(4-2) Modelos Analíticos de Variables Aleatorias

PONTIFICIA UNIVERSIDAD JAVERIANA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA CIVIL
ANÁLISIS DE AMENAZA Y CONFIABILIDAD EN INGENIERÍA CIVIL
FUNCIONES DE DENSIDAD DE PROBABILIDAD
CARLOS EDUARDO RODRÍGUEZ PINEDA

Ing. Civil, MG, MSc, DIC, PhD
FEBRERO 2021
Funciones discretas de probabilidad
•Secuencia de Bernoulli
– Un ensayo
X  1 exito
X  0 fracaso

P X 1  p 
 
P X  0  1 p
E  X   1  P X  1  0  P  X  0   p
 
Var  X   E X 2   E  X  
2
Var  X   p  p 2
Var  X   p 1  p 
4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 2

2
•Secuencia de Bernoulli
– Función de probabilidad de Bernoulli

3
•Distribución binomial
– Si X es un número aleatorio que representa el número de veces
que se presenta un evento en n intentos (ensayos), en el que la
probabilidad de ocurrencia del evento en cada ensayo es p y la
probabilidad de no ocurrencia es (1-p), la probabilidad de x
ocurrencias en n ensayos es:
n x
P X  x     p 1  p 
n x
 x
n n!
  
 x  x! n  x !

4
– Si X es un número aleatorio que representa el número de veces
que se presenta un evento en n intentos (ensayos), en el que la
probabilidad de ocurrencia del evento en cada ensayo es p y la
probabilidad de no ocurrencia es (1-p), la probabilidad de x
ocurrencias en n ensayos es:
n x
P X  x     p 1  p 
n x
 x
n n!
  
 x  x! n  x !

5
– Ya que la variable aleatoria X con parámetros (n, p), representa
el número de éxitos en n experimentos independientes, cada
uno con probabilidad de éxito p, X se puede representar como:
n
X   Xi
i 1
X i  1 si el experiment o i - ésimo es un éxito

X i  0 de otra manera

6
X i , para i  1, 2, 3,..., es una secuencia tipo Bernoulli

E  X i   P X i  1  p
Var  X i   p1  p 
n
E  X    E  X i   np
i 1
n
Var  X    Var  X i   np 1  p 
i 1

7
– Función de distribución acumulada (CDF)
n k
n
FX  x      p 1  p 
nk
k 0  k 

8
FUNCIÓN DE MASA DE PROBABILIDAD BINOMIAL

n=10, p=0.5
0.25 1.00
0.90
0.20 0.80
Probabilidad acumulada
0.70
Probabilidad
0.15 0.60
0.50
0.10 0.40
0.30
0.05 0.20
0.10
0.00 0.00
0 1 2 3 4 5 6 7 8 9 10
i (número de ensayos)

9

n=10, p=0.3
0.30 1.00
0.90
0.25
0.80
0.70
0.20
Probabilidad
0.60
0.15 0.50
0.40
0.10
0.30
0.20
0.05
0.10
0.00 0.00
0 1 2 3 4 5 6 7 8 9 10

10
10

n=10, p=0.6
0.30 1.00
0.90
0.25
0.80
0.70
0.20
Probabilidad
0.60
0.15 0.50
0.40
0.10
0.30
0.20
0.05
0.10
0.00 0.00
0 1 2 3 4 5 6 7 8 9 10

11
•Distribución geométrica
– n ensayos
• n representa el número de ensayos hasta que un evento específico ocurre por
primera vez.
• Si el evento ocurre por primera vez en el intento n entonces hubo (n-1) intentos
donde no se presentó el evento.
• N es la variable aleatoria que representa el número de intentos (ensayos) hasta
que ocurre el evento:
P  N  n   p 1  p 
n 1

12
12
– Periodo de retorno
– El tiempo es discretizado en intervalos iguales, de manera que
cada intervalo es un ensayo (intento), el problema se puede
considerar de tipo Bernoulli donde el número de intervalos
hasta que se presenta la primera ocurrencia de un evento se
denomina primer tiempo de ocurrencia.
– Si los intervalos de tiempo se consideran estadísticamente
independientes, el tiempo para que se presente la primera
ocurrencia es igual al tiempo entre dos ocurrencias sucesivas,
situación gobernada por un proceso tipo geométrico.

13
13
– Periodo de retorno
– El tiempo medio de ocurrencia, conocido en ingeniería como
periodo de retorno, se obtiene como:
 

T  E  T    t  p 1  p   p 1  21  p   31  p   ...
t 1 2
t 1
1 1
T  p 2 
p p

14
14
– Probabilidad de ocurrencia durante el periodo de retorno
P no ocurrencia en T   1  p 
T
T  T  1 2 T  T  1 T  2  3
1  p  T
 1 T p  p  p  ...
2! 3!
P  no ocurrencia en T   1  p   e T p  e 1  0.3679
T
P  ocurrencia en T   1  0.3679  0.6321

15
15
•Distribución binomial negativa
– La función geométrica representa la función de probabilidad
del número de ensayos, o unidades de tiempo discretas, hasta
la primera ocurrencia de un evento en una secuencia tipo
Bernoulli. El número de unidades de tiempo para la siguiente
ocurrencia del evento está gobernada por la distribución
binomial negativa.
– Tk es el número de intervalos de tiempo hasta la k-ésima
ocurrencia del evento, entonces:
 n  1 k
P Tk  n    p 1  p 
n k
 
 para n  k, k  1,...
 k  1
0 para n menor que k
16
16
•Distribución de Poisson
– Si un evento puede ocurrir en cualquier instante de tiempo o en
cualquier punto del espacio, éste puede ocurrir más de una vez en
cualquier tiempo o punto. En este caso es más apropiado modelarlo
como un proceso tipo Poisson.
• El evento puede ocurrir aleatoriamente en cualquier intervalo de
tiempo o de espacio.
• La ocurrencia de un evento en un tiempo dado o espacio dado es
independiente de la ocurrencia del evento en otro intervalo de
tiempo o espacio.
• La probabilidad de ocurrencia de un evento en un intervalo
pequeño de tiempo Δt es proporcional a Δt y puede expresarse
como υ Δt , donde υ es la tasa media de ocurrencia del evento
(asumida como constante).
• La probabilidad de dos o más ocurrencias en Δt es insignificante.

17
17
– Si t se divide en n intervalos de tiempo
– λ es el número promedio de ocurrencias del evento en el
tiempo t
– Por la distribución binomial se tiene:
x n x
 n     
P x ocurrencia s en t      1  
 x  n   n

18
18
– Para un número de intervalos muy grande
x n x
 n      
P x ocurrencia s en t   lim    1  
n  x
  n   n  n
x n x
n!     
 lim   1  
n  x! n  x ! n
   n
n  n  1  n  x  1 x   
n x
 
 lim   1   1  
n  n n n x!  n   n
n
  2 3
lim 1    1          e 
n 
 n 2! 3!
x 
P x ocurrencia s en t   e
x!

19
19
– El número de ocurrencias estadísticamente independientes de
un evento en t es gobernado por la PMF de Poisson. Xt es el
número de ocurrencias en un intervalo de tiempo (0,t),
entonces:
P X t  x 
t 
x
t
e , x  0,1,2,...
x!
E  X t   t
Var  X t   t

20
20
FUNCIÓN DE MASA DE PROBABILIDAD POISSON

v=1 eventos/año
0.40 1.00
0.35 0.90
0.80
0.30
0.70
0.25
Probabilidad
0.60
0.20 0.50
0.15 0.40
0.30
0.10
0.20
0.05 0.10
0.00 0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13
x (número de ocurrencias al año)

21
21

v=4 eventos/año
0.40 1.00
0.35 0.90
0.80
0.30
0.70
0.25
Probabilidad
0.60
0.20 0.50
0.40
0.15
0.30
0.10
0.20
0.05 0.10
0.00 0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13

22
22

v=10 eventos/año
0.40 1.00
0.35 0.90
0.80
0.30
0.70
0.25
Probabilidad
0.60
0.20 0.50
0.40
0.15
0.30
0.10
0.20
0.05 0.10
0.00 0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

23
23
•Distribución exponencial
– Para una secuencia tipo Bernoulli, la probabilidad de
ocurrencia se determina con la función geométrica, mientras
que para una secuencia tipo Poisson, la probabilidad se
determina con una distribución tipo exponencial.
– Si T1 es el tiempo hasta la primera ocurrencia del evento,
entonces (T1>t) significa que no hay ocurrencia del evento en
el intervalo (0,t), por lo tanto:
P T1  t   P X t  0   e t

24
24
– T1 también es el tiempo de recurrencia entre dos eventos
consecutivos, de manera que el CDF es:
FT1  t   P T1  t   1  e t
– La PDF en este caso es:

dF
fT1  t    e t
dt

25
25
– Si la tasa media de ocurrencia es constante, υ, el tiempo medio
de ocurrencia o periodo de retorno está dado por:
1
E  T1  


26
26
– En términos generales, la PDF para la distribución exponencial
es:
f X  x    e  x para x  0
0 para x < 0
– La CDF queda en este caso como:

FX  x   1  e
 x
para x  0
0 para x < 0
27
27
1
X 

1
X  2


28
28
  t
N 1
 
t registro T
t

T

P x ocurrencia s en t   T
 t
x
e
t
T
x!

29
29
– Probabilidad de que al menos 1 evento se presente:
P x  1  1  P x  0 

 1 T
t 
0
e
 T
 t
0!
t
 1 e T

30
30
FUNCIÓN DE DENSIDAD DE PROBABILIDAD EXPONENCIAL

v=0.128 evento por año
1.00 1.00
0.90 0.90
0.80 0.80
0.70 0.70
Probabilidad
0.60 0.60
0.50 0.50
0.40 0.40
0.30 0.30
0.20 0.20
0.10 0.10
0.00 0.00
10
42
44
46
0
2
4
6
8
12
14
16
18
20
22
24
26
28
30
32
34
36
38
40
48
50
tiempo entre dos eventos

31
31

1.00 1.00
0.90 0.90
0.80 0.80
0.70 0.70
Probabilidad
0.60 0.60
0.50 0.50
0.40 0.40
0.30 0.30
0.20 0.20
0.10 0.10
0.00 0.00
24
26
28
36
38
0
2
4
6
8
10
12
14
16
18
20
22
30
32
34
40
42
44
46
48
50

32
32

1.00 1.00
0.90 0.90
0.80 0.80
0.70 0.70
Probabilidad
0.60 0.60
0.50 0.50
0.40 0.40
0.30 0.30
0.20 0.20
0.10 0.10
0.00 0.00
0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50

33
33
•Distribución uniforme
– Una variable X es uniformemente distribuida si en el intervalo
[α, β]:
1
f X  x  si   x  
 
0 de otra manera
ba
P a  x  b  
 
34
34
•Distribución uniforme
 
E X  
2
Var  X  
   
2
12

35
35
Amenaza sísmica

36
Amenazas sísmicas
• Movimiento fuerte
– Análisis Fuente Puntual:
• En este caso la actividad se define sólo en términos de unidad de tiempo
Sitio R
Fuente
a. Estamos interesados en determinar un valor de un parámetro sísmico
Y>y en un sitio de interés.
b. Este valor del parámetro sísmico será producido por un sismo de una
magnitud M, la cual se puede obtener a partir de las relaciones de
atenuación.

37
Amenazas sísmicas
c. Para la fuente dada existe un número Nc=ν con magnitudes mayores
que M, dado por:
  10 a e  M β  bLn10
d. La probabilidad de que al menos un terremoto de magnitud M, y por
 en un año está
consiguiente produciendo un valor Y y, se presente
dada por:
p  1  e 

38
Amenazas sísmicas
e. El periodo de retorno será:
1
T

f. La probabilidad de que al menos un terremoto de magnitud M, y  por
 en un periodo
consiguiente produciendo un valor de Y y, se presente
de L años, será:
L
L
p  1 e  1 e T

39
Amenazas sísmicas
– Análisis Varias Fuentes Puntuales:
Sitio
R3
Fuente 3 R1
Fuente 1
R2
Los puntosFuente 2 caso de una fuente puntual se aplican a cada una de
a, b y c del
las fuentes, obteniéndose Mi y νi

40
Amenazas sísmicas
d. La probabilidad de que al menos un terremoto de magnitud M, y por
consiguiente produciendo un valor Y y, se presente en un año está
dada por: 
s
p  1  e  i
 1 e i 
i 1

41
Amenazas sísmicas
e. El periodo de retorno será:
1
T
 i
f. La probabilidad de que al menos un terremoto de magnitud M, y por 
 en un periodo
consiguiente produciendo un valor de Y y, se presente
de L años, será:
L
L
p  1 e  1 e T

42

(4-2) Modelos Analíticos de Variables Aleatorias

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

(4-2) Modelos Analíticos de Variables Aleatorias

Cargado por

Copyright:

Formatos disponibles

PONTIFICIA UNIVERSIDAD JAVERIANA

ANÁLISIS DE AMENAZA Y CONFIABILIDAD EN INGENIERÍA CIVIL

FUNCIONES DE DENSIDAD DE PROBABILIDAD

CARLOS EDUARDO RODRÍGUEZ PINEDA

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 2

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 3

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 4

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 5

X i  1 si el experiment o i - ésimo es un éxito

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 6

X i , para i  1, 2, 3,..., es una secuencia tipo Bernoulli

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 7

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 8

FUNCIÓN DE MASA DE PROBABILIDAD BINOMIAL

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 9

FUNCIÓN DE MASA DE PROBABILIDAD BINOMIAL

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 10

FUNCIÓN DE MASA DE PROBABILIDAD BINOMIAL

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 11

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 12

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 13

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 14

P  ocurrencia en T   1  0.3679  0.6321

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 15

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 17

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 18

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 19

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 20

FUNCIÓN DE MASA DE PROBABILIDAD POISSON

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 21

FUNCIÓN DE MASA DE PROBABILIDAD POISSON

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 22

FUNCIÓN DE MASA DE PROBABILIDAD POISSON

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 23

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 24

– La PDF en este caso es:

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 25

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 26

– La CDF queda en este caso como:

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 28

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 29

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 30

FUNCIÓN DE DENSIDAD DE PROBABILIDAD EXPONENCIAL

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 31

FUNCIÓN DE DENSIDAD DE PROBABILIDAD EXPONENCIAL

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 32

FUNCIÓN DE DENSIDAD DE PROBABILIDAD EXPONENCIAL

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 33

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 35

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 36

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 37

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 38

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 39

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 40

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 41

4/22/21 ANÁLISIS PROBABILÍSTICO-MODELOS ANALÍTICOS DE VARIABLES ALEATORIAS 42

También podría gustarte