Propiedades en una muestra aleatoria
|
|
- María Rosa Robles Ortega
- hace 7 años
- Vistas:
Transcripción
1 Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables aleatorias mutuamente independientes y la función de probabilidad o densidad marginal de cada X i es f(x). Alternativamente, X 1,, X n son llamadas variables aleatorias independientes e identicamente distribuidas con función de probabilidad o densidad f(x). Si la función de probabilidad o densidad es miembro de una familia paramétrica f(x θ), entonces la función de probabilidad o densidad conjunta es: n f(x 1,, x n θ) = f(x i θ) (5.1.1) i=1 Ejemplo Sea X 1,, X n una muestra aleatoria de una población E(β) que corresponde al tiempo de funcionamiento (en años) de n circuitos idénticos sometidos a prueba. La función de densidad conjunta de la muestra es: n n 1 f(x 1,, x n β) = f(x i β) = i=1 i=1 β e x i/β = 1 β n e (x 1+ +x n)/β 66
2 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 67 La probabilidad que todos los circuitos funcionen al menos dos años es: ˆ ˆ 1 Pr(X 1 > 2,, X n > 2) = 2 2 β n e (x 1+ +x n)/β dx 1 dx n ˆ ˆ = e 2/β 1 β n 1 e (x 2+ +x n)/β dx 2 dx n Usando independencia: = (e 2/β ) n = e 2n/β 2 Pr(X 1 > 2,, X n > 2) = Pr(X 1 > 2) Pr(X n > 2) 2 = (e 2/β ) n = e 2n/β 5.2. Sumas de variables aleatorias a partir de una muestra aleatoria Definición Sea X 1,, X n una muestra aleatoria de tamaño n de una población y sea T (X 1,, X n ) una función cuyo dominio incluye el espacio muestral de (X 1,, X n ), entonces la variable aleatoria Y = T (X 1,, X n ) es llamada una estadística cuya distribución es llamada la distribución de muestreo de Y. Definición La media muestral es el promedio aritmético de los valores en la muestra aleatoria. Usualmente se denota por: X = X X n n = 1 n X i n i=1 Definición La varianza muestral es la estadística definida por: S 2 = 1 n 1 n (X i X) 2 i=1 La desviación estándar muestral es la estadística definida por S = S 2.
3 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 68 Teorema Sean x 1,, x n números cualesquiera y x = (x x n )/n, entonces: a. mín n i=1 (x i a) 2 = n i=1 (x i x) 2 b. (n 1)s 2 = n i=1 (x i x) 2 = n i=1 x 2 i nx 2 Teorema Sea X 1,, X n una muestra aleatoria de una población con media µ y varianza σ 2 <, entonces: a. E[X] = µ b. Var(X) = σ2 n c. E[S 2 ] = σ 2 Teorema Sea X 1,, X n una muestra aleatoria de una población con función generatriz de momentos M X (t), entonces la función generatriz de momentos de la media muestral es: M X (t) = [M X (t/n)] n Ejemplo Sea X 1,, X n una muestra aleatoria de una población N (µ, σ 2 ). Hallar la distribución de X. Ejemplo Sea X 1,, X n una muestra aleatoria de una población G(α, β). Hallar la distribución de X Muestreo desde la distribución Normal Propiedades de la media y variancia muestral Teorema Sea X 1,, X n una muestra aleatoria de la distribución N (µ, σ 2 ) y sean X = 1 ni=1 X n i y S 2 = 1 ni=1 (X n 1 i X) 2. Entonces: a. X y S 2 son variables aleatorias independientes. b. X N (µ, σ2 n ). c. (n 1)S2 σ 2 χ 2 n 1.
4 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 69 Lema Sea χ 2 p una variable aleatoria con distribución chi-cuadrado con p grados de libertad. a. Si Z N (0, 1) entonces Z 2 χ 2 1. b. Si X i χ 2 p i son independientes, entonces X X n χ 2 p 1 + +p n Distribuciones derivadas: t de Student y F Definición Sea X 1,, X n es una muestra aleatoria de una distribución N (µ, σ 2 ). La cantidad X µ S/ tiene distribución t-student con n 1 grados n de libertad. Equivalentemente, una variable aleatoria T tiene distribución t de student con p grados de libertad, y se denota por T t p, si tiene la siguiente función de densidad: f T (t) = p+1 Γ( ) 2 1 Γ( p ), < t < (5.3.1) (pπ) 2 1/2 (1 + t 2 /p)(p+1)/2 Si p = 1 entonces se convierte en la distribución Cauchy, lo cual ocurre cuando el tamaño de muestra es 2. Si T p es una variable aleatoria con distribución t p entonces: E[T p ] = 0 si p > 1 Var(T p ) = p p 2 si p > 2 (5.3.2) Definición Sea X 1,, X n una muestra aleatoria de una población N (µ X, σ 2 X) y sea Y 1, Y m una muestra aleatoria de una población independiente N (µ Y, σ 2 Y ). La variable aleatoria F = (S 2 X/σ 2 X)/(S 2 Y /σ 2 Y ) tiene distribución F con n 1 y m 1 grados de libertad. Equivalentemente, la variable aleatoria F tiene distribución F con p y q grados de libertad, si su función de densidad es: f F (x) = p+q Γ( ) 2 Γ( p 2 )Γ( q 2 ) ( ) p/2 p x (p/2) 1, 0 < x < (5.3.3) q [1 + (p/q)x](p+q)/2
5 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 70 Teorema Usando la técnica de la transformación es posible establecer los siguientes resultados: a. Si X F p,q entonces 1/X F q,p. b. Si X t q entonces X 2 F 1,q. c. Si X F p,q entonces (p/q)x/(1 + (p/q)x) BE(p/2, q/2) Estadísticas de orden Definición Las estadísticas de orden de una muestra X 1,, X n son los valores puestos en orden ascendente y se denotan por X (1),, X (n). Las estadísticas de orden son variables aleatorias que satisfacen X (1) X (n), tal que: X (1) = mín i 1 i n X (2) = segundo valor más pequeño X i. X (n) = máx 1 i n X i El rango muestral, R = X (n) X (1) es la diferencia entre la observación más grande y pequeña. La mediana muestral, denotada por M, es el número tal que aproximadamente la mitad de las observaciones son menores que M y la otra mitad es mayor. En términos de las estadísticas de orden, M se define por: X ((n+1)/2) si n es impar M = (5.4.1) (X (n/2) + X (n/2+1) )/2 si n es par Para todo número p entre 0 y 1, el percentil muestral 100p es la observación tal que aproximadamente np de las observaciones son menores que el mencionado percentil y n (1 p) de las observaciones restantes son mayores. El rango intercuartil es una medida de dispersión definida como la diferencia entre el tercer y el primer cuartil (percentil 75 y percentil 25 respectivamente).
6 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 71 Como las estadísticas de orden son funciones de la muestra, sus probabilidades pueden ser calculadas en términos de X 1,, X n. En el caso discreto el cálculo de las probabilidades para las estadísticas de orden es básicamente un problema de conteo. Teorema Sea X 1,, X n una muestra aleatoria de una distribución discreta con función de probabilidad f X (x i ) = p i donde x 1 < x 2 < son los posibles valores de X en orden ascendente. Se definen: P 0 = 0 P 1 = p 1 P 2 = p 1 + p 2. P i = p 1 + p p i Sean X (1),, X (n) las estadísticas de orden de la muestra, entonces: y Pr(X (j) x i ) = n k=j ( ) n Pi k (1 P i ) n k (5.4.2) k Pr(X (j) = x i ) = n k=j ( ) n [P k i (1 P i ) n k P k k i 1(1 P i 1 ) n k] (5.4.3) Si X 1,, X n es una muestra aleatoria obtenida de una población continua se tiene que la probabilidad que dos X j sean iguales es cero con lo cual dejamos de preocuparnos por los empates. Teorema Sean X (1),, X (n) las estadísticas de orden de una muestra aleatoria de una población continua con función de distribución acumulada F X (x) y función de densidad f X (x). La función de densidad de X (j) es: f X(j) (u) = n! (j 1)!(n j)! f X(u)[F X (u)] j 1 [1 F X (u)] n j (5.4.4)
7 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 72 Ejemplo Sea X 1,, X n una muestra aleatoria extraída desde la distribución de Rayleigh con parámetro θ cuya función de densidad es: f(x θ) = x { } θ exp x2 2 2θ 2 para x > 0. Hallar la distribución de X (1). Cuáles son sus parámetros? La función de probabilidad conjunta de dos o más estadísticas de orden puede usarse para determinar la distribución de algunas de las estadísticas mencionadas al inicio de esta sección. El siguiente teorema permite obtener la función de densidad conjunta de dos estadísticas de orden. Teorema Sean X (1),, X (n) las estadísticas de orden de una muestra aleatoria X 1,, X n de una población continua con función de distribución acumulada F X (x) y función de densidad f X (x). La función de densidad conjunta de X (i) y X (j), 1 i < j n, es: f X(i),X (j) (u, v) = para < u < v <. n! (i 1)!(j 1 i)!(n j)! f X(u)f X (v)[f X (u)] i 1 [F X (v) F X (u)] j 1 i [1 F X (v)] n j (5.4.5) Ejemplo Sea X 1,, X n una muestra extraída desde la distribución UC(0, 1). El rango muestral fue definido como R = X (n) X (1). El rango medio o semirango es una medida de localización como la mediana o media muestral, y se define por S = (X (1) + X (n) )/2. Hallar la función de densidad conjunta de R y S. Cuál es la distribución de R? Es posible obtener la función de densidad conjunta de tres o más estadísticas de orden usando argumentos similares pero más complicados. La función de densidad conjunta de todas las estadísticas de orden está dada por: n!f X (x 1 ) f X (x n ) < x 1 < < x n < f X(1),,X (n) (x 1,, x n ) = 0 de otro modo Ejemplo Sea X (1), X (2), X (3) las estadísticas de orden obtenidas en una muestra de tamaño tres obtenida desde la distribución E(β = 1). Se definen Z 1 = 5X (1), Z 2 = 4(X (2) X (1) ) y Z 3 = 3(X (3) X (2) ). Son independientes Z 1, Z 2 y Z 3?
8 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA Conceptos de convergencia Convergencia en probabilidad Definición Una secuencia de variables aleatorias X 1, X 2, converge en probabilidad hacia la variable aleatoria X, si para todo ɛ > 0: lím Pr ( X n X ɛ) = 0 o lím Pr ( X n X < ɛ) = 1 Las variables aleatorias X 1, X 2, en la secuencia no son necesariamente independientes e identicamente distribuidas como en una muestra aleatoria. Frecuentemente se tiene que la secuencia de variables aleatorias corresponde a medias muestrales y que la variable aleatoria límite es constante. El resultado más famoso es el siguiente. Teorema (Ley débil de los grandes números) Sean X 1, X 2, variables aleatorias independientes e identicamente distribuidas con E[X i ] = µ y Var(X i ) = σ 2 <. Si se define X n = 1 n ni=1 X i entonces, para todo ɛ > 0: lím Pr ( Xn µ ) < ɛ = 1 es decir, X n converge en probabilidad hacia µ. Teorema Si X 1, X 2, converge en probabilidad hacia la variable aleatoria X y h es una función continua, entonces h(x 1 ), h(x 2 ), converge en probabilidad hacia h(x) Convergencia casi segura Definición Una secuencia de variables aleatorias, X 1, X 2, converge de manera casi segura hacia la variable aleatoria X, si para todo ɛ > 0: ( ) Pr lím X n X < ɛ = 1 Ejemplo Sea el espacio muestral S = [0, 1] con distribución de probabilidad uniforme. Se definen las variables aleatorias X n (s) = s + s n y X(s) = s. Para todo s [0, 1), s n 0 conforme n y X n (s) X(s) = s. Sin embargo X n (1) = 2 para todo n, es decir X n (1) no converge a X(1) = 1. La
9 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 74 convergencia ocurre en el conjunto [0, 1) y Pr([0, 1)) = 1, luego X n converge de forma casi segura hacia X. Teorema (Ley fuerte de los grandes números) Sean X 1, X 2, variables aleatorias independientes e identicamente distribuidas con E[X i ] = µ y Var (X i ) = σ 2 < y se define X n = (1/n) n i=1 X i. Entonces, para todo ɛ > 0: ( Pr lím X n µ < ɛ ) = 1 es decir, X n converge de forma casi segura hacia µ Convergencia en distribución Definición Una secuencia de variables aleatorias, X 1, X 2, converge en distribución a la variable aleatoria X si: lím F X n (x) = F X (x) en todos los puntos x donde F X (x) es continua. Ejemplo Sean X 1, X 2, variables aleatorias independientes con distribución UC(0, 1) y sea X (n) = máx 1 i n {X i }. Conforme n se espera que X (n) se encuentre cerca de 1, entonces para todo ɛ > 0: Pr ( X(n) 1 ɛ ) = Pr ( X(n) 1 + ɛ ) + Pr ( X (n) 1 ɛ ) = Pr ( X (n) 1 ɛ ) = Pr (X 1 1 ɛ,, X n 1 ɛ) = (1 ɛ) n luego X (n) converge en probabilidad hacia 1 ya que (1 ɛ) n 0 cuando n. Además, si se toma ɛ = t/n se tiene: lo cual es equivalente a: Pr ( X (n) 1 t/n ) = (1 t/n) n e t Pr ( n(1 X (n) ) t ) 1 e t es decir, la variable aleatoria n(1 X (n) ) converge en distribución a la variable aleatoria E (1).
10 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 75 Teorema (Teorema central del límite) Sean X 1, X 2, variables aleatorias independientes e identicamente distribuidas cuyas funciones generatrices de momentos existen. Sea E[X i ] = µ y Var (X i ) = σ 2 > 0. Se define X n = 1 ni=1 X n i y sea G n (x) la función de distribución acumulada de n(xn µ)/σ. Entonces para < x < : ˆ x lím G 1 n(x) = e y2 /2 dy 2π esto es, n(x n µ)/σ tiene distribución límite normal estándar. Prueba: Se define Y i = (X i µ)/σ tal que: n(x µ) W = = 1 n Y i σ n Luego: i=1 M W (t) = [ M Y (t/ n) ] n Se expande M Y (t/ n) en una serie de potencias de Taylor alrededor de 0. Entonces: M Y (t/ n) = k=0 M (k) Y (0) (t/ n) k k! donde M (k) Y (0) = dk dt M k Y (t) Se sabe que M (0) Y = 1, M (1) Y = 0 y M (2) Y = 1, ya que por construcción la media y varianza de Y son 0 y 1 respectivamente. Entonces: M Y (t/ n) = 1 + (t/ n) 2 + R Y (t/ n) 2 donde R Y es el residuo en la expansión de Taylor. Una aplicación del teorema de Taylor muestra que, para t 0, se tiene: Luego: R Y (t/ n) lím (t/ = 0 entonces lím nr n) 2 Y (t/ n) = 0 [ lím MY (t/ n) ] n = lím [ [ = lím ] n 1 + (t/ n) 2 + R Y (t/ n) ( t 2 n 2 + nr Y (t/ )] n n) t=0
11 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 76 y usando el lema se tiene: [ lím MY (t/ n) ] n = e t 2 /2 que es la función generatriz de momentos de la distribución normal estándar. Usando R podemos obtener números aleatorios de la distribución exponencial y generar con ellos la distribución de la media muestral. > x <- rexp(1000, rate=1/10) > hist(x, freq=f, xlab="", ylab="", main="") > medias <- rep(0, 1000) > for (i in 1:1000){ + medias[i] <- mean(rexp(50, rate=1/10))} > hist(medias, freq=f, xlab="", ylab="", main="") Figura 5.1: Teorema central del límite usando R
12 CAPÍTULO 5. PROPIEDADES EN UNA MUESTRA ALEATORIA 77 Ejemplo El número de infracciones de estacionamiento aplicadas en una ciudad en un día cualquiera tiene distribución de Poisson con media igual a 50 infracciones. Cuál es la probabilidad que el número total de estacionamiento cometidas en los próximos 40 días sea mayor a 2045? Suponga independencia de ser necesario.
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 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 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 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 detallesTest 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 detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesFormulario 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 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 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 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 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 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 detallesÍNDICE 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 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 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 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 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 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 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 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 detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
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 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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
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 detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesAnexo 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 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 detallesx 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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
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 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 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 detallesEn este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos.
Capítulo 6 Derivadas 61 Introducción En este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos Definición 61 Sea I R, I, f :
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
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 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 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 detallesCapítulo 1. Teoría de la probabilidad Teoría de conjuntos
Capítulo 1 Teoría de la probabilidad 1.1. Teoría de conjuntos Definición 1.1.1 El conjunto S de todos los posibles resultados de un experimento aleatorio es llamado el espacio muestral. Un espacio muestral
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
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 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 detallesClase 6: Algunas Distribuciones de Probabilidad Discreta
Clase 6: Algunas Distribuciones de Probabilidad Discreta Distribución Uniforme discreta La más simple de todas las distribuciones de probabilidad discreta es una donde la v.a. toma cada uno de sus valores
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 detallesYenny Bayona Sambrano, Edwin Cerna Figueroa, Kelva Llanos Miranda, Luis Montesinos Ruiz, Silvia Pajuelo Rojas
Estadística I: desde un enfoque por competencias / Yenny Bayona Sambrano, Edwin Cerna Figueroa, Kelva Llanos Miranda, Luis Montesinos Ruiz,Silvia Pajuelo Rojas. -- 2a ed. -- Lima: Universidad San Ignacio
Más detallesEstimación por intervalos
Método de construcción de intervalos de confianza Intervalos de confianza para una población normal Estadística II Universidad de Salamanca Curso 2011/2012 Método de construcción de intervalos de confianza
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 detallesESTADISTICA 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 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 detallesDistribuciones de probabilidad. El teorema central del límite
8 Distribuciones de probabilidad. El teorema central del límite Neus Canal Díaz 8.1. Introducción La distribución de frecuencias es uno de los primeros pasos que debemos realizar al inicio del análisis
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 detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.7: Aproximación de funciones. Desarrollo de Taylor. Aproximación lineal. La aproximación lineal de una función y = f(x) en un punto x = a es la
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS
1 1. DATOS INFORMATIVOS PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS MATERIA: ESTADISTICA CODIGO: 11715 CARRERA: INGENIERIA DE SISTEMAS NIVEL: TERCERO
Más detallesDr. 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 detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
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 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 detallesFolleto de Estadísticas. Teoría del 1er Parcial
Folleto de Estadísticas Teoría del 1er Parcial 2012 Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún tipo de investigación o medida. Unidades de investigación:
Más detallesTema 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 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 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 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 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 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 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 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 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 detallesAnálisis 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 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 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 detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesEstadística. Soluciones ejercicios: Modelos de probabilidad. Versión 8. Emilio Letón
Estadística Soluciones ejercicios: Modelos de probabilidad Versión 8 Emilio Letón. Nivel. Durante los nes de semana, un servidor web recibe una media de accesos cada minutos, considerándose estos un proceso
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesUna 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 detallesEstadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11
Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
Más detallesC. 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 detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
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 detalles1 Variables aleatorias independientes
1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES
UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES Carrera: LICENCIATURA EN COMERCIO EXTERIOR Asignatura: ESTADÍSTICA APLICADA A LOS NEGOCIOS ESTADÍSTICA DE LOS NEGOCIOS Curso: 1º AÑO Año lectivo: 2016 Carga
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesMatemáticas y Estadística para Finanzas Prof.: H. Ernesto Sheriff, PhD(c) M.Sc.
Matemáticas y Estadística para Finanzas Prof.: H. Ernesto Sheriff, PhD(c) M.Sc. Sesión 3 INTRODUCCIÓN A LA ESTADÍSTICA 1 Estadística Aplicada a los Negocios Motivación: usos de la estadística Encuestas
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas 0.0 16 Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 PROBABILIDAD
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesDistribución 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 detallesEstadísticas Elemental Cuartiles y los diagramas de caja 3.1-1
Estadísticas Elemental Cuartiles y los diagramas de caja 3.1-1 Rango intercuartil El rango intercuartil, se denota IQR, es el rango del 50% central de los datos. Esto es la diferencia entre Q 3 y Q 1.
Más detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesCómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas
Cómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas Sesión de Residentes 13 de febrero, 2012 ÍNDICE Diferencia entre población y muestra. Diferencia
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesModelo EOQ con Demanda Incierta. Teoría de Inventarios Modelo Probabilísticos. Demanda durante el Lead Time 18/04/2009
Universidad Técnica Federico Santa María Teoría de Inventarios Modelo Probabilísticos Daniel Basterrica Modelo EOQ con Demanda Incierta Lead Time no nulo Demanda aleatoria durante
Más detallesPruebas 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 detallesIntervalos de Confianza para dos muestras
Intervalos de Confianza para dos muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de dos poblaciones La comparación
Más detalles