Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Modelos Estocásticos Distribuciones de Probabilidad y Densidades de Probabilidad SESIÓN 03
Variable Aleatoria 1 <ul><li>Definición 3.1 : Si    es un espacio de muestra con una medida de probabilidad y  x  es una ...
Variable Aleatoria 2 <ul><li>Teorema 3.1 :    y    son    - Álgebra </li></ul><ul><li>x es una  función medible  en   ...
Variable Aleatoria 3 <ul><li>Teorema 3.1 : Una función puede fungir como la distribución de probabilidad de una variable a...
Variable Aleatoria 4 <ul><li>Definición 3.3 : Si  x  es una variable aleatoria discreta, la función dada por </li></ul><ul...
Variable Aleatoria 5 <ul><li>Teorema 3.2 : Los valores, F(x), de la función de distribución de una variable aleatoria disc...
Función de Densidad 1 <ul><li>Definición 3.4 : Una función con valores f(x), definida con respecto al conjunto d todos los...
Función de Densidad 2 <ul><li>Teorema 3.5 : Una función puede fungir como función de densidad de probabilidad de una varia...
Función de Densidad 3 <ul><li>Definición 3.5 : Si  x  es una variable aleatoria continua, la función dada por </li></ul><u...
Función de Densidad 4 <ul><li>Teorema 3.6 : Si f(x) y F(x) son, respectivamente, valores de la densidad de probabilidad y ...
Distribuciones Multivariadas 1 <ul><li>Definición 3.6 : Si  x  y  y  son variables aleatorias discretas, la función dada p...
Distribuciones Multivariadas 2 <ul><li>Teorema 3.7 : Una función bivariada puede fungir como la distribución de probabilid...
Distribuciones Multivariadas 3 <ul><li>Definición 3.7 : Si  x  y  y  son variables aleatorias discretas, la función dada p...
Distribuciones Multivariadas 4 <ul><li>Definición 3.8 : Una función bivariada con valores f(x,y), definida sobre el plano ...
Distribuciones Multivariadas 5 <ul><li>Teorema 3.8 : Una función bivariada puede servir como función de densidad de probab...
Distribuciones Multivariadas 6 <ul><li>Teorema 3.8 : Decimos que una función de distribución es continua si    f(x,y) t.q...
Distribuciones Multivariadas 7 <ul><li>Definición 3.9 : Si  x  y  y  son variables aleatorias continuas, la función dada p...
Distribuciones Marginales 1 <ul><li>Definición 3.10 : Si  x  y  y  son variables aleatorias discretas y f(x,y) es el valor...
Distribuciones Marginales 2 <ul><li>Definición 3.11 : Si  x  y  y  son variables aleatorias continuas y f(x,y) es el valor...
Distribuciones Marginales 3 <ul><li>Definición 3.12 : Si f(x,y) es el valor de la distribución de probabilidad conjunta de...
Distribuciones Marginales 4 <ul><li>Definición 3.13 : Si f(x,y) es el valor de la densidad conjunta de las variables aleat...
Distribuciones Marginales 5 <ul><li>Definición 3.14 : Si f(x 1 , x 2 ,…x n ) es el valor de la distribución de probabilida...
Upcoming SlideShare
Loading in …5
×

0 Prob3

849 views

Published on

Curso de Modelos Estocásticos
Eduardo Salgado (c)

  • Be the first to comment

  • Be the first to like this

0 Prob3

  1. 1. Modelos Estocásticos Distribuciones de Probabilidad y Densidades de Probabilidad SESIÓN 03
  2. 2. Variable Aleatoria 1 <ul><li>Definición 3.1 : Si  es un espacio de muestra con una medida de probabilidad y x es una función con valor real definida con respecto a los elementos de  , entonces x se denomina variable aleatoria : x:    </li></ul><ul><li>Definición 3.2 : Si x es una variable aleatoria discreta, la función dada por f(x) = P( x = x) para cada x contenida en el intervalo de x se denomina función de probabilidad , o distribución de probabilidad , de x </li></ul>
  3. 3. Variable Aleatoria 2 <ul><li>Teorema 3.1 :  y  son  - Álgebra </li></ul><ul><li>x es una función medible en  , ssi  B   , tenemos que: </li></ul><ul><li>x -1 (B)   x -1 (B) = {    : x(  )  B} </li></ul>
  4. 4. Variable Aleatoria 3 <ul><li>Teorema 3.1 : Una función puede fungir como la distribución de probabilidad de una variable aleatoria discreta x sí y solo si sus valores, f(x), cumplen las condiciones </li></ul><ul><li>f(x)  0 para cada valor contenido en su dominio; </li></ul><ul><li> x f(x) = 1, donde la sumatoria se extiende sobre todos los valores contenidos en su dominio </li></ul>
  5. 5. Variable Aleatoria 4 <ul><li>Definición 3.3 : Si x es una variable aleatoria discreta, la función dada por </li></ul><ul><li>F (x) = P( x  x) =  t<x f(x) = 1, </li></ul><ul><li>para -  < x <  </li></ul><ul><li>donde f(t) es el valor de la distribución de probabilidad de x en t, recibe el nombre de función de distribución , o distribución acumulativa de x </li></ul>
  6. 6. Variable Aleatoria 5 <ul><li>Teorema 3.2 : Los valores, F(x), de la función de distribución de una variable aleatoria discreta x cumplen las condiciones </li></ul><ul><li>F(-  ) = 0; </li></ul><ul><li>F(  ) = 1; </li></ul><ul><li>Si a < b, entonces F(a)  F(b) para dos números reales culaesquiera a y b </li></ul><ul><li>Teorema 3.3 : Si el intervalo d una variable aleatoria x consta de los valores x 1 < x 2 x 3 < .. < x n , entonces f(x 1 ) = F (x 1 ) y </li></ul><ul><li>f (x i ) = F(x i ) – F(x i -1 ), para i = 2, 3, …, n </li></ul>
  7. 7. Función de Densidad 1 <ul><li>Definición 3.4 : Una función con valores f(x), definida con respecto al conjunto d todos los números reales, se denomina función de densidad de probabilidad de la variable aleatoria continua x si y solo si </li></ul><ul><li>para cualquier constante real a y b con a  b </li></ul><ul><li>Teorema 3.4 : Si x es una variable aleatoria continua, y a y b son dos constantes reales con a  b, entonces </li></ul><ul><li>P(a  x  b) = P(a  x < b) = P(a < x  b) = P(a < x < b) </li></ul>
  8. 8. Función de Densidad 2 <ul><li>Teorema 3.5 : Una función puede fungir como función de densidad de probabilidad de una variable aleatoria continua x si sus valores, f(x), satisfacen las condiciones </li></ul><ul><li>f(x)  0, para -  < x <  </li></ul>La integral definida de la función de densidad coincide con la probabilidad de los mismos: la probabilidad de un intervalo es el área bajo la función de densidad.
  9. 9. Función de Densidad 3 <ul><li>Definición 3.5 : Si x es una variable aleatoria continua, la función dada por </li></ul><ul><li>para -  < x <  </li></ul><ul><li>donde f(t) es le valor de la función de densidad de probabilidad de x en t, se denomina función de distribución , o distribución acumulativa , de x </li></ul><ul><li>F x (t) = P{  : x(  )  t}, t   </li></ul>
  10. 10. Función de Densidad 4 <ul><li>Teorema 3.6 : Si f(x) y F(x) son, respectivamente, valores de la densidad de probabilidad y la función de distribución de x en x, entonces: </li></ul><ul><li>0  F(t)  1,  t   </li></ul><ul><li>P(a  x  b) = F(b) – F(a) </li></ul><ul><li>Si a < b  F(a)  F(b) </li></ul><ul><li>para dos constantes reales cualesquiera a y b con a  b y donde existe la derivada </li></ul>
  11. 11. Distribuciones Multivariadas 1 <ul><li>Definición 3.6 : Si x y y son variables aleatorias discretas, la función dada por </li></ul><ul><li>f (x,y) = P( x = x, y = y) para cada pareja de valores (x,y) contenida en el rango de x y y se denomina función de probabilidad conjunta , o distribución de probabilidad conjunta , de x y y </li></ul>
  12. 12. Distribuciones Multivariadas 2 <ul><li>Teorema 3.7 : Una función bivariada puede fungir como la distribución de probabilidad conjunta de una pareja de variables aleatorias discretas x y y si y solo si sus valores, f(x,y), cumplen las condiciones: </li></ul><ul><li>f(x,y)  0 para cada pareja de valores (x,y) contenida en su dominio </li></ul><ul><li> x  y f(x,y) = 1, donde la sumatoria doble se extiende sobre tods las posibles parejas de valores (x,y) contenidas en su dominio </li></ul>
  13. 13. Distribuciones Multivariadas 3 <ul><li>Definición 3.7 : Si x y y son variables aleatorias discretas, la función dada por </li></ul><ul><li>F(x,y) = P( x  x, y  y) =  s  x  t  y f(s,t) </li></ul><ul><li>para -  < x <  ; -  < y <  </li></ul><ul><li>donde f(s,t) es el valor de la distribución de probabilidad conjunta de x y y en (s,t), se denomina función de distribución conjunta , o distribución acumulativa conjunta , de x y y </li></ul>
  14. 14. Distribuciones Multivariadas 4 <ul><li>Definición 3.8 : Una función bivariada con valores f(x,y), definida sobre el plano xy, recibe el nombre de función de densidad de probabilidad conjunta de las variables aleatorias continuas x y y si solo si </li></ul><ul><li>P[( x , y )]  A =  A f(x,y)dxdy </li></ul><ul><li>para una región A cualquiera del plano xy </li></ul>
  15. 15. Distribuciones Multivariadas 5 <ul><li>Teorema 3.8 : Una función bivariada puede servir como función de densidad de probabilidad conjunta de una pareja de variables aleatorias continuas x y y si sus valores, f(x,y), satisfacen las condiciones </li></ul><ul><li>f(x,y)  0, para -  < x <  , -  < y <  ; </li></ul><ul><li> f(x,y)dxdy = 1 </li></ul>
  16. 16. Distribuciones Multivariadas 6 <ul><li>Teorema 3.8 : Decimos que una función de distribución es continua si  f(x,y) t.q. f(x,y)  0, y </li></ul><ul><li>Entonces se puede obtener la función de densidad a partir de la distribución </li></ul>
  17. 17. Distribuciones Multivariadas 7 <ul><li>Definición 3.9 : Si x y y son variables aleatorias continuas, la función dada por </li></ul><ul><li>para -  < x <  , -  < y <  ; </li></ul><ul><li>donde f(s,t) es el valor de la densidad de probabilidad conjunta de x y y en (s,t), se llama función de distribución conjunta de x y y </li></ul>
  18. 18. Distribuciones Marginales 1 <ul><li>Definición 3.10 : Si x y y son variables aleatorias discretas y f(x,y) es el valor de la distribución de probabilidad conjunta en (x,y), la función dada por </li></ul><ul><li>g(x) =  y f(x,y) </li></ul><ul><li>para cada x contenida en el intervalo de x, se denomina distribución marginal de x . En forma respectiva, la función dada por </li></ul><ul><li>h(y) =  x f(x,y) </li></ul><ul><li>para cada y contenida en el intervalo de y, recibe el nombre de distribución marginal de y </li></ul>
  19. 19. Distribuciones Marginales 2 <ul><li>Definición 3.11 : Si x y y son variables aleatorias continuas y f(x,y) es el valor de su densidad de probabilidad conjunta en (x,y), la función dada por </li></ul><ul><li>para -  < x <  , </li></ul><ul><li>se denomina densidad marginal de x . En forma respectiva, la función dada por </li></ul><ul><li>para -  < x <  , </li></ul><ul><li>recibe el nombre de densidad marginal de y </li></ul>
  20. 20. Distribuciones Marginales 3 <ul><li>Definición 3.12 : Si f(x,y) es el valor de la distribución de probabilidad conjunta de las variables aleatorias discretas x y y en (x,y) y h(y) es el valor de distribución marginal de y en y, la función dada por </li></ul><ul><li>h(y)  0 </li></ul><ul><li>para cada x contenida en el rango de x , se denomina distribución condicional de x dada y = y. En forma respectiva, si g(x) es el valor de la distribución marginal de x en x, la función dada por </li></ul><ul><li> g(x)  0 </li></ul><ul><li>para cada y contenida en el rango de y , se denomina distribución condicional de y dada x = x. </li></ul>
  21. 21. Distribuciones Marginales 4 <ul><li>Definición 3.13 : Si f(x,y) es el valor de la densidad conjunta de las variables aleatorias discretas x y y en (x,y) y h(y) es el valor de la densidad marginal de y en y, la función dada por </li></ul><ul><li>h(y)  0 </li></ul><ul><li>para -  < x <  , se denomina densidad condicional de x dada y = y. En forma respectiva, si g(x) es el valor de la densidad marginal de x en x, la función dada por </li></ul><ul><li> g(x)  0 </li></ul><ul><li> para -  < x <  , se denomina distribución condicional de y dada x = x. </li></ul>
  22. 22. Distribuciones Marginales 5 <ul><li>Definición 3.14 : Si f(x 1 , x 2 ,…x n ) es el valor de la distribución de probabilidad conjunta de las n variables aleatorias discretas x 1 , x 2 , …x n en (x 1 ,x 2 ,..x n ) y f i (x i ) es el valor de la distribución marginal de x i para i = 1,2,…n, estas variables aleatorias sonindependientes si y solo si </li></ul><ul><li>f(x 1 , x 2 ,…x n ) = f 1 (x 1 )* f 2 (x 2 )* … f n (x n ) </li></ul><ul><li>para todos los valores (x 1 , x 2 ,…x n ) contenidos en su rango </li></ul>

×