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.
|
|
- Andrés Rodrigo Sandoval Vargas
- hace 7 años
- Vistas:
Transcripción
1 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. Conocer el signicado y saber calcular la esperanza y la varianza de una variable aleatoria continua. Conocer y aplicar los modelos continuos más conocidos. 1. Función de Distribución de una variable aleatoria continua Una función X : Ω R es una variable aleatoria si para todo subconjunto B R se tiene X 1 (B) S, es decir, si X 1 (B) es un suceso sea cual sea el conjunto B R. El conjunto X(Ω) = X se le llamará espacio muestral de la variable aleatoria X, es el conjunto de todos los valores posibles de X y en este caso será un intervalo de la recta real o incluso podría ser toda la recta real. Denimos la Función de Distribución de una variable aleatoria continua X de la misma forma a como hemos denido esta función para variables aleatorias discretas, es decir la función real de variable real F : R [0, 1] 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 Propiedades de la Función de Distribución de una variable aleatoria continua Las más importantes son: 1. Es siempre no decreciente. 2. Tiene dos asíntotas horizontales: lím x F (x) = 0 y lím x F (x) = Es siempre continua tanto por la derecha como por la izquierda en todos los puntos. Página: 1
2 4. P (a < X b) = P (a X < b) = P (a < X < b) = P (a X b) = F (b) F (a), a, b R. Las propiedades 3 y 4 anteriores signican que P (X = x) = 0 para todo x, por lo que pueden haber sucesos que contengan puntos muestrales y haya que asignarle probabilidad cero; al igual que habrán sucesos que no sean el suceso seguro y haya que asignarles probabilidad uno. Si A es un suceso con P (A) = 0 decimos que A es un suceso casi imposible. Si A Ω es un suceso con P (A) = 1 decimos que A es un suceso casi seguro. En una variable continua, por tanto, todos los sucesos X = x son casi imposibles. Ejemplo 1.1 Imaginemos que se construye una varilla y el proceso de fabricación está sometido a errores, de forma que la longitud resultante es el valor de la variable aleatoria X con espacio muestral X = (l ε, l + ε). Si suponemos equiprobabilidad, asignamos al intervalo (l ε, x] una probabilidad que sea proporcional a su amplitud, es decir, denimos F (x) = cuya representación gráca es la siguiente: 0, si x < l ε; (x l+ε) 2ε, si l ε x < l + ε; 1, si x l + ε Actividades 1. Estudiar si las siguientes funciones pueden ser funciones de distribución, y representarlas grácamente: a) F (x) = 0 si x 0, F (x) = x 2 si x (0, 1) y F (x) = 1 si x 1 b) F (x) = 0 si x < 0 y F (x) = 1 e x si x 0 Página: 2
3 2. Función de Densidad Si X es continua no cabe hablar de probabilidades puntuales, puesto que éstas son nulas. En este caso los sucesos no triviales van a ser subintervalos del espacio muestral y a ellos habrá que asignar probabilidad. la Función de Densidad es la función f : R R + denida mediante: df (x) f(x) = dx que permite asignar probabilidades a los intervalos de R puesto que se tiene F (x) = x f(t)dt y de las propiedades de la función de distribución se derivan las siguientes propiedades de la función de densidad: 1. + f(x)dx = 1 2. P (a < X b) = P (a X < b) = P (a < X < b) = P (a X b) = b a f(x)dx Estas propiedades podemos visualizarlas en la siguiente gura: la propiedad 1 se traduce en que el área que encierra toda la curva ha de ser igual a 1; mientras que la propiedad 2 se traduce en que el área limitada entre la curva y las rectas x = a y x = b es P (a X b). Ejemplo 2.1 La función de densidad de la variable aleatoria del ejemplo (1.1) es { 1/2ε, si x (l ε, l + ε); f(x) = 0, en el resto Actividades Estudiar si las funciones siguientes pueden ser funciones de densidad, y en su caso, calcular sus funciones de distribución: 1. f(x) = x 2 si x (0, 2) y f(x) = 0 en el resto Página: 3
4 2. f(x) = k(3x + 1) si x (1, 3) y f(x) = 0 en el resto 3. f(x) = k(x 2 + 2x + 0.5) si x (0, 2) y f(x) = 0 en el resto 4. f(x) = kx 3 si x > 1 y f(x) = 0 en el resto 5. (*) f(x) = x si 0 < x < 1, f(x) = 2 x si 1 < x < 2 y f(x) = 0 en el resto 3. Esperanza y Varianza de una variable aleatoria continua Con estos parámetros, que denimos a continuación, pretendemos describir una variable aleatoria respecto a sus características de centralización y dispersión Esperanza Matemática o Media Teórica La Esperanza o Media Teórica de una v.a. E(X) indica un valor teórico al que tendería el valor medio de n realizaciones de X, cuando n tiende a innito. Si X es continua E(X) = xf(x)dx Ejemplo 3.1 Le esperanza de la variable del ejemplo (1.1) vale E(X) = l+ε l ε x 1 2ε dx = l que signica que el valor medio de las longitudes de un gran número de varillas es aproximadamente l. Si X es continua se cumplen las mismas propiedades que en el caso de ser X discreta. Éstas son las siguientes: 1. Si C es una constante E(C) = C 2. E(CX) = CE(X) 3. Si C y D son constantes y X e Y son v.a. E(CX + DY ) = CE(X) + DE(Y ) 4. Si X e Y son independientes, se tiene E(X.Y ) = E(X)E(Y ) Varianza y Desviación Típica Si denotamos E(X) mediante µ y V (X) mediante σ 2, denimos V (X) = σ 2 = E((X µ) 2 ) = E(X 2 ) µ 2 Su cálculo se realiza mediante la siguiente expresión: V (X) = σ 2 = x 2 f(x)dx µ 2 = x 2 f(x)dx ( xf(x)dx) 2 donde f(x) indica la función de densidad de la variable X. Página: 4
5 Ejemplo 3.2 La varianza de la variable del ejemplo (1.1) es V (X) = σ 2 = mientras que su desviación típica es l+ε l ε D(X) = x 2 1 2ε dx l2 = ε2 3 ε 3 Tanto si es discreta como continua, las propiedades de la varianza más importantes son: 1. Si C es una constante V (C) = 0 2. V (CX) = C 2 V (X) 3. Si C y D son constantes y X e Y son v.a. e independientes, V (CX + DY ) = C 2 V (X) + D 2 V (Y ) 4. Si E(X) = µ y D(X) = σ, la variable Z = X µ σ cumple E(Z) = 0 y V (Z) = Actividades 1. Calcular la esperanza y la varianza en los casos en donde sea posible de las actividades de las secciones anteriores. 2. Supongamos que un elemento electrónico tiene una duración X cuya función de densidad es f(x) = e x si x > 0 y f(x) = 0 en el resto. Supongamos que el coste de fabricación un elemento es de 2. El fabricante lo vende por 5, pero garantiza el reembolso total si X < 0.9. ¾Cuál es la utilidad neta esperada por el fabricante por cada artículo?. 4. Desigualdad de Tchebychev Cuando de una variable aleatoria se dispone su función de distribución o su función de probabilidad (caso discreto) o su función de densidad (caso continuo), es posible calcular la probabilidad asociada a cualquier suceso relativo a dicha variable. Cuando no se conoce la distribución de probabilidad, o bien sí la conocemos pero su manejo resulta bastante complejo, sin embargo sí conocemos su esperanza y su varianza, es posible encontrar intervalos de valores de la variable, centrados en su esperanza, que con alta probabilidad contendrá el valor de la variable cuando ésta sea observada. La Desigualdad de Tchebychev dice si X es una v.a. con E(X) = µ y D(X) = σ nitas y k > 0 es un número cualquiera o equivalentemente: P ( X µ kσ) 1 k 2 P (X (µ kσ, µ + kσ)) 1 1 k 2 Página: 5
6 Ejemplo 4.1 Supongamos que sabemos que la variable X =altura de los varones mayores de 20 años tiene E(X) = µ = 175cm y D(X) = σ = 7.5cm. Aunque no sepamos la distribución de probabilidad de X, si tomamos k = 2, la desigualdad anterior dice que P (X (160, 190)) 0.75 es decir, eso signica que con esos parámetros, al menos el 75 % de la población tiene altura entre los límites (160, 190) Actividades A, B y C disparan cada uno 20 disparos a un blanco. La probabilidad de que cada tiro alcance el blanco es 0.4 para A, 0.3 para B y 0.1 para C. Los disparos son independientes entre sí. Sea X el número de blancos alcanzados. 1. Expresar X como suma de v.a. independientes y calcular su media y su varianza. Atención: Se trata en esta actividad una variable aleatoria discreta. 2. Utilizar la desigualdad de Tchebychev para obtener un intervalo que contenga el número total de blancos con una probabilidad mínima de 8/9. 5. Modelos de probabilidad continuos 5.1. El modelo Exponencial El modelo Exponencial de parámetro λ está íntimamente relacionado con el modelo discreto de Poisson de mismo parámetro λ. Si la variable X P(λ) signica X =número de veces que ocurre A por unidad de tiempo (día, mes, año,...) con λ número medio de veces que ocurre A en dicha unidad de tiempo, la variable T =Tiempo, en la unidad de tiempo considerada, que transcurre hasta que ocurre A, o bien el tiempo que transcurre desde la última vez que ha ocurrido A hasta la siguiente vez sigue un modelo exponencial de parámetro λ con función de distribución dada por { 1 e F (t) = λt, si t > 0; 0, en el resto. y función de densidad dada por f(t) = { λe λt, si t > 0; 0, en el resto. Los momentos más importantes del modelo exponencial son: Página: 6
7 E(T ) = 1 λ (Tiempo medio hasta que ocurre A) V (T ) = 1 λ 2 Aunque el modelo exponencial se utiliza mucho en variables que indican tiempo de vida (en sistemas de la naturaleza) o tiempo de funcionamiento (en sistemas electrónicos), sin embargo la unidad en la que se mide la variable exponencial T no tiene por qué ser necesariamente de tiempo y puede ser una unidad en cualquier dimensión continua. Por ejemplo, si la variable de Poisson mide el número de fallos por metro lineal de cierto tipo de cable, podríamos asociar a esta variable discreta una variable continua que indicara el espacio en metros, desde el último error detectado hasta el siguiente. Si T es una variable aleatoria cuya distribución de probabilidad es como la del modelo exponencial, lo indicaremos poniendo T E(λ) Uno de los inconvenientes del modelo exponencial para ser aplicado a la abilidad de sistemas electrónicos es la propiedad de Carencia de Memoria, que se indica poniendo P (T > t + h T > t) = P (T > h) es decir, los sistemas cuya distribución del tiempo de vida es exponencial no sufren desgaste con el uso, porque, supuesto que el sistema ya ha funcionado correctamente t unidades de tiempo, la probabilidad de que funcione al menos h unidades más es la misma de que un sistema funcione al menos h unidades de tiempo Actividades 1. Demostrar la propiedad de carencia de memoria del modelo exponencial El modelo de Erlang En las mismas hipótesis que el modelo Exponencial, supongamos ahora que r N con r > 1 y sea T =espacio que transcurre hasta que sucede A r veces donde dicho espacio hay que entenderlo en términos de cualquier magnitud continua: tiempo, longitud, volumen,... Entonces, la variable T sigue un modelo de Erlang de parámetros r y λ =número medio de ocurrencias del suceso A en un intervalo unidad (de tiempo, longitud, volumen, o la magnitud que corresponda) y su función de densidad está dada por: f(t) = Los momentos más importantes son { λ r (r 1)! tr 1 e λt, si t > 0; 0, en el resto. E(T ) = r λ (Tiempo medio hasta que ocurre A r veces) Página: 7
8 V (T ) = r λ 2 Si T es una variable aleatoria cuya distribución de probabilidad es como la del modelo de Erlang, lo indicaremos poniendo T Erlang(r, λ) 5.3. Modelo Uniforme Una variable aleatoria continua X tiene distribución uniforme en el intervalo (a, b) si la probabilidad asociada al intervalo (a, x] es proporcional a la amplitud del mismo, es decir, si su función de distribución es: 0, si x a; x a F (x) = b a, si x (a, b); 1, si x b. En este caso, la función de densidad es constante en el espacio muestral X = (a, b) y vale: { 1 f(x) =, si x (a, b); b a 0, si x / (a, b). Además: E(X) = a+b 2 V (X) = (b a)2 12 Si X es una variable aleatoria cuya distribución de probabilidad es como la del modelo Uniforme en (a, b), lo indicaremos poniendo X U(a, b) 5.4. Modelo Normal La distribución de probabilidad continua más frecuente en experimentos aleatorios, donde se observan magnitudes en poblaciones homogéneas es la Distribución Normal, también llamada Campana de Gauss. Denición 5.1 Decimos que la variable aleatoria X sigue una distribución Normal con E(X) = µ y D(X) = σ si su función de densidad viene dada por que indicaremos poniendo f(x) = 1 2πσ e 1 2 ( x µ σ )2 ; x R X N (µ, σ) Las propiedades más elocuentes pueden apreciarse en la siguiente gráca. Página: 8
9 y que son: 1. lím x = lím x = 0 2. f(x) es simétrica respecto a la recta x = µ, es decir, f(µ x) = f(µ + x), para todo x R 3. f(x) tiene puntos de inexión en x = µ ± σ 4. Si X N (µ, σ), la variable Z = X µ se denomina Normal Tipicada y Z σ N (0, 1). En este caso se va a tener P (Z z) = P (Z z), para todo z > 0 y si z = 0 dicha probabilidad vale Las sumas de variables aleatorias normales independientes son normales. Es decir, Si X i N (µ i, σ i ), i = 1,..., n, entonces, X = a 0 + a 1 X a n X n se distribuye normalmente, es decir, X N (µ, σ) con µ = E(X) = a 0 + a 1 µ a n µ n y σ = D(X) = a 2 1σ a 2 nσ n. 6. Los intervalos de mayor probabilidad se concentran alrededor de la media µ. Concretamente, si X sigue una distribución normal de media µ y desviación típica σ, que lo indicaremos poniendo X N (µ, σ) se tiene: P (µ σ < X < µ + σ) = P (µ 2σ < X < µ + 2σ) = P (µ 3σ < X < µ + 3σ) = tal y como se muestra en la siguiente gura. Página: 9
10 Otra razón sobre la importancia de la distribución normal es que el Teorema Central del Límite establece que todas las variables que puedan expresarse como combinaciones lineales de un número sucientemente grande de variables tienen distribución aproximadamente normal Manejo de la tabla de la distribución normal Dada la imposibilidad de poder calcular manualmente valores de la función de distribución del modelo Normal, tablas como la que se incluye a continuación nos ayudan a calcular probabilidades normales, junto con las propiedades vistas anteriormente, principalmente las de simetría. Las siguientes grácas muestran algunos ejemplos: Actividades 1. Si X N(4.5, 2.3), calcula P (X < 5), P (2 < X < 7). 2. Si X es la del apartado anterior, calcula en cada caso el valor de a: a) P (X < a) = 0.70 b) P (X > a) = 0.85 c) P ( X 4.5 a) = Aproximaciones El Teorema Fundamental del Límite es un resultado de suma utilidad en la aproximación de probabilidades. Básicamente dice que en condiciones muy generales, las sumas de variables independientes e idénticamente distribuidas tienen distribución aproximadamente normal, cuando el número de sumandos es grande; es decir, si llamamos S n = X X n, con E(X i ) = µ y D(X i ) = σ, entonces si n es grande Z = S n nµ nσ aprox. N (0, 1) Página: 10
11 En particular, si S n B(n, p), entonces puede ser expresada como suma de n variables de Bernoulli independientes, es decir, S n = X X n con X i B(p), por lo tanto Z = S n np np(1 p) aprox. N (0, 1) o también Z = S n p n p(1 p) n aprox. N (0, 1) Página: 11
Objetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
PROBABILIDAD Tema 2.2: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular
Más detallesTema 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 detallesLa 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 detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
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 detallesProbabilidades. 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 detalles3. 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 detallesModelos de probabilidad
Modelos de probabilidad José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 Variables aleatorias 1 Denición 2 Generalidades 2 Probabilidad 1 Objetivo de la probailidad.
Más detalles1. Variables Aleatorias Discretas
Tema 4: Variables Aleatorias Modelos de Probabilidad 1. Variables Aleatorias Discretas Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en
Más detallesDISTRIBUCIONES 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 detalles2. 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 detalles7. 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 detallesPROBABILIDAD 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 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 detallesDistribución 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 detallesProbabilidad. 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 detallesSelectividad 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 detallesTema 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 detallesLA DISTRIBUCIÓN NORMAL
LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece
Más detallesVariables aleatorias continuas y Características numéricas
Variables aleatorias continuas y Características numéricas 2ºC 2018 Clase Nº 7 Mg. Stella Figueroa Variable aleatoria continua X es una VAC si existe una función f(x), llamada función de densidad de probabilidad
Más detallesVariable 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 detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesDistribuciones 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 detallesDistribución 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 detallesSoluciones 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 detallesMuestreo 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 detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UCM Función de distribución y función de densidad Ejercicio. Sea X una variable aleatoria con función de distribución dada
Más detallesTeoría 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 detalles1º BACH CCSS - MATEMÁTICAS - PROBLEMAS DE ANÁLISIS ESTADÍSTICO DE UNA VARIABLE ˆ EJERCICIO 25
1º BACH CCSS - MATEMÁTICAS - PROBLEMAS DE ANÁLISIS ESTADÍSTICO DE UNA VARIABLE ˆ EJERCICIO 24 Dada la siguiente tabla de ingresos: Ingresos mensuales Frecuencia Menos de 1000 35 [1000, 1100) 70 [1100,
Más detallesMATEMÁTICAS I SUCESIONES Y SERIES
MATEMÁTICAS I SUCESIONES Y SERIES. Sucesiones En casi cualquier situación de la vida real es muy frecuente encontrar magnitudes que varían cada cierto tiempo. Por ejemplo, el saldo de una cuenta bancaria
Más detallesLa 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 detallesDOCUMENTO 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 detalles5. 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 detallesUnidad III Variables Aleatorias Unidimensionales
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
Más detallesEstadística 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 detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesTEMA 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 detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesSucesiones y series de números reales
Capítulo 2 Sucesiones y series de números reales 2.. Sucesiones de números reales 2... Introducción Definición 2... Llamamos sucesión de números reales a una función f : N R, n f(n) = x n. Habitualmente
Más detallesTema 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 detallesRelación de Problemas. Tema 6
Relación de Problemas. Tema 6 1. En una urna hay 5 bolas blancas y 2 negras y se sacan tres bolas sin reemplazamiento. a) Calcular la distribución conjunta del número de bolas blancas y negras de entre
Más detallesPruebas 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 detallesTema 1. Cálculo diferencial
Tema 1. Cálculo diferencial 1 / 57 Una función es una herramienta mediante la que expresamos la relación entre una causa (variable independiente) y un efecto (variable dependiente). Las funciones nos permiten
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 detallesD.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 detallesGeneración de eventos en Procesos de Poisson
Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 26 de abril, 2012 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza
Más detallesP (X 5) = P (x = 5) + P (X = 6) + P (X = 7) + P (X = 8) = 0.005416467 + 0.051456432 + 0.79334918 + 0.663420431 = 0.999628249
Hoja 3: robabilidad y variables aleatorias 1. La probabilidad de que un enfermo se recupere tomando un nuevo fármaco es 0.95. Si se les administra a 8 enfermos, hallar: a La probabilidad de que se recuperen
Más detallesIntroducción 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 detallesTabla de Derivadas. Función Derivada Función Derivada. f (x) n+1. f (x) y = f (x) y = ln x. y = cotg f (x) y = ( 1 cotg 2 f (x)) f (x) = f (x)
Matemáticas aplicadas a las CCSS - Derivadas Tabla de Derivadas Función Derivada Función Derivada y k y 0 y y y y y f ) y f ) f ) y n y n n y f ) n y n f ) n f ) y y n y y f ) y n n+ y f ) n y f ) f )
Más detalles2.5. 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 detallesMODELO 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 detallesJUNIO 2010. Opción A. 1 2 3
JUNIO 2010 Opción A 2 3 1 1.- Sean las matrices: A 0 1 2 y B 5 3 1 Halla una matriz X tal que 2X BA AB. 2 0 1 3 3 2. 1 2 3 2.- La cantidad C de tomates (en kg) que se obtienen de una planta de tomate depende
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.5: Aplicaciones de la derivada. Máximos y mínimos (absolutos) de una función. Sea f una función definida en un conjunto I que contiene un punto
Más detallesSi quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por:
Capítulo 3 Variables aleatorias 3. Definición, tipos En ocasiones de un experimento aleatorio sólo nos interesará medir ciertas características del mismo. En estos casos nos bastará con conocer la distribución
Más detallesIES Fco Ayala de Granada Septiembre de 2013 (Modelo 2 ) Solución Germán-Jesús Rubio Luna. Opción A
IES Fco Ayala de Granada Septiembre de 01 (Modelo ) Germán-Jesús Rubio Luna Opción A Ejercicio 1 opción A, modelo Septiembre 01 ['5 puntos] Un alambre de 10 metros de longitud se divide en dos trozos.
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesTema 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 detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detalles6. 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 detallesTeorema 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 detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más detallesESTADÍSTICA 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 detallesEl primer momento centrado en el origen (k=1) es la esperanza matemática de X
MOMENTO K-ÉSIMO PARA UNA VARIABLE ALEATORIA DISCRETA RESPECTO DEL ORIGEN E(x) n i 1 k x i.p x i El primer momento centrado en el origen (k=1) es la esperanza matemática de X También se definen momentos
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesEstadistica 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 detallesDistribuciones 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 detallesTema 10 Aplicaciones de la derivada Matemáticas II 2º Bachillerato 1. ( x) 2x x. Hay dos puntos: (1, 2) y (1, 2)
Tema 0 Aplicaciones de la derivada Matemáticas II º Bachillerato TEMA 0 APLICACIONES DE LA DERIVADA RECTA TANGENTE Escribe e 0 EJERCICIO : la ecuación de la recta tangente a la curva f en 0. Ordenada del
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 detallesb) Haz otra distribución en 12 intervalos de la amplitud que creas conveniente.
Página EJERCICIOS Y PROBLEMAS PROPUESTOS PARA PRACTICAR Deseamos hacer una tabla con datos agrupados a partir de datos, cuyos valores extremos son 9 y. a) Si queremos que sean 0 intervalos de amplitud,
Más detallesVariables aleatorias: problemas resueltos
Variables aleatorias: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimenez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es
Más detallesFunciones exponenciales y logarítmicas
Funciones exponenciales y logarítmicas - Funciones exponenciales y sus gráficas Un terremoto de 85 grados en la escala de Richter es 00 veces más potente que uno de 65, por qué?, cómo es la escala de Richter?
Más detallesEstadística Descriptiva. SESIÓN 12 Medidas de dispersión
Estadística Descriptiva SESIÓN 12 Medidas de dispersión Contextualización de la sesión 12 En la sesión anterior se explicaron los temas relacionados con la desviación estándar, la cual es una medida para
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 detallesDistribuciones unidimensionales discretas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución de Bernouilli de parámetro p 2 3 4 5 6 7 Distribución de Bernouilli de parámetro p Experimento de Bernouilli Es un experimento
Más detallesLuego, en el punto crítico
Matemáticas Grado en Química Ejercicios propuestos Tema 5 Problema 1. Obtenga y clasique los puntos críticos de las siguientes funciones: a fx, y = x +y, b fx, y = x y, c fx, y = x 3 + y. Solución del
Más detallesEl 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 detalles4. 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 detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesMEDIDAS 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 detallesOPCIÓN A. x y 2 0 X = 1 4. x 3 1 x 2. f (x) =
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2015-2016 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II Modelo INSTRUCCIONES
Más detallesLímites y continuidad
Límites y continuidad.. Límites El ite por la izquierda de una función f en un punto 0, denotado como 0 f() es el valor al que se aproima f() cuando se acerca hacia 0 por la izquierda. De igual forma,
Más detallesVECTORES EN EL ESPACIO
VECTORES EN EL ESPACIO Página 133 REFLEXIONA Y RESUELVE Relaciones trigonométricas en el triángulo Halla el área de este paralelogramo en función del ángulo a: cm a cm Área = sen a = 40 sen a cm Halla
Más detallesProbabilidad 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 detallesTema 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 detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesDistribución 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 detallesEjercicios 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 detallesFUNCIONES CUADRÁTICAS. PARÁBOLAS
FUNCIONES CUADRÁTICAS. PARÁBOLAS 1. FUNCIONES CUADRÁTICAS Representemos, en función de la longitud de la base (x), el área (y) de todos los rectángulos de perímetro 1 metros. De ellos, cuáles son las medidas
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 detalleswww.academiacae.com!!info@academiacae.com!!91.501.36.88!!28007!madrid!
CONTINUIDAD Y DERIVABILIDAD. TEOREMAS Y APLICACIONES DE LAS DERIVADAS 1.- junio 1994 Se sabe que y = f (x) e y = g (x) son dos curvas crecientes en x = a. Analícese si la curva y = f(x) g(x) ha de ser,
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 detallesUnidad 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 detallesDefinición: 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 detallesUNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA 4: VARIABLES ALEATORIAS CONTINUAS Profesores: Jaime Arrué A. - Hugo S. Salinas. Primer Semestre
Más detallesLa 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 detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesAplicaciones de las Derivadas
Tema 4 Aplicaciones de las Derivadas 4.1 Introducción Repasaremos en este Tema algunas de las aplicaciones fundamentales de las derivadas. Muchas de ellas son ya conocidas por tratarse de conceptos explicados
Más detalles