Modelos de Probabilidad Continuos

1

Modelos continuos de probabilidad• Jesús Javier de Trinidad Soto Durango

• Luisa Fernanda Manchego

• Herlys López

• Juan David Barajas Calonge

ESTADÍSTICA I

2

Definición:

MODELOS DE PROBABILIDAD CONTINUOS

3

MODELOS DE PROBABILIDAD CONTINUOS

1. Modelo uniforme

Definición:

Se dice que una variable aleatoria está distribuida uniformemente sobre un intervalo si su función de densidad de probabilidad está dada por:

4

Valor esperado o media

El valor esperado de una variable distribuida uniformemente es:

Varianza

La varianza de una variable aleatoria distribuida uniformemente es:

MODELOS DE PROBABILIDAD CONTINUOS

5

2. Modelo normal o gaussiano

Definición:

Se dice que una variable aleatoria se encuentra normalmente distribuida si su función de densidad de probabilidad está dada por:

Donde , es el valor esperado de y es la varianza de .

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝜇 ,𝜎 )= 1√2𝜋𝜎

exp [− 12 ( 𝑥−𝜇𝜎 )2]

6

MODELOS DE PROBABILIDAD CONTINUOS

Valor esperado o media

El valor esperado de una variable distribuida normalmente es:

Varianza

La varianza de una variable distribuida normalmente es:

𝐸 (𝑋 )= 1√2𝜋 𝜎 ∫

−∞

∞

𝑥exp [− 12 (𝑥−𝜇𝜎 )2]𝑑𝑥=𝜇

𝑉𝑎𝑟 (𝑋 )=𝜎2

7

3. Modelo exponencial negativo

Definición:

Si una variable aleatoria tiene distribución exponencial, su función de densidad de probabilidad está dada por:

Donde es un parámetro que representa el lapso de tiempo promedio entre dos eventos independientes de Poisson.

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝜃)= 1𝜃exp (− 𝑥𝜃 )      𝑥>0 ,  𝜃>0

𝑓 (𝑥 ;𝜃)=0      para   cualquier   otro   valor

8

Valor esperado o media

El valor esperado de una variable que posee un distribución exponencial es:

Varianza

La varianza de una variable que posee una distribución exponencial es:

MODELOS DE PROBABILIDAD CONTINUOS

𝐸 (𝑋)=𝜃

𝜎 2=𝜃2

9

4. Modelo gamma

Definición:

Se dice que una variable aleatoria tiene una distribución gamma si su función de densidad de probabilidad está dada por:

Donde es la función gamma y son parámetros de perfil, esto es determinan la forma de la función densidad de probabilidad.

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝛼 ,𝜃)= 1

𝛤 (𝛼)𝜃𝛼𝑥𝛼− 1exp (− 𝑥𝜃 )     𝑥>0   𝛼 ,𝜃>0

𝑓 (𝑥 ;𝛼 ,𝜃)=0      para   cualquier   otro   valor

10

Gráfica de la función densidad de probabilidad de una variable que posee distribución gamma para distintos valores de los parámetros

MODELOS DE PROBABILIDAD CONTINUOS

11

Valor esperado o media

El valor esperado de una variable que posee una distribución gamma es:

Varianza

La varianza de una variable que presenta una distribución gamma es:

MODELOS DE PROBABILIDAD CONTINUOS

𝐸 (𝑋)=𝛼𝜃

𝜎 2=𝛼 𝜃2

12

5. Modelo beta

Definición:

Se dice que una variable aleatoria posee una distribución beta si su función de densidad de probabilidad es:

Donde son parámetros de perfil.

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝛼 , 𝛽)=¿¿𝑓 (𝑥 ;𝛼 , 𝛽)=0     para   cualquier   otro   valor

13

MODELOS DE PROBABILIDAD CONTINUOS

Gráfica de una función densidad de probabilidad de una variable que posee distribución beta para distintos valores de

14

Valor esperado:

El valor esperado de una variable que posee distribución beta es:

Varianza:

La varianza de una variable aleatoria que presenta distribución beta es:

MODELOS DE PROBABILIDAD CONTINUOS

𝐸 (𝑋)=𝛼

𝛼+𝛽

𝜎 2=𝛼𝛽¿¿

15

6. Modelo Ji-Cuadrado

Definición:

Una variable aleatoria posee una distribución Ji-cuadrada si su función densidad de probabilidad esta dada por:

Donde es la función gamma.

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝑘)=1

2𝑘 /2𝛤 (𝑘/2 )𝑥𝑘/2−1𝑒−𝑥 /2    si  𝑥 ≥0

𝑓 (𝑥 ;𝑘)=0    para   𝑥<0

16

MODELOS DE PROBABILIDAD CONTINUOS

17

Valor esperado:

El valor esperado de una variable que presente una distribución ji-cuadrado es:

Varianza:

La varianza de una variable que presenta una distribución ji-cuadrado es:

MODELOS DE PROBABILIDAD CONTINUOS

𝐸 (𝑋)=𝑘

𝜎 2=2𝑘

18

7. Modelo t-student

Definición:

Una variable aleatoria presenta una distribución t-student si su función densidad de probabilidad es:

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝑣)=¿¿

19

MODELOS DE PROBABILIDAD CONTINUOS

20

Valor esperado:

El valor esperado de una variable que posee una distribución t-student es:

Varianza:

La esperanza de una variable que presenta una distribución t-student es:

MODELOS DE PROBABILIDAD CONTINUOS

𝐸 (𝑋)=0     para  𝑣>1 ,   indefinida  para  otros   valores

𝜎 2=𝑣

𝑣−2

21

8. Modelo F-Fisher

Definición:

Una variable presenta una distribución F-Fisher si su función densidad de probabilidad está dada por:

Donde es la función beta.

MODELOS DE PROBABILIDAD CONTINUOS

𝑓 (𝑥 ;𝑑1 ,𝑑2)=√ (𝑑1 𝑥 )𝑑1𝑑2𝑑2

(𝑑1 𝑥+𝑑2 )𝑑1+𝑑2 ( 1

𝑥𝛣( 𝑑12 ,𝑑22 ) )       𝑑1 ,𝑑2>0

22

MODELOS DE PROBABILIDAD CONTINUOS

23

Valor esperado:

El valor esperado de una variable que posee una distribución F-Fisher es:

Varianza:

La varianza de una variable que presenta una distribución F-Fisher es:

MODELOS DE PROBABILIDAD CONTINUOS

𝐸 (𝑋)=𝑑2

𝑑2−2       , 𝑑2>2

𝜎 2=¿ ¿

24

Bibliografía [1] Canavos, George C. (1988), Probabilidad y Estadística. Aplicaciones y métodos,

McGraw-Hill/Interamericana de México S.A. de C.V.

[2] Wikipedia, la enciclopedia libre. www.Wikipedia.es

25FIN DE LA PRESENTACIÓN