Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad

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

Download "Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad"

Transcripción

1 Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016

2 Índice 2.1. Variables aleatorias: funciones de distribución, cuantía, y densidad. Modelos de probabilidad. Media y varianza de una variable aleatoria Modelos de probabilidad. Modelos discretos: Bernoulli, Binomial, Hipergeométrica, Poisson Modelos continuos: Uniforme, Normal, Chi-cuadrado y t-student. La Distribución Normal Estándar.

3 2.1. Funciones de distribución, cuantía y densidad Para describir las probabilidades con que una variable aleatoria toma valores en distintos intervalos de la recta, de la forma (, x] usamos una función definida en los números reales, la función de distribución. Def. Sea X una variable aleatoria definida en el espacio de probabilidad (Ω, I, P( )). La función F : R [0, 1] definida por: F X (x) = P(X x) = P(X (ω) x) = P[{ω : X (ω) x}] se denomina función de distribución de la v. a. X.

4 Propiedades de la función de distribución: F X (x) 1 x 2.- F X ( ) = F X (+ ) = Monótona creciente: para x < x, F X (x ) F X (x ) 5.- F(x) es continua por la derecha : ĺım F X (x + h) = F X (x) h 0

5 Función de Distribución La función de distribución (acumulativa) muestra qué manera se acumula la probabilidad a medida que se avanza ordenadamente por el recorrido de la variable (gráficamente de izquierda a derecha según los valores de X (abscisas)). Se denota con F X (x). Nos indica en cada punto x cuál es la probabilidad acumulada hasta ese punto por los valores de X menores que ese x particular.

6 Variables aleatorias discretas y continuas -Variables aleatorias discretas: el número de resultados del experimento asociado no es necesariamente finito, pero es contable: los resultados pueden ser puestos en correspondencia con los números naturales (enteros positivos). Se puede enumerar cada resultado del espacio muestral y la probabilidad a éste asociada (función de cuantía). -Variables aleatorias continuas: asociadas a un experimento aleatorio cuyo resultado puede ser descrito por cualquier número real. El espacio de posibles resultados es infinito e incontable. La atribución de probabilidades a eventos y a los valores reales que los describen no se realiza a puntos en particular sino a intervalos de los números reales, utilizando la función de densidad.

7 Variables aleatorias discretas: función de cuantía Def. La función de cuantía p X (x i ) de una variable aleatoria discreta se define como p X (x i ) = P(X = x i ) para cada x i perteneciente al espacio muestral. Propiedades: 1. 0 p X (x i ) 1 x 2. i p X (x i ) = 1 La función de distribución F X (x) de una variable aleatoria discreta se define como: F X (x 0 ) = x x 0 P X (x) = P(X x 0 )

8 Funciones de cuantía y distribución, variable discreta: p X (x) Función de cuantía F X (x) Función de distribución x x

9 Variables aleatorias continuas y densidades Una variable aleatoria X se define continua si existe una función f X (x) tal que F X (x) = x f X (x)dx para cada número real x. La función f (x) recibe el nombre de función de densidad de la variable aleatoria X. Propiedades: 1. f X (x) f X (x)dx = 1

10 La función de densidad distribuye masa de probabilidad sobre los distintos intervalos de la recta real. La probabilidad de un punto en particular es ahora irrelevante (para una variable aleatoria continua es igual a cero): interesan las probabilidades de intervalos. El área bajo la curva en toda la recta es igual a 1 (la integral es la medida del área bajo una función). La probabilidad de observar a la variable X en el intervalo [a, b] está dada por el área bajo la densidad entre a y b. El área bajo la densidad en el intervalo (, x] recupera la función de distribución en el punto x. En la práctica no es necesario calcular estas integrales pues sus valores se encuentran en tablas.

11 Probabilidad de observar una variable aleatoria continua en un intervalo: área bajo la función de densidad f(x) x 1 x 2 x P(x 2 < X x 1 ) = F X (x 2 ) F X (x 1 ) = x2 x 1 f X (x)dx

12 Media o valor esperado de una variable aleatoria Para una variable aleatoria discreta el valor esperado o media se define como: µ X = E(X ) = i x i p X (x i ) se suma los valores de la variable, ponderando por la probabilidad de cada uno de ellos. E(X ) es una constante. Para una variable aleatoria continua, el valor esperado se define como µ X = E(X ) = + xf X (x)dx en este caso la media es una integral, donde ponderamos a todos los valores reales de x por la densidad.

13 Varianza de una variable aleatoria La varianza de una variable aleatoria es el valor esperado de la desviación de la media al cuadrado. Para una variable discreta: σ 2 X = V (X ) = i (x i µ X ) 2 p X (x i ) (suma ponderada de los desvíos de la media al cuadrado). Para una variable continua: + σx 2 = V (X ) = (x µ X ) 2 f X (x)dx en este caso la varianza es una integral, donde se pondera los desvíos al cuadrado por la densidad.

14 Modelos de probabilidad La variable aleatoria nos permite simplificar el manejo de la incertidumbre asociada a los resultados de cierto experimento aleatorio. La incertidumbre original respecto al resultado de un experimento, se transforma en incertidumbre respecto a los valores que toma una variable aleatoria, descrita por sus funciones de densidad, cuantía y distribución. Estudiaremos formas funcionales tipo de distribución, densidad o cuantía, para definir modelos de probabilidad, también conocidos como distribuciones de probabilidad.

15 Modelos de probabilidad Son una descripción ideal del proceso aleatorio que genera los datos: cuando se elige determinada familia paramétrica de densidades como modelo de determinado fenómeno, se supone que los datos observados son generados por el mecanismo aleatorio descrito por dichas densidades (o cuantías). Las densidades de una determinada familia comparten una forma funcional común, pero difieren en valores que las definen en forma completa, que reciben el nombre de parámetros. Si estamos convencidos acerca del modelo adecuado para describir los datos, nuestra incertidumbre se desplazará hacia determinar los valores de dichos parámetros (estimación).

16 Parámetros. Espacio paramétrico Definir un modelo implica especificar la forma funcional de la función de distribución o densidad. Además de x, dependerá de los parámetros, cantidades que usualmente designamos con la letra griega θ. Escribiremos el modelo de probabilidad como: Φ = {f (x, θ), θ Θ} Comprende un conjunto de funciones de densidad. 1. Tienen en común una forma funcional dada f (x, θ). 2. Dependen de un vector de parámetros desconocidos θ. Los parámetros pertenecen a un conjunto de valores posibles Θ, denominado espacio paramétrico. La elección de un valor para θ determina en forma única una densidad particular.

17 2.2. Modelos de probabilidad discretos Modelo de Bernoulli Describe experimentos (por ejemplo, el lanzamiento de una moneda) en los que sólo pueden ocurrir dos resultados: uno de ellos con probabilidad p ( éxito ) y el otro con probabilidad 1 p ( fracaso ): Ω = {E, F }. Asociamos X (E) = 1; X (F ) = 0. DEFINICIÓN: Una variable aleatoria X sigue una distribución Bernoulli(p) si su cuantía es la siguiente: p X = 1 p X (x) = 1 p X = 0 0 en otro caso con 0 p 1.

18 El único parámetro de la distribución de Bernoulli es p (los parámetros permiten describir completamente el comportamiento de una variable aleatoria). Se escribe X Bernoulli(p), X se distribuye o sigue una distribución Bernoulli de parámetro p. Conocido p, se puede definir la función de cuantía y la de distribución. La media o valor esperado de la distribución de Bernoulli es: E(X ) = i x i p X (x i ) = 1 p + 0 (1 p) = p La varianza es igual a: V (X ) = i (x i µ X ) 2 p X (x i ) = (1 p) 2 p + (0 p) 2 (1 p) = (1 p) [ (1 p) p + p 2] = p(1 p)

19 Ejemplo: En el mercado de trabajo, la probabilidad de encontrar un trabajador desocupado es 0,07. Sea X la variable aleatoria que indica el trabajador se encuentra desocupado con el valor 1 y no se encuentra desocupado con el valor 0. Función de Cuantía 0, 93 x = 0 p X (x i ) = 0, 07 x = 1 0 otro caso Función de Distribución 0 x < 0 F X (x i ) = 0, 93 0 x < 1 1 x 1

20 Distribución binomial Si se repite n veces de forma independiente una prueba de Bernoulli se obtiene un nuevo experimento. En éste se obtiene x éxitos y n x fracasos. La variable aleatoria X que cuenta el número de éxitos en n realizaciones independientes de un experimento de Bernoulli con probabilidad p de éxito sigue una distribución binomial (con parámetros n y p). Esta distribución se representa con la expresión X B(x, n, p). La distribución de Bernoulli que vimos antes es un caso particular de la Binomial, dónde n = 1. Binomial(x, 1, p) = Bernoulli(p).

21 Ejemplo: Un examen de múltiple opción contiene 5 preguntas con seis alternativas cada una. Sólo una es correcta en cada caso. Un estudiante contesta al azar. Sea la variable aleatoria X = número de preguntas respondidas correctamente. Cuál es la función de cuantía de X? (La de distribución queda como ejercicio). Contestación al azar: lanzar un dado balanceado. Probabilidad de acertar la respuesta en cada pregunta = 1/6. Repite el procedimiento 5 veces. Se responde a las preguntas en forma independiente, con probabilidad de éxito constante.

22 Espacio de resultados: conjunto de vectores de cinco elementos que contienen fracasos y éxitos: Ω = {(EEEEE), (EEEEF ), (EEEFE), (EEEFF ),..., (FFFFF )} En total hay 2 5 = 32 resultados posibles (no son equiprobables). Rec(X ) = {0, 1, 2, 3, 4, 5}. Encontrar la cuantía p X (x) implica contar cuántos de estos resultados dan exactamente x éxitos (y n x fracasos). En el caso de 0 éxitos, un solo resultado produce este valor de X : (FFFFF). Hay 5 resultados que dan X = 1: (FFFFE), (FFFEF), (FFEFF), (FEFFF), (EFFFF) y así sucesivamente.

23 Consideremos la probabilidad de un resultado particular, supongamos (EFFFF). La probabilidad de este resultado es la probabilidad conjunta del evento éxito en la primera, fracaso en la segunda... etc. Se trata de la intersección de eventos independientes, por lo que las probabilidades del resultado en cada prueba se multiplican. P(EFFFF ) = ( ) 1 6 ( ) 5 6 ( ) 5 6 ( ) 5 6 ( ) 5 = 6 ( ) ( ) Para obtener la probabilidad de obtener x éxitos y n x fracasos en un orden dado se multiplica la probabilidad de éxito en una prueba x veces por la probabilidad de fracaso n x veces ( ) 1 x 6 ( ) 5 5 x 6

24 Pero cada par x, 5 x de éxitos y fracasos puedo obtenerlo de muchas maneras. De cuántas maneras se puede obtener x éxitos y n-x fracasos? Para contarlas es preciso considerar las pruebas (1, 2, 3,..., n), y encontrar de cuantas maneras puedo ubicar en ellas los x éxitos. El problema es equivalente a encontrar las maneras de seleccionar -de un conjunto de n- las x pruebas donde van a estar los éxitos. Deseo extraer definir como éxito- a x de las n pruebas. Supongamos x = 2. Tengo n maneras de definir el primer éxito, y n 1 de definir el segundo. Esta manera de contar ordenamientos considera que 12 es diferente de 21. Los considera distintos, el orden importa.

25 El número de conjuntos de x éxitos tomados entre n pruebas en un orden dado es n (n 1)... (n x + 1) = n! (n x)! Pero en nuestro caso no importa el orden. 12 es igual a 21. Si los cuento con la fórmula, cada ordenamiento estará repetido x! veces. Por tanto para contar los posibles casos eliminando las repeticiones debemos dividir por x!.

26 La cuenta de los ordenamientos de x de las n pruebas sin importar el orden está dada por n (n 1)... (n x + 1) x! o çombinaciones de n tomadas de a x. = n! (n x)!x! Esto permite volver a la cuantía de X. La probabilidad de obtener x éxitos y n x fracasos se obtiene multiplicando la probabilidad de x éxitos y n x fracasos en un orden dado por la cantidad de resultados que dan x éxitos y n x fracasos: p X (x) = C n x p x (1 p) n x

27 En nuestro ejemplo: C0 5(0, 167)0 (0, 833) 5 = 5! 5!0! 0, 401 = 0, 401 x = 0 C1 5(0, 167)1 (0, 833) 4 5! = 1!4! 0, 08 = 0, 402 x = 1 p X (x) = C2 5(0, 167)2 (0, 833) 3 = 5! 2!3! 0, 016 = 0, 160 x = 2 C3 5(0, 167)3 (0, 833) 2 = 5! 3!2! 0, 003 = 0, 032 x = 3 C4 5(0, 167)4 (0, 833) 1 = 5! 4!1! 0, 0006 =, 003 x = 4 C5 5(0, 167)5 (0, 833) 0 = 1 0, 0001 = 0, 0001 x = 5

28 Media de una variable Binomial Si llamamos X 1, X 2,..., X n a las variables de Bernoulli que representan el resultado en cada uno de los ensayos, se cumple que: X = X 1 + X X n Una suma de variables aleatorias es una variable aleatoria, que tiene su media. La media de la suma es la suma de las medias de los sumandos (no lo demostraremos). En este caso: E(X ) = E(X 1 ) + E(X 2 ) E(X n ) = np

29 Varianza de una variable Binomial En el caso de variables aleatorias independientes, se cumple además que la varianza de la suma es igual a la suma de las varianzas. En este caso, como las variables X 1, X 2,..., X n son independientes, la varianza de X es igual a: V (X ) = V (X 1 ) + V (X 2 ) V (X n ) = np(1 p)

30 Muestreo con reposición El modelo binomial se asocia con la extracción de una muestra con reposición de una población dada (la selección de cada individuo para la muestra, verificando si posee cierto atributo, es una prueba). Si el muestreo se realiza con reposición (luego de seleccionado un elemento éste es vuelto a considerar en la población a muestrear) entonces la probabilidad p se mantiene incambiada y los resultados de las pruebas (tiene o no tiene el atributo) son independientes entre sí.

31 Distribución Hipergeométrica Seguimos considerando una variable X = no. de éxitos en n pruebas con dos resultados posibles: Ω = {E, F }. Cuando el muestreo se realiza sin reposición, cada extracción modifica la proporción de éxitos en la población. La probabilidad de éxito (condicional a los resultados de otras extracciones) no permanece igual de una extracción a otra y las pruebas no son independientes (por tanto X no sigue una distribución binomial). En estos casos, debe aplicarse la distribución hipergeométrica para determinar la probabilidad de un número específico de éxitos o fracasos.

32 El espacio de resultados es el conjunto de subconjuntos posibles de tamaño n. Está dado por C N n Entre los A éxitos, hay Cx A formas de extraer x éxitos. Entre los restantes N A fracasos, pueden extraerse n x de Cn x N A formas posibles. El número de muestras conteniendo exactamente x éxitos y n x fracasos es el producto de dichos números. Para contar los éxitos y fracasos sólo importa si un elemento está incluida en la extracción y no el orden en que salió. Los resultados son equiprobables, ya que cada subconjunto de n elementos tiene la misma probabilidad de ser extraído que cualquier otro.

33 Función de cuantía hipergeométrica: p X (x) = C x A Cn x N A Cn N - N : tamaño de la población. - A: cantidad de elementos que poseen la característica éxito. - n : cantidad de elementos que se seleccionan sin reposición. Los parámetros de la Hipergeométrica son N, A y n.

34 Ejemplo: En una fábrica trabajan tres hombres y tres mujeres. El capataz desea elegir dos trabajadores para una labor, al azar. X = número de mujeres en la selección. Cuál es la función de cuantía de X? La selección de dos personas para formar un grupo es del tipo extracción sin reposición. La probabilidad de selección de la segunda persona cambia: los ensayos no son independientes. La cantidad de maneras distintas de seleccionar dos personas entre los seis trabajadores es: C2 6 = 6! 2!4! = = 15 Cada uno de estos grupos tiene la misma probabilidad de constituirse. En estos grupos puede haber 0, 1, o 2 mujeres.

35 Si en la selección hay 0 mujeres, de los tres hombres dos son elegidos. Cuántas formas existen de esta particular combinación?: C0 3 C2 3 3! = 1 2!1! = 3 el primer número corresponde a la selección de las mujeres y el segundo a la de los hombres. Los grupos en que hay una mujer (y un hombre) y dos mujeres y ningún hombre se calculan: La cuantía es por lo tanto: C 3 1 C 3 1 = 3 3 = 9; C 3 2 C 3 0 = 3 1 = 3 C 3 0 C 3 2 /C 6 2 = 3/15 x = 0 p X (x) = C 3 1 C 3 1 /C 6 2 = 9/15 x = 1 C 3 0 C 3 2 /C 6 2 = 3/15 x = 2 0 otro caso

36 Distribución Poisson Estamos interesados en contar la ocurrencia de sucesos raros (un número entero, no negativo y en general pequeño), que ocurren en un intervalo en un continuo como el espacio o tiempo. La variable aleatoria X expresa el número de eventos en un intervalo dado. La intensidad con que aparecen dichos sucesos se representa mediante el parámetro positivo λ. Algunos ejemplos de experimentos aleatorios para los que se utiliza como modelo la distribución de Poisson: -La cantidad de fallas por intervalo en un flujo continuo de producción -El número de conexiones a una red en un período de tiempo. -El número de accidentes de tráfico en una ciudad durante un día.

37 La notación es X Poisson(λ). La cuantía de una variable que se distribuye Poisson está dada por: p X (x) = e λ λ x x! x = 0, 1, 2,... 0 otro caso λ > 0 es el número medio de eventos que ocurren en un intervalo unitario. En este sentido x debe estar referida al mismo largo de intervalo que λ. Es un ejemplo de una distribución con un número infinito, aunque contable, de puntos en el espacio muestral. Las probabilidades tienden a cero a medida que el número de sucesos considerado se incrementa, ya que la suma de todas las probabilidades es igual a 1.

38 Poisson es una generalización de la distribución binomial, en las condiciones particulares en que n es muy grande mientras que p se hace muy pequeño. Consideremos los vuelos de avión, que son centenares de miles en un intervalo de tiempo dado. La probabilidad de un accidente aéreo es muy, muy baja, pero dado el alto número de vuelos se puede esperar un número pequeño de accidentes en dicho intervalo. El modelo es aplicable a eventos que ocurren en un continuo (tiempo, espacio). En un intervalo finito hay infinidad de puntos, de los cuales sólo muy pocos contienen eventos (de ahí sucesos raros ). El modelo binomial se vuelve complicado debido a los números extremadamente grandes y pequeños que se manejarían. La distribución Poisson puede verse como el caso ĺımite de la binomial cuando n + pero np λ (fijo) con lo cual p 0.

39 La media o valor esperado de una variable aleatoria con distribución de Poisson coincide con el parámetro de intensidad, es decir: E(X ) = λ En esta distribución, la varianza toma el mismo valor que la media: V (X ) = λ

40 2.3. Modelos Continuos Distribución Uniforme Definición: La distribución uniforme en un intervalo dado [a, b], (con la notación X U[a, b]), queda definida por la función de densidad: p X (x) = f X (x) 1 (b a) a x b 0 otro caso 1/(b a) a b x

41 Una variable aleatoria que expresa un número elegido al azar entre a y b sigue una distribución uniforme. Como la probabilidad de que el número k esté en cualquier intervalo de una amplitud dada es la misma, la función de densidad tiene la misma altura en todos los puntos. Media: La media de una variable aleatoria X con distribución uniforme entre a y b es el punto medio entre estos dos valores, o sea: Varianza: E(X ) = a + b 2 (b a)2 V (X ) = 12 Observar que crece a medida que aumenta la distancia entre a y b.

42 Distribución Normal La distribución normal (o gaussiana) describe a una variable con distribución simétrica con respecto a un valor central alrededor del cual se concentra gran parte de la masa de probabilidad y en la que los valores extremos son poco frecuentes. Es usual utilizarla como modelo para variables como peso, altura o calificación obtenida en un examen. Densidad: f X (x) = 1 e 1 2( x µ σ ) 2 2πσ Depende de dos parámetros: media E(X ) = µ X, y desviación estándar V (X ) = σx. Cuanto menor la desviación estándar, mayor la concentración alrededor de la media. Cada variable normal queda especificada por sus valores particulares de media y desvío estándar.

43 Simetría: es simétrica con respecto a la media, punto en que la función de densidad alcanza su valor máximo. f (µ a) = f (µ + a) También las probabilidades de las colas son iguales: P {x < (µ a)} = P {x > (µ + a)} lo que puede ponerse en términos de la función de distribución como: F X (µ a) = 1 F X (µ + a)

44 Áreas bajo la curva normal f(x) µ 3 µ 2 µ µ µ + µ + 2 µ + 3 x El 68.3 % del área bajo la curva normal está comprendida en un intervalo una desviación estándar de amplitud centrado en la media. El 95.5 % del área bajo la curva normal se encuentra a menos de dos desviaciones estándar y el 99.7 % (casi la totalidad) a menos de tres desviaciones estándar de la media.

45 Transformaciones Una propiedad de las variables aleatorias normales es que sus transformaciones lineales también siguen una distribución normal. Si X N(µ x, σ 2 x), entonces la variable Y = ax + b tiene una distribución normal con media aµ x + b y desviación estándar a σ x. Ejemplo: La variable X N(1,5, 0,01) representa el tiempo en horas de cierto proceso. Si Y expresa el mismo tiempo en minutos (Y = 60X ), entonces la distribución de Y es normal con media µ y = 60(1,5) = 90 y desviación estándar σ y = 60(0,1) = 6.

46 Normal estándar Si a una variable normal X N(µ x, σ 2 x) le restamos su media y la dividimos por su desviación estándar (. es tandarización ), la variable normal estándar Z resultante se distribuye N(0, 1) : X µ x σ x = Z N(0, 1) Los valores obtenidos z representan la distancia a la media de las x medida en unidades de la desviación estándar. Las tablas de la Normal(0, 1) muestran las probabilidades P{Z b} áreas correspondiente a valores menores que b bajo la curva de la función de densidad N(0, 1).

47 Probabilidades de intervalos Se puede calcular las probabilidades para cualquier variable normal utilizando las tablas disponibles para la distribución normal estándar. Si X es una variable normal con media µ X y desviación σ X y queremos hallar P(X < b), recordamos que si Z = (X µ X ) /σ X, entonces X = σ X Z + µ x, y por lo tanto: ( P(X b) = P (σ X Z + µ X b) = P Z b µ ) x σ X La probabilidad se obtiene utilizando la tabla normal estándar.

48 Tabla Normal: La fila y columna en conjunto determinan el valor c. En la celda se encuentra las áreas 1 α para los valores c = z 1 α, donde P(Z c) = 1 α, y donde Z tiene una distribución N(0, 1). Z

49 Para probabilidades de intervalos abiertos por la derecha se puede usar P(Z > a) = 1 P(Z a) La tabla solamente incluye las probabilidades acumuladas hasta valores de Z mayores que 0. Para obtenerlas para valores menores que 0 se debe usar P(Z < c) = P(Z > c) = 1 P(Z c). La probabilidad P(a < Z b), puede obtenerse a partir de : P(a < Z b) = P(Z b) P(Z a)

50 Ejemplo: El peso medio de los estudiantes varones de la FCS es de 69 kg y la desviación estándar de 10 kg. Suponiendo que los pesos están distribuidos normalmente, hallar la proporción de estudiantes que pesan entre 48 y 72 kg. Estandarizando los valores se tiene: P(48 < X 72) = P( < X ) = 10 P( 2,1 < Z 0,3) = P(Z 0,3) P(Z 2,1) = Φ(0,3) Φ( 2,1) Usando tablas se obtiene 0,6179 0,0179 = 0,6.

51 Propiedad: La suma de variables aleatorias normales e independientes también se distribuye normal. Si X N(µ x, σ 2 x), Y N(µ y, σ 2 y ) y X e Y son independientes, entonces la suma X + Y se distribuye: X + Y N(µ x + µ x, σ 2 x + σ 2 y )

52 Distribuciones t-student y chi-cuadrado Las distribuciones son Chi cuadrado y T de Student son familias de distribuciones asociadas a sucesiones de variables aleatorias normales. Distribución χ 2 Se considera Z 1, Z 2,..., Z n, una sucesión de variables aleatorias independientes que siguen todas ellas una distribución N(0, 1). La variable X construida como X = n i=1 Z i 2 se dice que sigue una distribución χ 2 (n) siendo n los grados de libertad, que en este caso indican la cantidad de variables N(0, 1) en la suma.

53 La función de densidad chi-cuadrado depende de los grados de libertad. La variable siempre toma valores positivos n = 4 n = 8 n = 20 n = 30 n =

54 Distribución t de Student Está caracterizada también por el parámetro n, grados de libertad, y usamos la notación X t(n). Las probabilidades para distintos valores de n se encuentran en tablas. Una variable X con esta distribución tiene E(X ) = 0 y V (X ) = n/(n 2). Sea X 1 N(0, 1) y X 2 χ 2 (n) dos variables aleatorias independientes, entonces la expresión t = X 1 X2 /n t(n) El cociente entre una variable Normal (0, 1) y la raíz de una chi-cuadrado dividida por sus grados de libertad sigue una distribución t con n grados de libertad.

55 La densidad de la distribución t se asemeja a la N(0, 1) a medida que aumentan los grados de libertad. t(4) t(8) t(20) N(0,1) x

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.

Más detalles

Modelos de distribuciones discretas y continuas

Modelos 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 detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

Modelos de distribuciones discretas y continuas

Modelos 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 detalles

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:

Modelos 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 detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

Estadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10

Estadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10 Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 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 detalles

Variables aleatorias

Variables 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 detalles

Tema 4: Variables Aleatorias

Tema 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 detalles

Prof. Eliana Guzmán U. Semestre A-2015

Prof. 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 detalles

El momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X

El 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 detalles

ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016

ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016 ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

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

Más detalles

MODELOS DISCRETOS DE PROBABILIDAD

MODELOS 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 detalles

Unidad Temática 3: Probabilidad y Variables Aleatorias

Unidad 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 detalles

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

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

Más detalles

Definición de probabilidad

Definición 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 detalles

Tema 6: Modelos de probabilidad.

Tema 6: Modelos de probabilidad. Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos

Más detalles

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme

Más detalles

Variables aleatorias continuas, TCL y Esperanza Condicional

Variables 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 detalles

Distribuciones Paramétricas

Distribuciones Paramétricas Distribuciones Paramétricas Objetivo: Estudiar el uso de formas matemáticas particulares, llamadas distribuciones paramétricas, para representar las variaciones en los datos. Una distribución paramétrica

Más detalles

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la

Más detalles

VARIABLES ALEATORIAS CONTINUAS

VARIABLES ALEATORIAS CONTINUAS VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.

Más detalles

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith) INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

Tema 7. Variables Aleatorias Continuas

Tema 7. Variables Aleatorias Continuas Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de

Más detalles

TEMA 3: Probabilidad. Modelos. Probabilidad

TEMA 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 detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica

Más detalles

Curso de Probabilidad y Estadística

Curso 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 detalles

Unidad 1: Espacio de Probabilidad

Unidad 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 detalles

PROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.

PROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado. 1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto

Más detalles

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más

Más detalles

VARIABLES ALEATORIAS CONTINUAS

VARIABLES ALEATORIAS CONTINUAS VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p

Más detalles

Cuáles son las características aleatorias de la nueva variable?

Cuáles son las características aleatorias de la nueva variable? Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que

Más detalles

Estadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas

Estadística. 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 detalles

Nº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00

Nº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00 U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos

viii 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 detalles

ESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales

ESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student

Más detalles

Tema 6. Variables aleatorias continuas

Tema 6. Variables aleatorias continuas Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),

Más detalles

Distribuciones Continuas

Distribuciones Continuas Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.

Más detalles

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice

Más detalles

Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números

Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo

Más detalles

CAPÍTULO 6: VARIABLES ALEATORIAS

CAPÍTULO 6: VARIABLES ALEATORIAS Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos

Más detalles

Algunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

La distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:

La distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por: Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara

Más detalles

T1. Distribuciones de probabilidad discretas

T1. 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 detalles

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL. LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante

Más detalles

conocida comúnmente, como la Campana de Gauss ".

conocida comúnmente, como la Campana de Gauss . CURSO DE ESTADÍSTICA INFERENCIAL EJERCICIOS Y PROBLEMAS RESUELTOS DE DISTRIBUCIÓN NORMAL Prof.:MSc. Julio R. Vargas A. La Distribución Normal: La distribución normal N (μ, σ): es un modelo matemático que

Más detalles

Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio

Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),

Más detalles

Cálculo de Probabilidades II Preguntas Tema 1

Cálculo de Probabilidades II Preguntas Tema 1 Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga

Más detalles

CUÁL SERIA LA PREDICCION OPTIMA DEL ESTADO DEL TIEMPO AL DIA SIGUIENTE?

CUÁL SERIA LA PREDICCION OPTIMA DEL ESTADO DEL TIEMPO AL DIA SIGUIENTE? TEOREMA DE BAYES Explica como considerar matemáticamente la nueva información en la toma de decisiones. P( AΙB) = P( A B) P( B) = P( A) P( BΙA) P( B) PROBLEMA: En cierto lugar llueve el 40% de los días

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir

Más detalles

Probabilidad Condicional

Probabilidad Condicional Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:

Más detalles

Variables aleatorias

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

Más detalles

Tema 6. Variables Aleatorias Discretas

Tema 6. Variables Aleatorias Discretas Presentación y Objetivos. Tema 6. Variables Aleatorias Discretas En esta unidad se presentan algunos ejemplos estándar de variables aleatorias discretas relacionadas de diversas formas dependiendo de su

Más detalles

Distribuciones Continuas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 7.

Distribuciones Continuas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 7. Distribuciones Continuas de Probabilidad 1 Contenido 1. Ejemplo. 2. Diferencia entre variables aleatorias discretas y continuas. 3. Diferencia de f(x) entre variables aleatorias discretas y continuas.

Más detalles

3 PROBABILIDAD Y DISTRIBUCION NORMAL

3 PROBABILIDAD Y DISTRIBUCION NORMAL 3 PROBABILIDAD Y DISTRIBUCION NORMAL La probabilidad puede ser considerada como una teoría referente a los resultados posibles de los experimentos. Estos experimentos deben ser repetitivos; es decir poder

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 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 detalles

Cap. 5 : Distribuciones muestrales

Cap. 5 : Distribuciones muestrales Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de

Más detalles

Introducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.

Introducción 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 detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución

Más detalles

Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2

Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2 Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria

Más detalles

Bioestadística. Curso Capítulo 3

Bioestadística. 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 detalles

Concepto de Probabilidad

Concepto de Probabilidad Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier

Más detalles

( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE

( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia

Más detalles

Muestreo de variables aleatorias

Muestreo de variables aleatorias Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.

Más detalles

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

Variables aleatorias discretas

Variables aleatorias discretas Variables aleatorias discretas Considere el espacio de probabilidad Ω, F, P) y la función X : Ω R. La imagen de Ω bajo X se define como sigue ImgX) = x R ω Ω : Xω) = x}. Si ImgX) es un conjunto contable,

Más detalles

EXPERIMENTO ALEATORIO

EXPERIMENTO ALEATORIO EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,

Más detalles

Variables Aleatorias Discretas

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

Más detalles

Curso de nivelación Estadística y Matemática

Curso de nivelación Estadística y Matemática Curso de nivelación Estadística y Matemática Tercera clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2015 Agenda 1 Variable aleatoria Continua Valor esperado de una variable

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.

Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana. Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada

Más detalles

Distribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas

Distribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo

Más detalles

Variables aleatorias unidimensionales

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

Más detalles

Familias de distribuciones

Familias 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 detalles

Distribuciones de Probabilidad

Distribuciones de Probabilidad Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica

Más detalles

8 Resolución de algunos ejemplos y ejercicios del tema 8.

8 Resolución de algunos ejemplos y ejercicios del tema 8. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.

ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido

Más detalles

Ejercicio 1. Ejercicio 2

Ejercicio 1. Ejercicio 2 Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función

Más detalles

Elementos de Probabilidad y Estadística. Primer Examen. Parte 2

Elementos de Probabilidad y Estadística. Primer Examen. Parte 2 Elementos de Probabilidad y Estadística Primer Examen Parte 2 Para entregar antes de las 2:30 pm del jueves 3 de marzo de 204. Este examen es estrictamente individual. Puedes consultar libros o notas de

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas Cuantitativas para el Management y los Negocios I Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:

Más detalles

Tema 2: Variables Aleatorias

Tema 2: Variables Aleatorias Estadística Aplicada I. Curso 2009-2010 Tema 2: Variables Aleatorias José G. Clavel 1 1 Departamento de Métodos Cuantitativos para la Economía y la Empresa jjgarvel@um.es Universidad de Murcia 6 de octubre

Más detalles

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X

Más detalles

TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...

TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer... TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones

Más detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS 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 detalles

Preparación de los datos de entrada

Preparación de los datos de entrada Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:

Más detalles

Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.

Unidad 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 detalles

Ideas básicas de probabilidad. objetivo Inferencia estadística.

Ideas básicas de probabilidad. objetivo Inferencia estadística. 40 Ideas básicas de probabilidad. objetivo Inferencia estadística. Experimento aleatorio (ε) Diremos que un fenómeno es un experimento aleatorio, cuando el resultado de una repetición es incierto pero

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Tema 4 Variables aleatorias Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las características de las variables aleatorias discretas y continuas.

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

La distribución normal

La distribución normal La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10

Más detalles

Tema 8. Muestreo. Indice

Tema 8. Muestreo. Indice Tema 8. Muestreo Indice 1. Población y muestra.... 2 2. Tipos de muestreos.... 3 3. Distribución muestral de las medias.... 4 4. Distribución muestral de las proporciones.... 6 Apuntes realizados por José

Más detalles