Clase 1. Simulación de procesos estocásticos.
|
|
- Daniel Lagos Sandoval
- hace 7 años
- Vistas:
Transcripción
1 Clase 1 Simulación de procesos estocásticos 1 Introducción De un modo muy general, podemos decir que la probabilidad es la disciplina que se ocupa del estudio de lo aleatorio (o estocástico) y que un proceso estocástico es el estudio de lo aleatorio cuando se incorpora la variable tiempo Por ejemplo, lo que sucede al lanzar una moneda no es un proceso estocástico; sin embargo, la secuencia de resultados obtenidos al lanzar una moneda varias veces seguidas sí que lo es En el campo de las telecomunicaciones encontramos distintas áreas que requieren del control de lo aleatorio Nos servimos de la teoría de la señal para ilustrar el concepto de aleatorio en este campo Una señal aleatoria es una onda en el tiempo que sólo puede caracterizarse mediante la probabilidad Más concretamente, una señal de radio o televisión, cuya emisión está muy controlada, pues llegar al receptor con ciertas perturbaciones como pitidos de fondo o nieve en la imagen La onda que se superpone a la emisión de la radio o de la televisión es una tensión que vista en el osciloscopio fluctúa aleatoriamente (sin un patrón específico) en el tiempo Esta onda se denomina ruido La señal anterior es inherente a cualquier emisión considerada en el campo de la telecomunicación y no es en absoluto deseable, es un mal con el que se convive Ahora bien, también hay señales aleatorias deseables, como puede ser la sucesión de ceros y unos (bits) que transmite un ordenador, la energía eléctrica producida por un aerogenerador, la señal producida por un detector solar, etc El hecho de que las señales anteriores sean aleatorias se debe a que hay fenómenos aleatorios que las generan, como la fuente de información a la que accede el ordenador, la velocidad del viento o las condiciones meteorológicas Ejercicio 1: Generar un ruido con R Consideramos el experimento de lanzar una moneda en el que asignamos el valor 1 al suceso salir cara y el valor -1 al suceso salir cruz 1) Qué distribución sigue esta variable? 2) Si repetimos n veces el experimento, qué distribución sigue la variable número de caras obtenidas? 3) Genera 200 realizaciones de esta variable y guárdalas en un vector denominado ruido 4) Representa la realización del proceso 1
2 2 Procesos estocásticos Antes de dar la definición conviene recordar que las distintas ocurrencias del azar para un experimento aleatorio concreto constituyen el espacio muestral, que se representa con la letra Ω y cada una de estas ocurrencias la denotamos con la letra ω En el contexto de procesos estocásticos, no es necesario determinar, en general, qué elementos constituyen Ω simplemente se incluye por conveniencia notacional y por dejar constancia de que el azar actúa Un proceso estocástico es una sucesión de variables aleatorias {X(t, ω)} que dependen de dos variables, t que representa su evolución en el tiempo, y w, que es un suceso elemental de un espacio muestral Ω Así, para cada valor ω se tiene una sucesión infinita de valores a lo largo del tiempo que se denomina realización del proceso Por otra parte, fijado un instante t, para distintas ocurrencias en Ω se tienen distintos valores de la variable X y esto se denomina muestra En lo sucesivo, al igual que se hace con una variable aleatoria, se escribirá un proceso estocástico {X t } sin hacer explícita su dependencia con el azar El espacio muestral Ω es desconocido en general y tampoco es necesario determinarlo para trabajar con procesos, su único papel es el de hacer presente la acción del azar Ejemplo: Consideremos el lanzamiento de una moneda infinitas veces, esto es, una sucesión infinita de ensayos de Bernoulli El resultado de este proceso es una sucesión infinita de ceros y unos (cero cruz, uno cara) que denotamos así (X 1 n) El superíndice 1 se refiere a que es la primera realización de este proceso, porque ahora vamos a volver a empezar de cero y vamos a lanzar una moneda infinitas veces Aunque el proceso es el mismo, la secuencia de ceros y unos no será la misma, obviamente, por efecto del azar El resultado de este proceso lo denotamos (X 2 n) Volvemos a repetir el lanzamiento infinito de monedas tantas veces como queramos, de esta manera estamos creando una sucesión de realizaciones del proceso lanzar una moneda infinitas veces: (X 1 n), (X 2 n), (X 3 n), instante 1 instante 2 instante 3 instante m realización 1 : X1 1 X2 1 X3 1 Xm 1 realización 2 : X1 2 X2 2 X3 2 Xm 2 realización 3 : X1 3 X2 3 X3 3 Xm 3 realización m : X1 m X2 m X3 m Xm m 2
3 Ejercicio 2: Generar distintas realizaciones de un proceso estocástico Consideramos de nuevo el experimento del ejercicio 1 1- En primer lugar, realizaremos el estudio sin utilizar el ordenador a) Escribe y dibuja todas las realizaciones de tamaño 3 que puede generar este ruido b) Calcula la distribución de probabilidad de las variables X i : i-ésimo resultado del ruido c) Estudia la independencia de las tres variables 2- Ahora repetiremos el estudio simulando en R a) Genera 100 realizaciones de tamaño 200 del ruido anterior Guarda la simulación en una matriz, A, en la que las filas representen las realizaciones y las columnas los instantes de tiempo b) Representa 4 de estas realizaciones en una misma pantalla c) A partir de la definición frecuentista de la probabilidad, comprueba que se cumplen los resultados del apartado 1b) en un par de instantes, cualesquiera 3 Convergencia Resultados límite La disposición de un proceso estocástico por filas y columnas presentada en la sección anterior junto con la simulación realizada en el ejercicio 2 nos permitirá escribir algunos resultados límite fundamentales tanto desde el punto de vista teórico como práctico Observa que si fijas un instante de tiempo t, estás tomando una columna de observaciones, esto es: (X t (ω 1 ), X t (ω 2 ),, X t (ω n )); donde n se refiere al número de realizaciones Puesto que t es siempre el mismo valor y estos datos varían según la realización del azar y supondremos que estas realizaciones son independientes entre sí, podemos escribir el vector anterior del siguiente modo: (X 1, X 2,, X n ) Esto es una muestra aleatoria simple de la variable X(t, w) que, en el contexto en el que nos encontramos ya la podemos denotar X Por otra parte, de esta variable aleatoria nos interesa conocer media µ X, y varianza, σx 2, así como su distribución Recordarás del curso de estadística básico algunos resultados importantes sobre muestras: 1 La variable X n = n X i /n es un buen estimador del parámetro media i=1 3
4 2 X n µ: cuanto mayor es n, más se aproxima a la media, en dos sentidos: (a) Ley débil: P ( X n µ > ε) 0 (b) Ley fuerte: P (X n µ) = 1 3 Teorema Central del límite: Conforme n crece, X n N(µ, σ 2 /n) NOTA IMPORTANTE: Observa que si en lugar de fijar t, fijamos ω, estamos considerando una realización del proceso y el azar ha actuado una sola vez, los valores de la realización se deben tratar de modo determinista Observa el siguiente cuadro: fijado t, X(t, ω) = X t fijado ω, X(t, ω) = x(t) X t es una variable aleatoria x(t) es una realización 1 T E[X t ] tiene sentido A(t) = lim T x(t)dt 2T 4 Clasificación de procesos En estadística básica se distingue entre variables aleatorias discretas y continuas Aunque el concepto de distribución de probabilidad, esperanza y varianza es el mismo, el tratamiento matemático de las variables es distinto según la naturaleza de la variable Con los procesos estocásticos sucede algo análogo, deberemos distinguir si la información que proporcionan es discreta o continua y si el tiempo es continuo o solo realizamos observaciones a intervalos regulares de tiempo t/x discreta continua discreto secuencia aleatoria discreta proceso discreto en el tiempo lanzamiento de una moneda colesterol en sangre continuo proceso aleatorio discreto proceso aleatorio continuo corriente en un circuito ruido térmico de red Ejercicio 3 Clasificación mediante gráficos Simula con R una realización de longitud 200 para cada uno de los siguientes procesos Cada uno pertenece a uno de los cuatro grupos considerados previamente a) El número esperado de llamadas telefónicas que llegan por minuto a una centralita es de 10 Simula una realización del proceso que cuenta el número de llamadas hasta el minuto i, con i = 1,, 100 Consideramos la hipótesis 4 T
5 habitual de que el número de llamadas por unidad de tiempo se comporta como una Poisson b) Un observatorio meteorológico realiza mediciones cada 5 minutos de la temperatura en el exterior en un día caluroso de agosto en el que no hay grandes alteraciones climatológicas Simula una realización del proceso de 100 observaciones, sabiendo que en todo ese tiempo la temperatura tiene un comportamiento normal de media 36 y desviación típica 1 c) Un parque eólico tiene un potente anemómetro que mide permanentemente la velocidad del viento en metros por segundo Durante un seguimiento continuo de una hora, observamos velocidades que se comportan como una distribución gamma de parámetros α = 2 y β = 2 Simula una realización de este proceso d) El sistema de alarma de un edificio tiene un sensor que transmite la señal 0 mientras no detecta una intensidad de corriente superior a 20 amperios, en el momento que lo detecta transmite un valor igual a uno Suponemos que la intensidad de corriente, I, se comporta como una exponencial trasladada 15 unidades Esto es, I = 15 + X, donde X ξ(025) Simula el proceso que representa la señal emitida durante una hora Anexo: comandos de R para tratar distribuciones de probabilidad Primeras instrucciones que permitan aprovechar sus posibilidades como lenguaje para programar problemas de simulación COMANDO rnorm(n, µ, σ) rbinom(m, n, p) rpois(n, λ) rexp(n, λ) rgamma(m, n, λ) COMANDOS DE R FUNCIÓN genera n realizaciones de una va N(µ, σ) genera m realizaciones de una Bi(n, p) genera n realizaciones de una va (λ) genera n realizaciones de una va ξ(λ) genera n realizaciones de una va E(n, λ) Observa que el comando es el nombre abreviado de la distribución precedido de la letra r Existen otros tres comandos que se escriben precediendo las letras d, p y q al nombre abreviado de la distribución y proporcionan, respectivamente, la función de distribución de masa o densidad, la función de distribución acumulada y el cuartil En el siguiente cuadro escribimos su significado con expresiones probabilísticas, según la variable X sea discreta o continua (suponemos X Bi(20, 04) e Y N(0, 1) y z es un valor entre 0 y 1) 5
6 Figure 1: Ejercicio 3 6
7 COMANDOS DE R DISCRETA CONTINUA dbinom(x, n, p) = P (X = x) dnorm(y, µ, σ) = f(y) pbinom(x, n, p) = P (X x) pnorm(y, µ, σ) = P (Y y) = P (Y < y) P (X qbinom(z, n, p)) = z P (Y qnorm(z, µ, σ)) = z Ejercicio 4 Indica qué se consigue con el siguiente programa en R repeticiones< acumulador<-array(0,repeticiones) resultados<-array(0,repeticiones) proporcion<-array(0, repeticiones) for (i in 1:repeticiones) if (runif(1,0,1)<05) resultados[i]<-1 if (i==1) acumulador[i]<-resultados[i] else acumulador[i]<-acumulador[i-1]+resultados[i] proporcion[i]<-acumulador[i]/i plot(seq(1,10000,1), proporcion, type= l ) Trabajo 1 Vamos a comprobar que los resultados obtenidos en la sección 3 se corroboran con los resultados de simulación Aprovecharemos este ejercicio para recordar algunos resultados estudiados en el curso de Estadística básica a) Considera una variable de interés de acuerdo a la distribución de probabilidad que te sea indicada en clase, debes inventar un contexto práctico que no necesariamente debe encontrarse en el campo de la telecomunicación b) Repasa las características de la misma: distribución de probabilidad o de densidad, media, varianza, parámetros que la determinan, etc c) Efectúa una simulación de tal manera que del resultado de la misma puedas comprobar: c1) Ley fuerte de los grandes números c2) Ley débil de los grandes números c3) Teorema central del límite Tanto para c1) como para c3) acompaña la simulación con un gráfico adecuado que dé idea de lo obtenido con cada resultado de convergencia d) Finalmente para el contexto inventado para tu variable en el apartado a) debes hacer un cuadro comparativo de cómo tu simulación se asemeja a lo teórico de acuerdo a los siguientes puntos: d1) Si tu variable es discreta el diagrama de barras de la simulación debe ser parecido al diagrama de barras de la distribución continual Si es continua, 7
8 el histograma de la simulación debe tener un perfil similar al de la función de densidad d2) Los cuartiles teóricos deben asemejarse a los de la simulación 8
Procesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesIntroducción a la simulación de procesos estocásticos.
Sesión 1 Introducción a la simulación de procesos estocásticos. Un proceso estocástico es cualquier familia de variables aleatorias {X t } t T definidas sobre un mismo espacio probabilístico (Ω, σ, P ),
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 6 Teoremas ĺımite Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST. Tema
Más detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
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 detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
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 detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesClase 3. Procesos estocásticos en Teoría de la señal.
1 Introducción Clase 3. Procesos estocásticos en Teoría de la señal. Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier transmisión de telecomunicación. El ruido es una
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 detallesTema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesBioestadística. Curso Capítulo 3
Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................
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 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
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 detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesVARIABLES ALEATORIAS Variable: Característica de los individuos u objetos
1 Definiciones VARIABLES ALEATORIAS Variable: Característica de los individuos u objetos Aleatoria: Azar 1. Una variable aleatoria ( v.a.) es una función que asigna un número real a cada resultado en el
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más 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 detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detalles2. VARIABLE ALEATORIA. Estadística I Dr. Francisco Rabadán Pérez
2. VARIABLE ALEATORIA Estadística I Dr. Francisco Rabadán Pérez Índice 1. Variable Aleatoria 2. Función de Distribución 3. Variable Aleatoria Discreta 4. Variable Aleatoria Continua 5. Esperanza Matemática
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 detallesEn el resultado de los experimentos aleatorios interviene el azar, cuando ésto no ocurre así, hablaríamos de sucesos deterministas.
1.- EXPERIMENTOS ALEATORIOS Y SUCESOS Un experimento aleatorio es aquel que cumple las siguientes condiciones: Se conocen todos sus posibles resultados No se puede conocer el resultado que se obtendrá
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
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 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis paramétricos. Parte II. Contrastes para dos muestras
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis paramétricos Parte II. Contrastes para dos muestras M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesESTADÍSTICA 1 o CC. Ambientales Tema 2: Modelos de probabilidad y técnicas de muestreo
ESTADÍSTICA 1 o CC. Ambientales Tema 2: Modelos de probabilidad y técnicas de muestreo Sobre la aleatoriedad y la probabilidad Variables cuantitativas Modelos de probabilidad más comunes Estadística (Ambientales).
Más detallesDistribuciones de Probabilidad
MATEMÁTICAS º Bach Tema : Distribuciones de Probabilidad José Ramón Distribuciones de Probabilidad Parte : Generalidades MATEMÁTICAS º Bach Tema : Distribuciones de Probabilidad José Ramón Las distribuciones
Más detallesAlgunas distribuciones teóricas continuas
Algunas distribuciones teóricas continuas Dr. Pastore, Juan Ignacio Profesor Adjunto. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial
Más detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más detallesTEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL.
TEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL. 10.1 Experimentos aleatorios. Sucesos. 10.2 Frecuencias relativas y probabilidad. Definición axiomática. 10.3 Distribuciones de
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más 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 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 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 detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesEstadística /Química 2004
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLAN LICENCIATURA EN: QUÍMICA. NOMBRE DE LA ASIGNATURA: ESTADÍSTICA. ÓRGANO INTERNO QUE COORDINA EL PROGRAMA DE LA ASIGNATURA:
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 detallesDistribución de Probabilidad
Distribución de Probabilidad Variables discretas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Modelos probabilísticos Un modelo es una
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
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 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 detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detalles4.1. 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 detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más 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 detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 3. Probabilidad y variable aleatoria
Estadís5ca Tema 3. Probabilidad y variable aleatoria María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesTema 6: Contraste de hipótesis
Tema 6: Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Contraste de hipótesis Curso 2008-2009 1 / 14 Índice
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesTema 4: VECTORES ALEATORIOS
Tema 4: VECTOES ALEATOIOS 1 Concepto de variable aleatoria bidimensional Sea Ω el espacio muestral de un experimento aleatorio. Definimos variable aleatoria bidimensional, como una aplicación ( ):Ω tal
Más detallesUniversidad Católica de Valparaíso Facultad de Ingeniería Escuela de Ingeniería de Transporte
1. NÚMEROS ALEATORIOS 1.0 INTRODUCCIÓN El papel que desempeñan las variables aleatorias uniformemente distribuidas en la generación de variables aleatorias tomadas de otras distribuciones de probabilidad,
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesCuando la distribución viene dada por una tabla: 2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
1. DISTRIBUCIONES ESTADÍSTICAS. El siguiente grafico corresponde a una distribución de frecuencias de variable cuantitativa y discreta pues solo puede tomar valores aislados (0, 1, 2, 3, 10). Se trata
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
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 detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesElementos de probabilidad e inferencia estadística en el seguro
Elementos de probabilidad e inferencia estadística en el seguro Instructor: Act. Erick Mier Moreno. Director general y profesor de AMAT- Applied Mathematics and Actuary Training. Profesor de asignatura
Más detallesPráctica 5 Martingalas a tiempo discreto
Práctica 5 Martingalas a tiempo discreto 1. Tiempos de Parada A lo largo de esta sección vamos a fijar un espacio de probabilidad (Ω, F, P ) junto con una filtración (F n ) n N definida en este espacio.
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesGRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 2009-2010 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad y a las variables aleatorias 1. Probabilidad 1. Simular 1000
Más detallesPráctica 4: Variables Aleatorias y Simulación
Práctica 4: Variables Aleatorias y Simulación Objetivos específicos Al finalizar esta práctica deberás ser capaz de: Calcular las funciones de probabilidad y distribución de las variables discretas Bernoulli,
Más detallesEn general un experimento es aleatorio si se dan las 3 condiciones siguientes:
TUTORIAL PROBABILIDADES Hablar en un único tutorial sobre Probabilidades parece una ardua tarea. Así es efectivamente, pero qué duda cabe el interés que puede generar una pequeña introducción a esta rama
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Introducción Inferencia estadística: Parte de la estadística que estudia grandes colectivos
Más detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más detallesProcesos de Poisson. 21 de marzo, FaMAF 1 / 25
Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial
Más detalles