distribucion (histograma, diagrama de frecuencias)

Reglas del calculo de Probabilidad (probab. condicional)

Probabilidad Formal (revisi

Procesos Aleatorios (probabilidad conjunta)

Ejm. P(A1 A2 . . . ) = P(A1 ) + P(A2 ) + . . .

Experimento (sentido amplio)

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (sentido amplio)

Lanzar dos dados y registrar los resultados:

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Experimento (sentido amplio)

Lanzar dos dados y registrar los resultados:

Se saca un nuevo producto al mercado y se miden las ventas

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Se saca un nuevo producto al mercado y se miden las ventas

A = {D1 + D2 = 8}, B = {D1 = 2, 4, 6}

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Se saca un nuevo producto al mercado y se miden las ventas

A = {D1 + D2 = 8}, B = {D1 = 2, 4, 6}

el resultado satisface al evento A (decimos que A ocurre)

el resultado no satisface al evento A (A no ocurre)

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Enfoque Clasico (solo para experimentos con todos sus

Modelos Probabilsticos Aplicados a la Ingeniera Civil

Enfoque Clasico (solo para experimentos con todos sus