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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

Estadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri

Estadística 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 detalles

Tema 3. Probabilidad y variables aleatorias

Tema 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 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

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

Distribuciones de probabilidad Discretas

Distribuciones de probabilidad Discretas Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene

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

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

Estadística Grupo V. Tema 10: Modelos de Probabilidad

Estadística Grupo V. Tema 10: Modelos de Probabilidad Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos

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

Variables Aleatorias y Distribución de Probabilidades

Variables 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 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

Procesos estocásticos

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 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

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 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

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

Tema 4: Modelos probabilísticos

Tema 4: Modelos probabilísticos Tema 4: 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 detalles

Tema 6: Modelos probabilísticos

Tema 6: Modelos probabilísticos Tema 6: 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 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

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

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

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

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

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

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

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

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

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

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

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

Probabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD

Probabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento

Más detalles

Tema 3: VARIABLES ALEATORIAS

Tema 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 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

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)

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

Más detalles

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

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

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira

Más detalles

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

Apuntes de Clases. Modelos de Probabilidad Discretos

Apuntes de Clases. Modelos de Probabilidad Discretos 2010 Índice 1. Distribución de Bernouilli 2 2. Distribución Binomial 3 3. Distribución Hipergeométrica 3.1. Aproximación Binomial de la distribución Hipergeométrica............. 7 4. Distribución Geométrica

Más detalles

GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD

GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD Prof. Rosario Martínez Verdú TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD 1. Nociones básicas de teoría de la probabilidad. 2. Variable

Más detalles

PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD

PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN

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

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

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

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

Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM

Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy

Más detalles

Tema 2 Modelos de probabilidad

Tema 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 detalles

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS. LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de

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

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

1. Variables Aleatorias Discretas

1. Variables Aleatorias Discretas Tema 4: Variables Aleatorias Modelos de Probabilidad 1. Variables Aleatorias Discretas Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en

Más 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

FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD

FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION

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

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos

Más detalles

Tema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.

Tema 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 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

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

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

1 CÁLCULO DE PROBABILIDADES

1 CÁLCULO DE PROBABILIDADES 1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que

Más detalles

Tema 1: Distribuciones en el muestreo

Tema 1: Distribuciones en el muestreo Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral

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

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.

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

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

Variables aleatorias continuas y Teorema Central del Limite

Variables aleatorias continuas y Teorema Central del Limite Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R

Más 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

DISTRIBUCIONES DE PROBABILIDAD DISCRETA

DISTRIBUCIONES DE PROBABILIDAD DISCRETA Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos

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

Algunas Distribuciones EstadísticasTeóricas. Aproximación de la Distribución Binomial por la Distribución de Poisson

Algunas Distribuciones EstadísticasTeóricas. Aproximación de la Distribución Binomial por la Distribución de Poisson Algunas Distribuciones EstadísticasTeóricas Distribución de Bernoulli Distribución de Binomial Distribución de Poisson Aproximación de la Distribución Binomial por la Distribución de Poisson Distribución

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

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

Cálculo de Probabilidades II Preguntas Tema 2

Cálculo de Probabilidades II Preguntas Tema 2 Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución

Más 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

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

Ms. C. Marco Vinicio Rodríguez

Ms. C. Marco Vinicio Rodríguez Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:

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

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

Tema 6. Variables aleatorias continuas. Distribución Normal

Tema 6. Variables aleatorias continuas. Distribución Normal Tema 6. Variables aleatorias continuas. Distribución Normal Indice 1. Distribuciones de probabilidad continuas.... 2 2. Distribución Normal... 5 2.1. Distribución Normal estándar N(0,1).... 5 2.1.1 Utilización

Más detalles

Cap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved

Cap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio

Más detalles

6-1 y. Sec Distribuciones de probabilidad discreta Pearson Prentice Hall. All rights reserved

6-1 y. Sec Distribuciones de probabilidad discreta Pearson Prentice Hall. All rights reserved Sec. 6-1 y 3 6-2 Distribuciones de probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio Su valor se determina al

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

Probabilidad y Estadística

Probabilidad y Estadística UNSL Probabilidad A Priori y Habemus Página!!! probabilidadyestadisticaunsl.weebly.com Introducción Probabilidad A Priori Ya hemos visto cómo definir una distribución de probabilidad sobre una familia

Más detalles

UNIVERSIDAD DE MANAGUA Al más alto nivel

UNIVERSIDAD DE MANAGUA Al más alto nivel UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #3 Tema: Distribución Discreta Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Definir la función de probabilidad

Más detalles

contablemente infinito.

contablemente infinito. III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.

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

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

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

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

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

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

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 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

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

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

Muestreo e intervalos de confianza

Muestreo e intervalos de confianza Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física

Más detalles