DECISIONES BAJO RIESGO: MÉTODOS PROBABILÍSTICOS
|
|
- Margarita Sevilla Alvarado
- hace 7 años
- Vistas:
Transcripción
1 DECISIONES BAJO RIESGO: MÉTODOS PROBABILÍSTICOS Escuela de la Ingeniería de la Organización INTRODUCCIÓN Por qué el uso de las probabilidades? Para qué medir el riesgo? Estadística Descriptiva Medidas de tendencia central Medidas de dispersión Histogramas de frecuencias Distribuciones de probabilidad Estimación de parámetros Métodos de pronóstico Simulación Montecarlo.
2 PROBABILIDAD Probabilidades Objetivas: Pueden concluirse a partir de una serie de observaciones. Pueden ser: A priori: Son aquellas que pueden ser computadas antes del experimento, porque la naturaleza del evento que ocurrirá es previamente reconocido. Ej. Lanzar un dado y sacar el numero. Ej. Lanzar dos dados y sacar la suma 1 y 1. Éstas deben poder ser conocidas sin un gran número de experimentos ni grandes bases de datos. Empíricas: Son aquellas que se basan sobre grandes cantidades de datos históricos, que permiten construir tablas de frecuencias relativas de ocurrencia. Ej. Probabilidades de incendios, accidentes, producción, demandas de productos, muertes, etc. PROBABILIDAD Probabilidades Subjetivas: Son aquellas cuya valoración se basa en la información histórica que pudiese existir, ajustada por las creencias racionales de un tomador de decisiones inteligente, que está familiarizado con la naturaleza de la situación La información histórica no es suficiente para usar el concepto de probabilidades empíricas o de tablas de frecuencia. Ej. Cuál es la probabilidad de que al lanzar un nuevo servicio financiero dirigido a estudiantes universitarios, este producto sea muy demandado, medianamente demandado o no tenga ninguna demanda? (existen servicios similares, pero diferentes).
3 TOMA DE DECISIONES CON PROBABILIDADES Criterio de la Máxima Posibilidad: Consiste en identificar el estado de la naturaleza más probable ( A priori ), y luego seleccionar la alternativa asociada al mayor pago: Ejemplo: - Qué ocurre con los pagos altos de alternativas asociadas a eventos menos probables? (riesgo / rentabilidad) - Qué ocurre si existen muchos eventos, y el evento más probable, tiene por si mismo una baja probabilidad? TOMA DE DECISIONES CON PROBABILIDADES Regla de decisión de Bayes: Usando las mejores estimaciones disponibles de las probabilidades de los estados de la naturaleza (A priori) se calcula el valor esperado del pago de cada alternativa. Se selecciona la alternativa asociada al mayor valor esperado. - Qué precauciones debería tenerse con este método?
4 Probabilidad simple, condicional, conjunta y marginal Probabilidad simple: Es aquella que no está condicionada a la ocurrencia de otro evento (Ej. P(a)) Probabilidad Condicional: Dado que otro evento ya ocurrió, cuál es la probabilidad de que el evento ocurra? (Ej. P(A/B)) Probabilidad Conjunta: Es la probabilidad de que ocurra una serie de eventos de forma simultánea. (Ej. P(AB)) Probabilidad Marginal: Corresponde a la suma de las probabilidades conjuntas para un evento, y corresponde a una probabilidad simple. (Ej. Si el evento A puede ocurrir con el evento B o sin el evento B, entonces P(A) = P(A.B) + P(A. no B) EJEMPLO 1 ACCIDENTES AUTOMOBILÍSTICOS Suponga que se ha recolectado un largo número de datos de accidentes automovilísticos en una cierta área geográfica, y que se ha clasificado la información en accidente serios (si ocurrió una fatalidad) y no serios (si no ocurrió una fatalidad). Suponga también que fue posible identificar si el conductor había estado tomando bebidas alcohólicas justo antes del accidente. A partir de la anterior tabla, identifique las probabilidades marginales (simples) conjuntas y condicionales.
5 Dependencia e Independencia Estadística Si los eventos A y B son independientes, la ocurrencia de uno de los eventos, no tendrá influencia ni proveerá de mayor información acerca de la probabilidad de ocurrencia del otro evento. Pero si los eventos son estadísticamente dependientes, entonces la ocurrencia de uno de los eventos afectará la probabilidad de ocurrencia del otro evento. Si los eventos A y B son independientes, entonces: P(A) = P(A/B) P(B) = P(B/A) La independencia o dependencia estadística, no deberá ser confundida con relaciones de causa efecto. EJEMPLO Composición de los asistentes a un seminario Suponga que un seminario de administración contiene 50 estudiantes. 30 de éstos son hombres. 40 tienen un grado en ingeniería y los demás un grado en ciencias. Hay 6 científicos hombres. A partir de los datos, identifique si existe o no, independencia estadística entre el sexo de los asistentes y el tipo de grado que éstos tienen. Construya la tabla de proporciones, y a partir de esta, compare la probabilidad de que un asistente al seminario seleccionado aleatoriamente sea un hombre, con la probabilidad de que este estudiante además sea hombre dado que tiene estudios en ingeniería.
6 PROBABILIDAD: ALGUNAS RELACIONES MATEMÁTICAS COMPLEMENTACIÓN: La probabilidad marginal de que un evento ocurra o no ocurra. P(A) + P(Ā) = 1 MULTIPLICACIÓN: La probabilidad conjunta de que dos eventos estadísticamente independientes ocurran simultáneamente. P(AB) = P(A y B) = P(A) * P(B) Y si no son estadísticamente independientes, entonces: P(AB) = P(B) * P(A/B) = P(A) * P(B/A) ADICIÓN: La probabilidad de que ocurra el evento A o el evento B (si son mutuamente excluyentes). P(A ó B) = P(A) + P(B) Y si no son mutuamente excluyentes P(A ó B) = P(A) +P(B) P(AB) TOMA DE DECISIONES CON EXPIREMENTACIÓN Para mejorar las estimaciones preliminares de las probabilidades cada uno de los estados de la naturaleza, es frecuente realizar pruebas experimentales, que arrojen mayor información acerca de la posibilidad de que ocurran los estados de la naturaleza, según los resultados de las pruebas. A partir de la información obtenida, realizamos los cálculo de las probabilidades posteriores ( A posteriori ). Para esto, utilizamos el análisis Bayesiano. Finalmente con esta información, podremos encontrar los pagos esperados con información muestral, y a su vez diseñar una estrategia óptima de decisión. Miremos un ejemplo.
7 TEOREMA DE BAYES n = número posible de estados de la naturaleza P( Estado = estado i ) = Probabilidad a priori de que el estado de la naturaleza verdadero, sea el estado i. (i = 1,,3, n) Resultado j = Un valor posible del resultado de la prueba. P( estado i / Resultado j ) = Probabilidad posterior de que el estado de la naturaleza verdadero sea el estado i (i = 1,,3, n), dado que el resultado de la prueba fue el resultado j. Si se conoce experimentalmente, las probabilidades P( Resultado j / Estado i) y P( estado i), entonces: CONTRATAR UN ESTUDIO ADICIONAL? Valor de la experimentación ( métodos) Valor esperado de la información perfecta (VEIP): Este método, consiste en determinar el valor potencial de realizar un experimento previo. En este caso se supone que la experimentación eliminará toda la incertidumbre sobre cuál es el estado verdadero de la naturaleza. Pago esperado con IP = (pago máximo del estado i)*p(estado i) para todo estado i. VEIP = pago esperado con información perfecta pago esperado sin experimentación (Regla de Bayes) Valor esperado de la experimentación (VEE): Consiste en involucrar los pagos esperados según los resultados de la experimentación VEE = Pago esperado con experimentación Pago esperado sin experimentación, donde: Pago esperado con experimentación = P(resultado j)*e(pago*/resultado j) Deberán tomarse los pagos SIN costos de experimentación.
8 EJEMPLO 3: PROYECTO DE CAPITAL DE RIESGO Los proyectos de capital de riesgo tienen como objetivo fomentar industrias particulares que implican un alto riesgo para el inversionista acerca de los resultados, y a su vez estados de la naturaleza con retornos muy atractivos. Un compañía administradora de inversiones, tiene la posibilidad de invertir en un proyecto de capital semilla. Después de realizar un análisis, se enfrenta a la siguiente situación: Inicialmente, realice un árbol de decisión para representar los pagos, los estados de la naturaleza y las decisiones. (continua ) EJEMPLO 3: EL ÁRBOL DE DECISÓN SIN EXPERIMENTACIÓN PAGOS TOTALES (S1) CONSERVADOR (d1) PAGOS PARCIALES (S) PAGOS TOTALES (S1) MODERADO (d) 1 3 PAGOS PARCIALES (S) PAGOS TOTALES (S1) AGRESIVO (d3) 4 PAGOS PARCIALES (S) Los cuadros son utilizados como nodos de decisión Los círculos son utilizados como nodos de probabilidad. Las ramas son utilizadas para nombrar las decisiones y los resultados. El primer paso para resolver un problema complejo es descomponerlo en una serie de subproblemas más pequeños. Los árboles de decisión facilitan la construcción de una estrategia para enfrentar un problema de toma de decisiones en un contexto probabilístico.
9 TOMA DE DECISIONES CON EXPERIMENTACIÓN EJEMPLO 3: Suponga que una firma consultora ofrece una serie de pruebas e investigaciones económicas, que pronostique si los resultados del proyecto del capital semilla serán o no satisfactorios. Igualmente, esta firma nos indica que con base en su experiencia los resultados de las pruebas que han realizado son : P(Resultado = Favorable/ Estado = Pagos Totales) = 0.9 P(Resultado = Favorable / Estado = Pagos Parciales) = 0.5 El costo del estudio es de 3 millones de USD. Diseñe una estrategia óptima de decisión, y calcule el valor máximo que usted pagaría por el informe de la firma consultora. TOMA DE DECISIONES CON EXPERIMENTACIÓN EJEMPLO 3: ARBOL DE DECISIÓN Una forma de representar las decisiones y los posibles pagos, sería la siguiente. Calcule las probabilidades A posteriori, y desarrolle el árbol de decisión de derecha a izquierda. Concluya a cerca de las decisiones a tomar.
10 EXPERIMENTO: VARIABLES ALEATORIAS Es un procedimiento estable, que puede reproducirse repetitivamente. El riesgo se presenta en éste, pues cada que se genera el proceso, los resultados no necesariamente son los mismos. VARIABLE ALEATORIA: Es la regla que se usará para la asignación numérica de cada uno de los eventos posibles. Cada uno de los valores que toma la variable aleatoria, corresponde a uno de los posibles eventos del experimento. Ejemplos: Número de pasajeros en un vuelo. Sexo de un estudiante (Hombre o Mujer) Productos vendidos por hora etc. VARIABLES DISCRETAS Vs. VARIABLES CONTINUAS: Para una variable aleatoria discreta, es posible identificar el número de eventos posibles, en un rango particular. Una variable aleatoria continua, puede tomar infinitos valores en un rango específico. Para cada una de las variables aleatorias se deberá definir su función de probabilidad. MEDICIÓN DE RIESGO EVALUACIÓN DE CRITERIOS ECONÓMICOS: Los indicadores económicos de cada uno de los métodos, serán evaluados a través de medidas estadísticas de tendencia central y de dispersión. Por ejemplo, para identificar la bondad del indicador, usaremos el valor esperado. (Ej. VPN, TIR, etc.) N Xi 1 X = i= N ó X = N i= 1 Xi. Pi Para identificar la dispersión del indicador económico (Ej. los flujos, el VPN, etc), utilizaremos la varianza y la desviación estándar. VAR(X) = N [ Xi -X] = 1 ó VAR(X) = N i N [ Xi -X] El coeficiente de variación también lo utilizaremos para comparar la bondad de diferentes alternativas. Mide la dispersión relativa de los datos en relación a la media: σ CV= X i= 1. Pi Regrese al ejercicio de la Planta de juguetes, y conteste la pregunta.
11 GENERACIÓN DE NÚMEROS ALEATORIOS Para la generación de números aleatorios en excel, es posible utilizar varios métodos: Generados de número aleatorios: Herramientas análisis de datos generación de números aleatiorios. Por este método, los números aleatorios son generados como valores (Debe estar activado el complemento Herramientas para análisis). Otra posibilidad, es generar el número aleatorio directamente desde la hoja de cálculo con las funciones: = Aleatorio() Genera números aleatorios provenientes de una distribución uniforme entre 0 y 1 = Aleatorio. Entre (inferior;superior) Genera números aleatorios de una distribución uniforme entre los valores especificados HERRAMIENTAS DE ANÁLISIS DE UNA SERIE RESUMEN ESTADÍSTICO DE UNA SERIE: En excel es posible realizar un análisis de una serie de datos, a través de la estadística descriptiva. Cada uno de estos valores también pueden ser calculados a través de las funciones de hoja de cálculo. Realice el ejericio, para verificar sus resultados. HISTOGRAMA En el menú de Análisis de Datos, también se encuentra disponible la construcción de un Histograma. Esta herramienta es útil para asociar la distribución de una serie de datos con una función de distribución conocida. Frecuencia Frecuencia Histograma Clase Esto también se puede realizar directamente en la hoja de cálculo, a través de la función FRECUENCIA en forma matricial.
12 DISTRIBUCIÓN DE PROBABILIDAD EMPÍRICA DISCRETA Consiste en construir la función de densidad y la función de distribución acumulada, a partir del conjunto de datos con que se cuenta. Se recomienda esta distribución cuando la variable aleatoria no se ajuste a una distribución de probabilidad, y/o cuando la variable aleatoria toma un número muy limitado de valores discretos. Con el fin de simular el comportamiento de la variable aleatoria, se realiza lo siguiente: 1. Se establece en qué rango de probabilidades se encontraría un número aleatorio generado (función de distribución acumulada). Se genera un numero aleatorio. Este número aleatorio corresponde a un valor de la distribución acumulada. 3. Se identifica cuál es el valor de la variable aleatoria, que le corresponde a la probabilidad simulada. 4. Se repite el proceso. EJEMPLO 3: DISTRIBUCIÓN DE PROBABILIDAD EMPÍRICA DISCRETA Se estima que la vida útil de un proyecto de inversión (carretera nacional) puede ser de 3, 5, 7 o 10 años, con las siguientes probabilidades respectivamente: 0%, 40%, 5%, 15%. Construya para esta variable: 1. La función de densidad (grafique). La función de probabilidad acumulada (grafique) 3. Encuentre la Media y la Desviación Estándar de la variable aleatoria. 4. Genere un proceso de simulación sobre la variable y genere un histograma de frecuencia sobre los datos obtenidos. RECOMENDACIÓN: Utilizar el generador de números aleatorios de Excel. Utilice la función BUSCARV para encontrar los valores simulados de la V.A.
13 EJEMPLO 4: THE NEWSPERSON PROBLEM Se necesita determinar cuántos Calendarios del año 006 ordenar desde este mes. El costo es de $ USD por calendario, el precio de venta es de $4.50 USD. Después del 1º de Enero, los calendarios que no se vendan son reintegrados por $0.75 USD. La mejor estimación de la demanda de los calendarios, sigue las siguientes probabilidades: Cuántos calendarios deberían ordenarse? Para el análisis realice una simulación montecarlo para cada una de las posibles decisiones. Calcule, el promedio de los ingresos netos en cada decisión, la desviación estándar, y el coeficiente de variación. INTERVALO DE CONFIANZA FRECUENCIA PROMEDIO Para cada una de las series simuladas es posible calcular un valor de la media. Sin embargo, se puede considerar éste como un valor apropiado? Si se realiza un nuevo proceso de simulación se obtendrá nuevos valores para la media, por lo que no es posible conocer con exactitud el valor de la media desde ninguna simulación. Así pues qué tan apropiado es la estimación de la media? Solo se puede estar un 95% seguro de que el promedio de la media estará entre: PROMEDIO ± * DESVIACION ESTANDAR / RAIZ (nº iteraciones) Si se desea determinado nivel de precisión en la estmación de la media, entonces se deberá despejar el número de iteraciones así: * DESVIACIÒN ESTÁNDAR / RAIZ (nº iteraciones) = márgen deseado del intervalo de confianza.
14 DISTRIBUCIÓN BINOMINAL La variable aleatoria (x) representa el número de éxitos en un numero fijo (n) de intentos, experimentos de Bernulli. La probabilidad de estos resultados en cada ensayo es constante y los ensayos son independientes. 1. La variable aleatoria solo puede tomar posibles valores (Éxito ó Fracaso). La probabilidad de los posibles resultados, permanece constante de un experimento a otro. 3. En la secuencia de experimentos, los resultados de uno de ellos no tiene efecto sobre el resultado de algún otro. Probabilidad de éxito (P), probabilidad de fracaso q=(1-p): n p(x) = p x x n-x ( 1- p) si x = 1,,..., n µ = n.p y σ = n.p.q EJEMPLO: Se conoce que en una gran ciudad, el 5% de la población está subscrita al periódico local. Una muestra de 0 habitantes es seleccionada aleatoriamente. Cuál es la probabilidad de que o menos de las personas seleccionadas estén subscritas al periódico?, cuál es la probabilidad de que más de dos y hasta 5 personas estén inscritas? NOTA: La distribución binomial requiere del supuesto de muestreo con reemplazo. En Excel puede usarse la función =DISTR.BINOM DISTRIBUCIÓN HIPERGEOMÉTRICA A diferencia de la distribución binomial, en esta distribución el muestreo es llevado a cabo sin reemplazo. Esta distribución describe la probabilidad de encontrar x exitos en una muestra aleatoria de tamaño n, que se selecciona sin reemplazo de una población N, en donde se sabe que K resultados de la población N son éxitos, y N - K fracasos. E(x) = np V(x) =n.p.q.(n-p)\(n-1) EJEMPLO: Un lote de 40 componentes electrónicos se considera aceptable, sino contiene más de 3 componentes defectuosos. Actualmente se usa un procedimiento de muestreo del lote, tal que se seleccionan 5 componentes y se rechaza el lote si se encuentra uno defectuoso. Cuál es la probabilidad de que exactamente 1 componente defectuoso se encuentre en la muestra si se conoce que existen 3 defectuosos en todo el lote? EN EXCEL PUEDE USARSE LA FUNCIÓN DISTR.HIPERGEOM
15 DISTRIBUCIÓN POISSON La distribución de Poisson describe el número de veces x que un evento ocurre en un intervalo de tiempo dado. Por ejemplo, el ritmo promedio al que llegan los vehículos a un peaje, demanda promedio de un articulo en un almacén, etc. Caracterizado por un valor lambda igual a el número de ocurrencias por unidad de tiempo (media). P x λ e x! λ ( x) = x = 1,,... A diferencia de la distribución binomial, en este caso no se conoce la proporción de éxitos en la población, y además no se tiene un n definido. EJEMPLO: Suponga que el paso de vehículos por un peaje, se ajusta a una distribución de Poisson, y que en promedio pasan 00 carros por hora. Cuál es la probabilidad de que no pase un carro en el próximo minuto? EN EXCEL PUEDE USARSE LA FUNCIÓN POISSON Media = Varianza = lambda * t DISTRIBUCIÓN NORMAL Describe muchos fenómenos aleatorios que ocurren en la vida diaria. Es simétrica y su media es igual a la mediana. El Rango de x no esta limitado pero los valores se centran alrededor de la media. f ( x ) = e ( x µ ) Π σ / σ - < x < σ (X) = N i = 1 [ X i - µ ] N µ = N i = 1 N X i
16 Distribución Normal Estándar Z = X - σ X Distribución Normal Estándar µ = 0 σ = 1 Probabilidades normales para valores seleccionados de Z
17 Distribución Lognormal Se usa en situaciones donde los valores se sesgan positivamente. Por ejemplo precios de acciones, valuación de seguros, etc. La variable incierta puede incrementarse sin limite pero no puede caer por debajo de cero. La variable se sesga positivamente pero la mayoría de valores se encuentran cerca al limite inferior. El Ln de la variable incierta produce una distribución normal. En Excel pueden usarse las funciones: DISTR.LOG.INV y la función DISTR.LOG.NORM Distribución Triangular La distribución triangular no puede generarse con una función especifica de Excel, sin embargo puede programarse utilizando la función de densidad y la función acumulativa de la distribución. Distribución basada en una posición pesimista, probable y optimista. La distribución esta definida por tres parámetros: valor mínimo (a), Valor probable (b), valor máximo (c). Variando el parámetro mas probable la distribución puede ser simétrica o asimétrica. Parámetros: P(x) 1 µ = ( a+ b+ c) 3 h 1 σ= ( a + b + c ab-ac-bc) a b c 18
18 Distribución Triangular La función de densidad define la probabilidad de ocurrencia de cada valor x. Función de Densidad f(x) f(x) = (x-a) (c-a)(b-a) -(x-c) (c-a)(c-b) a x b b x c a A1 b A c h Distribución Triangular La Función Acumulativa define la probabilidad acumulada hasta el valor x Función Acumulativa F(x) F(x) = (x-a) (c-a)(b-a) (c-x) 1 - (c-a)(c-b) a x b b x c 1 R a x b c
19 p(x) a Distribución Triangular Es utilizada cuando hay información incompleta de la variable o como aproximación a otras distribuciones. El resultado simulado se basa en: Generación del numero aleatorio R y este será igual a F(x) (Valor entre 0-1) Comparar R con A1 (probabilidad acumulada entre a b) y determinar si es mayor o menor. Calcular el valor (x) de la función acumulativa dependiendo si R es mayor o menor que A1. A1 b A c h h = c - a si R < A1 si R > A1, x = c - A1 = x = a + b - a c - a R.(c - a).(b - a) (1- R).(c - a).(c - b) Distribución Uniforme La variable aleatoria se mueve entre un valor mínimo y máximo todas con igual nivel de probabilidad. Se usa frecuentemente cuando hay poco conocimiento de la variable. a+ b (b-a) Parámetros: µ = y σ= 1 Función de probabilidad:f(x) Funcion Acumulativa :F(x) p(c < x < d) = d - c b - a 1 = b-a x -a = b-a a x b a x b f(x) a c d b
20 Distribución Exponencial Se usa para describir eventos que ocurren aleatoriamente en el tiempo. Describe la cantidad de tiempo entre ocurrencias. La distribución no se afecta por eventos previos. En Excel puede usarse la función DISTR.EXP TEOREMA DE LIMITE CENTRAL El Teorema del Límite Central indica que, bajo condiciones muy generales, la distribución de la suma de variables aleatorias tiende a una distribución gaussiana cuando la cantidad de variables es muy grande. Si se está realizando el muestreo de una población con distribución desconocida, sea finita o infinita, la distribución muestral de ẍ será aproximadamente normal con media µ y varianza σ /n dado que el tamaño de la muestra es grande. Teorema: Si ẍ es la media de una muestra aleatoria de tamaño n, que se toma de una población con media µ y varianza finita σ, entonces la forma del límite de la distribución de se distribuye aproximadamente como una variable, o de manera equivalente,
21 Ejemplo: Realice una prueba de normalidad sobre la serie de números aleatorio normales generada con anterioridad. En Excel puede usar la función PRUEBA.CHI.INV. Utilice un n grande. TEOREMA DE CHEBYSHEV El matemático Ruso P.L. Chebyshev descubrió que la fracción del área entre cualquiera de dos valores simétricos alrededor de la media, se relaciona con la desviación estándar. La probabilidad de que cualquier variable aleatoria X, asuma un valor dentro de k desviaciones estándar de la media, es al menos 1-1/k. O sea: P(µ-kσ < X < µ+kσ ) 1 1/k Ejemplo: Suponga que el VPN de un proyecto tiene media µ = 8 y varianza σ =9, y una distribución de probabilidad desconocida. Encuentre: a) P(-4 < VPN < 0 ) b)p(abs(vpn-8) 6) PRUEBAS DE BONDAD DE AJUSTE Prueba de Normalidad: Jarque Bera Esta prueba se basa en la curtosis y la simetría de la muestra. S representa el coeficiente de asimetría, k-3 es el excedente de curtosis y n el tamaño de la muestra. H 0 : Los datos se distribuyen normalmente H 1 : Los datos no se distribuyen normalmente. α: Nivel de Significancia de la prueba. Estadístico de prueba: La prueba se rechaza a un nivel de confianza de 1-α si JB >= X (,α). Recuerde que la curtosis de una distribución normal es 3.
22 PRUEBAS DE BONDAD DE AJUSTE Chi cuadrado Esta prueba aplica solo sobre distribuciones de probabilidad discretas como la Poisson o la binomial (distribuciones univariadas). También puede aplicarse también sobre muestras continuas agrupadas en clases. Los datos deben organizarse en k clases ascendentes. Esta prueba no es precisa si en alguna clase existe una frecuencia observada o esperada menor al 5%. Definición de la prueba: Oi :Es la frecuencia observada para la clase i Ei :Es la frecuencia esperada en la clase i. H 0 : Los datos siguen una distribución específica dada H 1 : Los datos no siguen una distribución específica. Estadístico de prueba: PRUEBAS DE BONDAD DE AJUSTE Chi cuadrado Donde O i es la frecuencia observada para la clase i y E i es la frecuencia esperada en la clase i. La frecuencia esperada se calcula como: F, es la función de probabilidad acumulada de los datos que se desean probar, Y u es el límite superior de la clase i, Y L es el límite inferior de la clase i, N es el total de las observaciones.
23 Ejemplos Iniciales de Simulación Montecarlo 1.Estimación del número pi.. Swap DTF IPC 3.The Hippo Example
Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detalles5. MODELOS PROBABILISTICOS.
5. MODELOS PROBABILISTICOS. 5.1 Experimento de Bernoulli Un modelo probabilístico, es la forma que pueden tomar un conjunto de datos obtenidos aleatoriamente. Pueden ser modelos probabilísticos discretos
Más detallesPrograma. Asignatura: Estadística Aplicada. año de la Carrera de Contador Público
Sede y localidad Carrera Sede Atlántica, Viedma Contador Publico Programa Asignatura: Estadística Aplicada Año calendario: 2012 Carga horaria semanal: 6 (seis) hs. Cuatrimestre: Primer Cuatrimestre. Segundo
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesAPUNTES SOBRE INTRODUCCIÓN A LA TEORÍA DE LAS PROBABILIDADES
APUNTES SOBRE INTRODUCCIÓN A LA TEORÍA DE LAS PROBABILIDADES Probabilidad es el experimento libre de determinación P = X * 100 n Reyes Donis, José Luis INTRODUCCIÓN A LA TEORÍA DE LAS PROBABILIDADES Probabilidad
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesMatemáticas Discretas Probabilidad
Coordinación de Ciencias Computacionales - INAOE Matemáticas Discretas Probabilidad Cursos Propedéuticos 2010 Ciencias Computacionales INAOE Teoría de Probabilidad Considero que la probabilidad representa
Más detallesUNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD
UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesEstadística LTA - Principios de estadística 2017
Estadística Probabilidad Experimento: Desde el punto de vista de probabilidades será "cualquier acto que pueda repetirse en igualdad de condiciones". Ej. Arrojar una vez un dado. Espacio Muestral: Es el
Más detallesFolleto de Estadísticas. Teoría del 1er Parcial
Folleto de Estadísticas Teoría del 1er Parcial 2012 Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún tipo de investigación o medida. Unidades de investigación:
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesPROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL SOLUCIÓN
FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL SOLUCIÓN Usando las frecuencias relativas, se tiene: b) La
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2017 Agenda 1 Concepto de probabilidad
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para
Más detallesNIVELACIÓN DE ESTADISTICA. Carlos Darío Restrepo
NIVELACIÓN DE ESTADISTICA Qué es la probabilidad? La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento. Por ejemplo: tiramos un dado al aire y
Más detallesPROBABILIDAD Y ESTADÍSTICA PROPUESTAS PARA UNA AUTOEVALUACIÓN DE LOS FUNDAMENTOS TEÓRICOS
PROBABILIDAD Y ESTADÍSTICA PROPUESTAS PARA UNA AUTOEVALUACIÓN DE LOS FUNDAMENTOS TEÓRICOS En lo que sigue le presentamos 50 puntos que fueron incluidos en diferentes evaluaciones finales de los fundamentos
Más detallesCALCULO DE PROBABILIDADES
CALCULO DE PROBABILIDADES Los experimentos o fenómenos aleatorios son aquellos que al ser repetidos en condiciones uniformes presentan resultados variables de manera que no puede predecirse con exactitud
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesQue es Crystal Ball?
Francisco Parodi Que es Crystal Ball? Crystal Ball está Orientado hacia el manejo y administración de riesgo. Dirigido hacia personas vinculadas a procesos de decisiones sujetos a incertidumbre. Dirigido
Más detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesUNLPam - Fac. Cs. Econ. y Jur.
Bibliografía Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración. Grupo Editorial Iberoamérica. Eppen, Gould, Schmidt, Moore, Weatherford; Investigación de Operaciones
Más detallesTipos de fenómenos. Deterministas: Previsibles de antemano sin recurrir a la observación. Aleatorios: Inciertosw.
Tipos de fenómenos Deterministas: Previsibles de antemano sin recurrir a la observación. Aleatorios: Inciertosw. Variable aleatoria: Tiene comportamiento incierto. Aleatoriedad =incertidumbre Aleatoriedad
Más detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
Más detallesProbabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD
Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma
Más detallescontablemente infinito.
III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.
Más detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detallesMÓDULO I. TEORÍA DE LA PROBABILIDAD
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
Más detallesTema 5: Modelos probabilísticos
Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesCORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS
CORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS ACTIVIDAD ACADEMICA: ESTADISTICA DE LA PROBABILIDAD DOCENTE: LIC- ING: ROSMIRO FUENTES ROCHA UNIDAD
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesConceptos de Probabilidad y Aplicaciones
Conceptos de Probabilidad y Aplicaciones 𝑃(𝑒𝑣𝑒𝑛𝑡𝑜) = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠 𝑜 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 Para eventos mutuamente excluyentes 𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 𝑃(𝐴𝑦𝐵)
Más detallesProporcionar al alumno las herramientas necesarias que le faciliten la aplicación de probabilidad y estadística en la solución de problemas reales.
LICENCIATURA EN PSICOLOGIA Y NEUROCIENCIAS MATERIA ESTADISTICA I LINEA CURRICULAR FORMACION TETRAMESTRE SEGUNDO CLAVE FOR-105 SERIACION FOR-102 HFD 3 HEI 2 THS: 5 CRS 4 OBJETIVO DE LA MATERIA Proporcionar
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detallesApellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva:
Cátedra: Probabilidad y Estadística Apellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva: Atención! Para aprobar el examen se debe alcanzar
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesApuntes de Clases. Modelos de Probabilidad Discretos
2010 Índice 1. Distribución de Bernouilli 2 2. Distribución Binomial 3 3. Distribución Hipergeométrica 3.1. Aproximación Binomial de la distribución Hipergeométrica............. 7 4. Distribución Geométrica
Más detallesProbabilidades. Gerardo Arroyo Brenes
Probabilidades Gerardo Arroyo Brenes Teoría de las Probabilidades Experimento: Es toda acción o proceso que produce resultados bien definidos. Ejemplos: Experimento Resultado: Lanzar una moneda Cara o
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA SEMESTRE ASIGNATURA 3er. PROBABILIDAD Y ESTADÍSTICA CÓDIGO HORAS
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:
Más detalles