Unidad III Variables Aleatorias Unidimensionales

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Unidad III Variables Aleatorias Unidimensionales"

Transcripción

1 Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos conciben de modo que los resultados del espacio muestral son cualitativos o cuantitativos. Ejemplos de resultados cualitativos: a) el lanzamiento de una moneda arroja cara o sello, b) un producto manufacturado puede ser defectuoso o no defectuoso, c) una persona puede preferir el perfume A o B. Puede ser útil la cuantificación de los resultados cualitativos de un espacio muestral y, mediante el empleo de medidas numéricas, estudiar su comportamiento aleatorio. El concepto de variable aleatoria proporciona un medio para relacionar cualquier resultado con una medida cuantitativa. Una variable aleatoria es una función de valor real cuyo dominio es un espacio muestral. Ejemplo 1: Supongamos el lanzamiento de una moneda, los estados posibles son cara o sello ; su espacio muestral Ω = { cara, sello }. Sea X(sello) = 0, y X(cara) = 1, de esta manera transformamos los dos resultados posibles del espacio muestral en puntos sobre la recta de los reales. Por P(X = 0) se entenderá la probabilidad de que la variable aleatoria X tome el valor 0; de manera equivalente, la probabilidad de que caiga sello cuando se lance la moneda. Ejemplo 2: Consideremos el lanzamiento de dos dados equilibrados, el espacio muestral contiene 36 resultado posibles, tal como se muestra en la tabla. Sea la variable aleatoria X la suma de los valores de los dos dados. La tabla siguiente muestra el espacio muestral, el valor de la variable aleatoria y su probabilidad: Espacio muestral Variable aleatoria X Frecuencia Probabilidad (1, 1) 2 1 1/36 (1, 2), (2, 1) 3 2 2/36 (1, 3), (2, 2), (3, 1) 4 3 3/36 (1, 4), (2, 3), (3, 2), (4, 1) 5 4 4/36 (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) 6 5 5/36 (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) 7 6 6/36 (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) 8 5 5/36 (3, 6), (4, 5), (5, 4), (6, 3) 9 4 4/36 (4, 6), (5, 5), (6, 4) /36 (5, 6), (6, 5) /36 (6, 6) /36 La naturaleza probabilística de la variable aleatoria X, suma de caras de dos dados, puede observarse al graficar cada valor de X con su respectiva probabilidad Las variables aleatorias se representan mediante 0,14 0,12 mayúsculas, ejemplos X, Y y Z. Los valores numéricos 0,10 reales que puede asumir una variable aleatoria se 0,08 0,06 representarán mediante minúsculas, ejemplos, x, y y z. Se 0,02 puede decir la probabilidad de que X tome el valor x, y 0,00 se denota como P(X = x) o p(x). Probabilidad Distribución de Probabilidades para X (suma de caras de dos dados) 0,18 0,16 0,04 1/36 En el ejemplo del lanzamiento de la moneda, la variable aleatoria X sólo tiene 2 valores posibles; es sencillo determinar las probabilidades de esos valores (P(X = 1) = ½. A una variable aleatoria con esas características se le llama discreta. 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/ x 1/36

2 Se dice que una variable aleatoria X es discreta si puede tomar sólo un número finito, o infinito numerable, de valores posibles x. En este caso, ¾ P(X = x) = p(x) 0. ¾ x P(X = x) = 1, siendo la sumatoria con respecto a todos los valores posibles de x A la función p(x) se le llama función de probabilidad de X. La función de distribución acumulativa de la variable aleatoria X es la probabilidad de que X sea menor o igual a un valor específico de x, y está dada por: F(x) = P(X x) = p(x i ) 0 x i x El termino más general Distribución de Probabilidad, se refiere a la colección de valores de la variable aleatoria, a la función de probabilidad, y también a la existencia de la función de distribución acumulada de X, F(x). Por lo tanto, en el caso discreto, una variable aleatoria X está caracterizada por la función de probabilidad p(x), la cual determina la probabilidad puntual de que X = x, y por la función distribución acumulativa F(x), la que representa la suma de las probabilidades puntuales hasta el valor x de X inclusive. Ejemplo 3: Consideremos de nuevo el lanzamiento de dos dados. Si X es la variable aleatoria que representa la suma de las dos caras, la función de probabilidad de X es p(x) = 6-7 x x = 2, 3,..., Esta función permite determinar las probabilidades para los valores de X, que se resumen en la tabla del ejemplo 2. Además, puede evaluarse la función de distribución acumulativa de X de la siguiente forma: F( 1) = P(X 1) = 0 F( 2) = P(X 2) = 1/36 F( 3) = P(X 3) = 3/36 F( 4) = P(X 4) = 6/36... F(11) = P(X 11) = 35/36 F(12) = P(X 12) = 1 Además, P(X > 7) = 1 P(X 7) = 1 F(7) = 15/36 P( 5 X 9) = P(X 9) P(X 4) = F(9) F(4) = 24/36 En general, la función de distribución acumulativa F(X) de una variable aleatoria discreta es una función no decreciente de los valores de X, de tal manera que:

3 1. 0 F(x) 1, para cualquier x 2. F( x i ) F( x j ), si x i x j 3. P(X > x) = 1 F(x) Además puede establecerse que para variables aleatorias de valor entero se tiene: 4. P(X = x) = F(x) F(x 1) 5. P(x i X x j ) = F( x i ) F( x i 1) En el caso discreto, se asignan probabilidades positivas a todos los valores puntuales de la variable aleatoria, pero la suma de todas ellas es uno aún a pesar de que el conjunto sea infinito numerable; para el caso continuo, lo anterior no es posible, la probabilidad de que una variable aleatoria continua X tome un valor específico x es cero. La distribución de probabilidad de una variable aleatoria continua X está caracterizada por una función f(x) que recibe el nombre de función de densidad de probabilidad. Como la probabilidad de que X tome un valor específico es cero, la función permite determinar la probabilidad de un intervalo a X b. Se dice que una variable aleatoria X es continua si puede tomar un número infinito de valores posibles asociados con intervalos de números reales, y hay una función f(x), llamada la función de densidad de probabilidad, tal que: ¾ f(x) 0, para todo x ¾ f(x) dx = 1 - b ¾ P(a X b) = f(x) dx a f(x) a b x La probabilidad P(a X b) representa el área bajo f(x) en el intervalo [a, b], y el área total bajo f(x) es uno. Al igual que en el caso discreto, la función de distribución acumulativa de una variable aleatoria continua X es la probabilidad de que X tome un valor menor o igual a algún a específico. Esto es, a P( X a) = F(a) = f(x) dx -

4 f(x) a x Dado que para cualquier variable aleatoria continua X, P(X = x) = 0, entonces P(X x) = P( X < x ) = F(x) Ejemplo 4: la variable aleatoria X representa el intervalo de tiempo entre dos llegadas consecutivas a una tienda y su función de densidad de probabilidad está dada por: f(x) = k e x/2 x > 0 Determine k, Cuál es la probabilidad de que el tiempo esté entre 2 y 6 minutos?. Cuál es la probabilidad de que transcurran menos de 8 minutos?, Cuál es la probabilidad de que transcurran mas de 8 minutos?. Ejemplo 5: la variable aleatoria que representa la proporción de accidentes automovilísticos fatales tiene la siguiente función de densidad: f(x) = 42x(1 x) 5 0 x 1 Cuál es la probabilidad de que no más del 25% de los accidentes automovilísticos sean fatales?. En otras palabras, cuál es P(X 0.25)? La probabilidad la podemos interpretar como la frecuencia relativa a largo plazo de que suceda un evento, la distribución de probabilidades entonces es la frecuencia relativa a largo plazo de los resultados numéricos asociados con un experimento. En relación con lo anterior, podemos considerar el valor promedio de una variable aleatoria después de un número grande de experimentos como su valor esperado. El valor esperado ( o esperanza) de una variable aleatoria es un concepto muy importante en el estudio de las distribuciones de probabilidades. Este término tiene sus orígenes en los juegos de azar, debido a que los apostadores deseaban saber cuál era su esperanza de ganar repetidamente un juego, en este sentido, el valor esperado representa la cantidad de dinero promedio que el jugador está dispuesto a ganar o perder después de un número grande de apuestas.

5 Ejemplo 6: supóngase que se tiene una moneda normal y el jugador tiene tres oportunidades para que al lanzarla aparezca una cara. El juego termina en el momento en el que cae una cara o después de tres intentos, lo que suceda primero. Si en el primero, segundo o tercer lanzamiento aparece cara el jugador recibe $2, $4, y $8 respectivamente. Si no cae cara en ninguno de los tres lanzamientos, pierde $20. Sea X la variable aleatoria que representa la cantidad que se gana o se pierde cada vez que se juega. Después de un número grande de juegos se espera ganar $2 en uno de dos juegos, $4 en cualesquiera de cuatro juegos, $8 en uno de cada 8 juegos, y se espera perder $20 una vez cada 8 juegos. El valor esperado, o la cantidad promedio que se ganaría en cada juego después de un numero grande de intentos, se determina multiplicando cada cantidad que se gana/pierde por su respectiva probabilidad y sumando los resultados. De acuerdo con esto, la esperanza de ganar es $2 * (1/2) + $4 * (1/4) + $8 * (1/8) + (-$20)*(1/8) = $0.50 por juego. El valor esperado de una variable aleatoria X es el promedio o valor medio de X, y está dado por: ¾ E [X] = x p(x) si x es discreta ¾ E[X] = x f(x) dx si x es continua - en donde p(x) y f(x) son las funciones de probabilidad y de densidad de probabilidad, respectivamente. Ejemplo 7: sea la variable aleatoria X, definida en el ejemplo 2 (la suma en el lanzamiento de dos dados), compruebe que E[X] = 7. Ejemplo 8: para el ejemplo 5, determinar el valor esperado de la proporción de accidentes fatales. En general, el valor esperado de una función g(x) de la variable aleatoria X, está dado por: ¾ E [g(x)] = g(x) p(x) si x es discreta ¾ E[g(X)] = g(x) f(x) dx si x es continua - Ejemplo 9: suponga que el tiempo necesario para reparar una pieza de equipo, en un proceso de manufactura, es una variable aleatoria cuya función de densidad de probabilidad es: f(x) = 1/5 e x/5 x > 0 si la pérdida de dinero es igual al cuadrado del número de horas necesario para llevar a cabo la reparación, se debe determinar el valor esperado de las pérdidas por reparación. En este caso es necesario calcular el valor esperado de una función que se encuentra relacionada con la variable aleatoria (el tiempo de reparación). Esta función es: g(x) = x 2,

6 La esperanza de una variable aleatoria X no es una función de X sino un número fijo y una propiedad de la distribución de probabilidad de X. Por otra parte, el valor esperado puede no existir dependiendo de si la correspondiente suma o integral no converge en un valor finito. Ejemplo 10: Un inversionista dispone de $ para una inversión de un año. El inversionista está considerando dos opciones: colocar el dinero en el mercado de valores, lo que le garantiza una ganancia anual fija del 15% y un plan de inversión cuya ganancia anual puede considerarse como una variable aleatoria cuyos valores dependen de las condiciones económicas que prevalezcan. Basándose en la historia pasada del segundo plan, un analista muy confiable ha determinado los posibles valores de la ganancia y calculado sus probabilidades, de acuerdo a la tabla. Ganancia (%) Probabilidad Con base en la ganancia esperada, cuál de los dos planes debe seleccionarse?. Propiedades. ¾ E[c] = c, donde c es una constante. ¾ E[aX + b] = ae[x] + b, donde a, b constantes. ¾ E[g(X) + h(x)] = E[g(X)] + E[h(X)] Los momentos de una variable aleatoria X, son los valores esperados de ciertas funciones de X. Estos forman una colección de medidas descriptivas que pueden emplearse para caracterizar la distribución de probabilidad de X y especificarlas si todos los momentos de X son conocidos. Los momentos pueden definirse alrededor de cualquier punto de referencia, pero generalmente se definen alrededor del cero o del valor esperado de X. Sea X una variable aleatoria. El r-ésimo momento de X alrededor del cero se define por: ¾ µ r = E [X r ] = x x r p(x) si x es discreta ¾ µ r = E [X r ] = x r f(x) dx si x es continua - El primer momento alrededor de cero es la media o valor esperado de la variable aleatoria X y se denota por µ ; de esta manera se tiene que µ = µ 1 = E [X]. Sea X una variable aleatoria. El r-ésimo momento central o momento alrededor de la media de X, se define por: ¾ µ r = E [X µ] r = x (x µ) r p(x) si X es discreta ¾ µ r = E [X µ] r = (x µ) r f(x) dx si X es continua -

7 Veamos que ocurre con los primeros momentos centrales de cualquier variable aleatoria: µ 0 = E [X µ] 0 = E[1] = 1 µ 1 = E [X µ] 1 = E[X] µ = 0 µ 2 = E [X µ] 2 = Var[X] = µ 2 µ 2 = σ 2 que corresponde a la Varianza de la variable aleatoria. Tal como se muestra, se puede calcular como el segundo momento alrededor del origen menos el cuadrado de la media. Tal como hemos visto, la varianza mide el grado de dispersión de la distribución, esto es, si la mayor parte del área por debajo de la curva de distribución se encuentra cercana a la media, la varianza es pequeña; si la mayor parte del área se encuentra muy dispersa alrededor de la media, la varianza será grande. Sabemos que la raíz cuadrada positiva de la varianza recibe el nombre de desviación estándar σ, y también permite medir el grado de dispersión de los datos, además está expresado en la misma escala de los datos originales. Otra medida que permite comparar loa dispersión relativa de dos distribuciones de probabilidad es el coeficiente de variación, que está definido por: CV = σ /µ Este coeficiente expresa la magnitud de la dispersión de una variable aleatoria con respecto a su valor esperado, el CV es una medida estandarizada de la variación con respecto a la media, especialmente útil para comparar dos distribuciones de probabilidad cuando la escala de medición difiere de manera apreciable entre éstas. Ejemplo 11: Supongamos las variables aleatorias X e Y, que tienen los siguientes parámetros: E(X) = 120, Var(X) = 36; E(Y) = 40, Var(Y) = 16 A pesar de que la dispersión de X es más grande que la de Y en un sentido absoluto (Var(X) = 120 > Var(Y) = 16); la dispersión relativa de X es menor que la dispersión relativa de Y, puesto que CV X = 0.05 < CV X = De la misma manera podemos analizar los momentos centrales de orden superior de una variable aleatoria. El tercer momento central µ 3 = E [X µ] 3 está relacionado con la asimetría de la distribución de probabilidad de X. A partir del desarrollo del binomio, podemos encontrar que el término de la asimetría es: µ 3 = µ 3 3 µ µ µ 3 entonces, si µ 3 < 0, se dice que la distribución es asimétrica negativa, si µ 3 > 0, se dice que la distribución es asimétrica positiva, y si µ 3 = 0, la distribución es simétrica. Este estadígrafo presenta dos problemas: a) permite analizar la distribuciones unimodales; b) depende de las unidades en las que se mide la variable aleatoria X, en este caso se recomienda utilizar el tercer momento estandarizado, α 3 = µ 3 /(µ 2 ) 3/2 que recibe el nombre de coeficiente de asimetría. α 3 > 0 Asimetría positiva α 3 < 0 Asimetría positiva α 3 = 0 Simétrica

8 El cuarto momento central µ 4 = E [X µ] 4 = µ 4 4 µ µ 3 + 6µ 2 µ 2 3 µ 4 es una medida de que tan puntiaguda es la distribución de probabilidad y recibe el nombre de curtosis. Al igual que en el caso del tercer momento es preferible utilizar la estandarización: α 4 = µ 4 /µ 2 2 si α 4 > 3, la distribución de probabilidad presenta un máximo relativamente alto y recibe el nombre de leptocúrtica; si α 4 < 3, la distribución es relativamente plana y recibe el nombre de platicúrtic,; y si α 4 = 3, la distribución no presenta un máximo ni muy alto ni muy plano y recibe el nombre de mesocúrtica. α 4 > 3 leptocúrtica α 4 < 3 platicúrtica α 4 = 3 mesocúrtica el valor de 3 se utiliza como una referencia debido a que en la práctica la curtosis estandarizada de una distribución de probabilidad se compara con la de una distribución normal, cuyo valor es tres. Ejemplo 12. Dos vendedores de seguro de vida, A y B, visitan de 8 a 12 clientes potenciales por semana, respectivamente. Sean X e Y dos variables aleatorias que representan el número de seguros vendidos por A y B, como resultado de las visitas. Basándose en una gran cantidad de información pasada, las probabilidades para los valores de X e Y son: x p(x) y p(y) Comparar y contrastar las distribuciones de probabilidades de X e Y utilizando los estadígrafos que sean necesarios. Ejemplo 13. Considérese las variables aleatorias X e Y, cuyas funciones de densidad de probabilidad son: y f(x) = f(y) = 1/30 80 x 110 1/ e (-y/10.000) y > 0 Determinar y comparar las distribuciones a partir de la media, varianza y los momentos estandarizados tercero y cuarto de X e Y.

9 Otros estadígrafos. Para cualquier variable aleatoria X, se define a la mediana x 0.5 de X por: P(X < x 0.5 ) ½ y P(X < x 0.5 ) ½ si X es discreta P(X x 0.5 ) = ½ si X es continua Para cualquier variable aleatoria X, se define a la moda x m de X como el valor x m de X que maximiza la función de probabilidad (si X es discreta), o la función de densidad de probabilidad si X es continua Para cualquier variable aleatoria X, se define el valor quantil x q de orden q, de X (0 < q < 1), por: P(X < x q ) q y P(X < x q ) q si X es discreta P(X x q ) = q si X es continua La Desviación media de una variable aleatoria X es el valor esperado de la diferencia absoluta entre X y su media, y está dado por: E X µ = x µ p(x) si X es discreta x E X µ = x µ f(x) dx si X es continua - Un método alternativo para determinar los momentos de una variable aleatoria dada su distribución de probabilidad, es encontrar la esperanza de cierta función conocida como función generadora de momentos. Sea X una variable aleatoria. El valor esperado de e tx recibe el nombre de función generadora de momentos, y se denota por m x (t), si el valor esperado existe para cualquier valor de t en algún intervalo -c < t < c, en donde c es un número positivo. En otras palabras. m x (t) = E[ e tx ] = x e tx p(x) si X es discreta m x (t) = E[ e tx ] = e tx f(x) dx si X es continua - m x (t) es una función solamente de t. Si t = 0, entonces m x (0) = E(e 0 ) = 1. Si la función generadora de momentos existe, puede demostrarse que es única y que determina por completo la distribución de probabilidad de X. En otras palabras, si dos variables aleatorias tienen la misma función generadora de momentos, entonces tienen la misma distribución de probabilidades. Si la función generadora de momentos existe para -c < t < c, entonces existen las derivadas de ésta de todas las ordenes para t = 0, y esto asegura que m x (t) generará todos los momentos de X alrededor del origen.

10 Sea X una variable aleatoria. El valor esperado de e t(x µ) recibe el nombre de función generadora de momentos central y se denota por m x-µ (t), si el valor esperado existe para cualquier valor de t en algún intervalo -c < t < c, en donde c es un número positivo. m x-µ (t) = E[ e t(x µ ) ] = x e t(x µ ) p(x) si X es discreta m x µ (t) = E[ e t(x µ ) ] = e t(x µ ) f(x) dx si X es continua - Ejemplo 14. Sea X una variable aleatoria, cuyas función de densidad de probabilidad es: 1/θ e x/θ x > 0 f(x) = en donde θ es un número mayor que cero. Determinar la función generadora de momentos de X. Ejemplo 15. Sea X una variables aleatoria discreta, con función de probabilidad: p(x) = e -λ λ x x = 0, 1, 2,... x! x = 0 en donde λ es un número mayor que cero. Determinar la función generadora de momentos de X. Se han estimado promedios y varianzas para diversas distribuciones de probabilidades, y hemos visto que ambas cantidades proporcionan alguna información útil acerca del centro y dispersión de la masa de probabilidad. Ahora, si solo se conocen estos valores, se puede decir algo acerca de las probabilidades para diversos intervalos?. Si la distribución tiene una forma razonablemente simétrica, podemos decir que 68% de las observaciones están ± 1 desviación estándar de la media (µ σ, µ+ σ ), y 95% de las observaciones están ± 2 desviación estándar de la media (µ 2σ, µ + 2σ ). Si la distribución no es tan simétrica, estos resultados no son muy buenos y puede dar una mala aproximación; en estos casos, y en general, podemos aplicar la Desiguald de Tchebyshev que relaciona a µ, σ y las probabilidades. Teorema de Tchebyshev. Sea X una variable aleatoria cuya media es µ y su varianza σ 2. Entonces para toda k positiva P( X µ < k σ ) 1 1 k 2 Ejemplo 16. La producción diaria de motores eléctricos en una fábrica es 120 de promedio con una desviación estándar de 10. a) qué fracción de días serán de un nivel de producción entre 100 y 140?. b) Calcular el intervalo más corto que con certeza contenga por lo menos el 90% de los niveles de producción diaria. Ejemplo 17. el costo diario por usar determinada herramienta tiene una media de $13, y una varianza de 41. con que frecuencia el costo será mayor que 30?

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES 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 detalles

3. VARIABLES ALEATORIAS

3. VARIABLES ALEATORIAS . VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8) PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua

Más detalles

Variable Aleatoria. Relación de problemas 6

Variable Aleatoria. Relación de problemas 6 Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es

Más detalles

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%. Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,

Más detalles

Variables aleatorias unidimensionales

Variables aleatorias unidimensionales Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen

Más detalles

MODELO DE RESPUESTAS Objetivos del 1 al 9

MODELO DE RESPUESTAS Objetivos del 1 al 9 PRUEBA INTEGRAL LAPSO 05-764 - /9 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 6 Fecha: 0-04-06 MODELO DE RESPUESTAS Objetivos del al 9 OBJ

Más detalles

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con

Más detalles

7. Distribución normal

7. Distribución normal 7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o

Más detalles

4. Medidas de tendencia central

4. Medidas de tendencia central 4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable

Más detalles

Distribución de Probabilidad Normal

Distribución de Probabilidad Normal Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias

Más detalles

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones

Más detalles

2.5. Asimetría y apuntamiento

2.5. Asimetría y apuntamiento 2.5. ASIMETRÍA Y APUNTAMIENTO 59 variable Z = X x S (2.9) de media z = 0 y desviación típica S Z = 1, que denominamos variable tipificada. Esta nueva variable carece de unidades y permite hacer comparables

Más detalles

Estadística Avanzada y Análisis de Datos

Estadística Avanzada y Análisis de Datos 1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son

Más detalles

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN)

DISTRIBUCIONES 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 detalles

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria 2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un

Más detalles

Teoría de la decisión Estadística

Teoría de la decisión Estadística Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y

Más detalles

MEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL

MEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL 1) ASIMETRÍA MEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL Es una medida de forma de una distribución que permite identificar y describir la manera como los datos tiende a reunirse de acuerdo con la

Más detalles

Tema 5. Variables Aleatorias

Tema 5. Variables Aleatorias Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,

Más detalles

5. VARIABLES ALEATORIAS Y SUS MOMENTOS

5. VARIABLES ALEATORIAS Y SUS MOMENTOS 5. VARIABLES ALEATORIAS Y SUS MOMENTOS Una variable aleatoria Objetivos Introducir la idea de una variable aleatoria y su distribución y sus características como la media, la varianza, los cuartíles etc.

Más detalles

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................

Más detalles

Polinomios. 1.- Funciones cuadráticas

Polinomios. 1.- Funciones cuadráticas Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial

Más detalles

Tema 5: Principales Distribuciones de Probabilidad

Tema 5: Principales Distribuciones de Probabilidad Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad

Más detalles

Probabilidad. Distribuciones binomial y normal

Probabilidad. Distribuciones binomial y normal Tema 7 Probabilidad. Distribuciones binomial y normal 7.1. Introducción En este tema trataremos algunas cuestiones básicas sobre Probabilidad. Tanto la Probabilidad como la Estadística son dos campos de

Más detalles

Medidas de Dispersión

Medidas de Dispersión Medidas de Dispersión Revisamos la tarea de la clase pasada Distribución de Frecuencias de las distancias alcanzadas por las pelotas de golf nuevas: Dato Frecuencia 3.7 1 4.4 1 6.9 1 3.3 1 3.7 1 33.5 1

Más detalles

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una

Más detalles

Tema 4: Variable aleatoria. Métodos Estadísticos

Tema 4: Variable aleatoria. Métodos Estadísticos Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:

Más detalles

4.1. Definición de variable aleatoria. Clasificación.

4.1. Definición de variable aleatoria. Clasificación. Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución

Más detalles

ESTADÍSTICA BÁSICA Dirección Redes en Salud Pública 2015 09 16

ESTADÍSTICA BÁSICA Dirección Redes en Salud Pública 2015 09 16 ESTADÍSTICA BÁSICA Dirección Redes en Salud Pública 2015 09 16 Es el conjunto sistemático de procedimientos para la observación, registro, organización, síntesis y análisis e interpretación de los fenómenos

Más detalles

Soluciones Examen de Estadística

Soluciones Examen de Estadística Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 15 de Febrero, 5 Cuestiones horas C1. Un programa se ejecuta desde uno cualquiera de cuatro periféricos A, B, C y D con arreglo

Más detalles

Introducción al Tema 9

Introducción al Tema 9 Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables

Más detalles

La distribución t de student. O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística

La distribución t de student. O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística La distribución t de student O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística La distribución t de student fue descubierta por William S. Gosset en 1908. Gosset era un estadístico

Más detalles

Distribución Normal Curva Normal distribución gaussiana

Distribución Normal Curva Normal distribución gaussiana Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en

Más detalles

Análisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA

Análisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA 1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema

Más detalles

Propiedades en una muestra aleatoria

Propiedades 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 detalles

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los

Más detalles

Probabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez

Probabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades

Más detalles

Distribución de Probabilidades con Nombre Propio Problemas Propuestos

Distribución de Probabilidades con Nombre Propio Problemas Propuestos Distribución de Probabilidades con Nombre Propio Problemas Propuestos DISTRIBUCIÓN BINOMIAL (BERNOULLI) 2.167 Hallar la probabilidad de que al lanzar una moneda honrada 6 veces aparezcan (a) 0, (b) 1,

Más detalles

Test de Kolmogorov-Smirnov

Test de Kolmogorov-Smirnov Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar

Más detalles

Selectividad Junio 2007 JUNIO 2007

Selectividad Junio 2007 JUNIO 2007 Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea

Más detalles

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág.

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág. ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística

Más detalles

Distribuciones de Probabilidad Para Variables Aleatorias Continuas

Distribuciones de Probabilidad Para Variables Aleatorias Continuas Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable

Más detalles

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10 Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza

Más detalles

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido

Más detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar

Más detalles

Ejercicios de Vectores Aleatorios

Ejercicios de Vectores Aleatorios Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales

Más detalles

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1 Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,

Más detalles

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. La distribución geométrica Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a

Más detalles

C. Distribución Binomial

C. Distribución Binomial Objetivos de aprendizaje 1. Definir los resultados binomiales 2. Calcular la probabilidad de obtener X éxitos en N pruebas 3. Calcular probabilidades binomiales acumulativas 4. Encontrar la media y la

Más detalles

UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL

UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL PROGRAMA: ESTADISTICA I CÓDIGO ASIGNATURA: 1215-311 PRE-REQUISITO: 1215209 SEMESTRE: 3 UNIDADES DE CRÉDITO:

Más detalles

Una población es el conjunto de todos los elementos a los que se somete a un estudio estadístico.

Una población es el conjunto de todos los elementos a los que se somete a un estudio estadístico. Introducción a la Melilla Definición de La trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico

Más detalles

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles

Curvas en paramétricas y polares

Curvas en paramétricas y polares Capítulo 10 Curvas en paramétricas y polares Introducción Después del estudio detallado de funciones reales de variable real expresadas en forma explícita y con coordenadas cartesianas, que se ha hecho

Más detalles

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Profesores: Mg. Cecilia Rosas Meneses Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Definición. La función de distribución acumulada F X de una v.a. X es definida para cada número real x como

Más detalles

RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO. M.Sc. Roberto Solé M.

RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO. M.Sc. Roberto Solé M. FACTORES DETERMINANTES DEL PRECIO DE LAS ACCIONES: Riesgo Se puede examinar ya sea por su relación con un: Activo individual Cartera Rendimiento RIESGO: En un concepto básico es la probabilidad de enfrentar

Más detalles

PRÁCTICA 1. Mediciones

PRÁCTICA 1. Mediciones PRÁCTICA 1 Mediciones Objetivo General El alumno determinará la incertidumbre de las mediciones. Objetivos particulares 1. El alumno determinará las incertidumbres a partir de los instrumentos de medición..

Más detalles

Distribuciones Dis de Probabilidad Pr Contínuas Jhon Jairo Jair Pa P dilla a Aguilar, Aguilar PhD. PhD

Distribuciones Dis de Probabilidad Pr Contínuas Jhon Jairo Jair Pa P dilla a Aguilar, Aguilar PhD. PhD Distribuciones de Probabilidad Contínuas Jhon Jairo Padilla Aguilar, PhD. Introducción En esta sección se estudiarán algunas distribuciones de probabilidad contínuas que son bastante utilizadas en ingeniería

Más detalles

Anexo C. Introducción a las series de potencias. Series de potencias

Anexo C. Introducción a las series de potencias. Series de potencias Anexo C Introducción a las series de potencias Este apéndice tiene como objetivo repasar los conceptos relativos a las series de potencias y al desarrollo de una función ne serie de potencias en torno

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas 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 detalles

VARIABLES ALEATORIAS DISCRETAS

VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:

Más detalles

Muestreo y Distribuciones muestrales. 51 SOLUCIONES

Muestreo y Distribuciones muestrales. 51 SOLUCIONES Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo

Más detalles

Tema 5. Variables aleatorias continuas

Tema 5. Variables aleatorias continuas Tema 5. Variables aleatorias continuas Cuestiones de Verdadero/Falso 1. Muchas medidas numéricas de diversos fenómenos, como por ejemplo errores de medida o medidas antropométricas, pueden modelarse mediante

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6) TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar

Más detalles

Probabilidades y la curva normal

Probabilidades y la curva normal Probabilidades y la curva normal Las distribuciones reales y las distribuciones teóricas Por Tevni Grajales Guerra Tal cual estudiamos en nuestro tercer tema. Cuando registramos los valores de una variable

Más detalles

Formulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría

Formulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría Formulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría Ernesto Barrios Zamudio 1 José Ángel García Pérez2 Departamento Académico de Estadística Instituto

Más detalles

Variables aleatorias

Variables aleatorias Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,

Más detalles

Tema 11: Intervalos de confianza.

Tema 11: Intervalos de confianza. Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por

Más detalles

El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.

El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento

Más detalles

Pruebas de bondad de ajuste

Pruebas de bondad de ajuste Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:

Más detalles

Explorando la ecuación de la recta pendiente intercepto

Explorando la ecuación de la recta pendiente intercepto Explorando la ecuación de la recta pendiente intercepto Realiza las siguientes actividades, mientras trabajas con el tutorial. 1. Los puntos que están en la misma recta se dice que son. 2. Describe el

Más detalles

Vectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias

Vectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios

Más detalles

Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears

Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Al igual que la distribución binomial, la distribución

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.

Más detalles

N = {1, 2, 3, 4, 5,...}

N = {1, 2, 3, 4, 5,...} Números y Funciones.. Números Los principales tipos de números son:. Los números naturales son aquellos que sirven para contar. N = {,,, 4, 5,...}. Los números enteros incluyen a los naturales y a sus

Más detalles

EJERCICIOS DE CONTINUIDAD Y APLICACIONES DE LA DERIVADA

EJERCICIOS DE CONTINUIDAD Y APLICACIONES DE LA DERIVADA EJERCICIOS DE CONTINUIDAD Y APLICACIONES DE LA DERIVADA 1º) Estudia la continuidad de la siguiente función: x+3 si x < 2 fx = x +1 si x 2 La función está definida para todos los reales: D(f)=R Tanto a

Más detalles

TEMA 2: DERIVADA DE UNA FUNCIÓN

TEMA 2: DERIVADA DE UNA FUNCIÓN TEMA : DERIVADA DE UNA FUNCIÓN Tasa de variación Dada una función y = f(x), se define la tasa de variación en el intervalo [a, a +h] como: f(a + h) f(a) f(a+h) f(a) y se define la tasa de variación media

Más detalles

Distribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta

Distribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta Distribución Normal La distribución normal (O Gaussiana) se define como sigue: En donde y >0 son constantes arbitrarias. Esta función es en realidad uno de las más importantes distribuciones de probabilidad

Más detalles

ESTADISTICA INFERENCIAL

ESTADISTICA INFERENCIAL ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos

Más detalles

x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.

x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua. PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.

Más detalles

INTERVALO DE CONFIANZA PARA LA PROPORCIÓN

INTERVALO DE CONFIANZA PARA LA PROPORCIÓN INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño

Más detalles

Grupo 23 Semestre Segundo examen parcial

Grupo 23 Semestre Segundo examen parcial Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige

Más detalles

Variables Aleatorias Discretas

Variables Aleatorias Discretas Profesor Alberto Alvaradejo Ojeda 9 de septiembre de 2015 Índice 1. Variable aleatoria 3 1.1. Discretas...................................... 3 1.2. Continuas..................................... 3 1.3.

Más detalles

6. ESTIMACIÓN DE PARÁMETROS

6. ESTIMACIÓN DE PARÁMETROS PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza

Más detalles

Tema 4: Variables aleatorias multidimensionales

Tema 4: Variables aleatorias multidimensionales Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia

Más detalles

SESIÓN 5 RELACIÓN ENTRE LOS VALORES NUMÉRICOS

SESIÓN 5 RELACIÓN ENTRE LOS VALORES NUMÉRICOS SESIÓN 5 RELACIÓN ENTRE LOS VALORES NUMÉRICOS I. CONTENIDOS: 1. Relación entre valores numéricos.. Cálculo de media, mediana y moda en datos agrupados y no agrupados. 3. La media, mediana y moda en variable

Más detalles

VARIABLES ALEATORIAS Y DISCTRIBUCIÓN DE PROBABILIDAD

VARIABLES ALEATORIAS Y DISCTRIBUCIÓN DE PROBABILIDAD VARIABLES ALEATORIAS Y DISCTRIBUCIÓN DE PROBABILIDAD Autor: Clara Laguna 3.1 INTRODUCCIÓN En el tema de estadística descriptiva se revisaron las técnicas necesarias para la realización de un análisis descriptivo

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de

Más detalles

Curso Propedéutico de Cálculo Sesión 2: Límites y Continuidad

Curso Propedéutico de Cálculo Sesión 2: Límites y Continuidad y Laterales Curso Propedéutico de Cálculo Sesión 2: y Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico y Esquema Laterales 1 Laterales 2 y Esquema Laterales

Más detalles

03 Variables aleatorias y distribuciones de probabilidad

03 Variables aleatorias y distribuciones de probabilidad 03 Variables aleatorias y distribuciones de probabilidad Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Variables aleatorias discretas: función

Más detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos

Más detalles

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los

Más detalles

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.

Más detalles

La distribución Normal

La distribución Normal La distribución Normal Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística, Investigación Operativa Aplicadas y Calidad

Más detalles

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos

Más detalles