TEMA 3: Probabilidad. Modelos. Probabilidad
|
|
- Irene Olivares Quintana
- hace 7 años
- Vistas:
Transcripción
1 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 alumno entre los 30 de una clase: Resultados posibles uno cualquiera de los 30. La imprecisión de los resultados nos lleva a plantearnos la medición de la incertidumbre ligada a estos resultados, evaluándola numéricamente. Esto nos lleva a la probabilidad. Conceptos básicos Supongamos que se realiza un experimento aleatorio Se llama suceso elemental a cada uno de los resultados posibles. Se llama Espacio muestral al conjunto formado por todos los resultados posibles Se llama suceso al compuesto por uno o más sucesos elementales Se llama suceso seguro, que notaremos con E, al formado por todos los resultados posibles Se llama suceso imposible, que notaremos con φ,al que no contiene ninguno de resultados posibles 1
2 Probabilidad Ejemplo: Experimento aleatorio: Lanzamiento de un dado E {1,, 3, 4, 5, 6} Espacio muestral Suceso Elemental: {5} 4 6 Suceso: B{, 4, 6} Operaciones con sucesos Unión de dos sucesos y B es un nuevo suceso, UB, constituido por los sucesos elementales de y los de B. Se realiza cuando tiene lugar cualquiera los sucesos elementales que lo forma. Intersección de dos sucesos y B es un nuevo suceso, B, constituido por los sucesos elementales que están a la vez en y en B. Se realiza, cuando se realiza y B. Contrario de un suceso : Está formado por todos los sucesos elementales de E que no están en. Se nota con Dos sucesos y B se dicen incompatibles si su intersección es el suceso imposible
3 3 Probabilidad B B B B ; Ejemplo: Experimento aleatorio: Lanzamiento de un dado Suceso {3,4,5,6} Suceso B{, 4, 6} Propiedades de las Operaciones con sucesos ; ) ( ) ( ); ( ) ( C B C B C B C B E E φ φ; φ E ; ) ( ) ( ) ( ); ( ) ( ) ( C B C C B C B C C B ( ) B B B B ; Suceso intersección de y B{4, 6} Suceso unión de y B {,3,4,5,6}
4 Probabilidad lgebra de sucesos El conjunto de todos los sucesos está dotado de una estructura denominada álgebra de sucesos. Un álgebra de sucesos es una clase, F, formada por subconjuntos de E denominados sucesos del espacio muestral que verifica: Si un suceso pertenece a F, también pertenece su complementario o contrario. Si una serie de sucesos 1,,, n, pertenece a F, también pertenece la unión. El suceso imposible también pertenece a F Por tanto, las propiedades de unión, intersección y complementación de sucesos de F da lugar a sucesos que pertenecen a F. 4
5 Probabilidad Concepto de probabilidad Dado un experimento y su espacio muestral asociado, E, una aplicación que asocia a cada suceso un número real P: F R ) es una probabilidad si verifica los siguientes axiomas: 1) Para cualquier suceso, su probabilidad ) es mayor o igual a cero ) La probabilidad del suceso seguro, E, es uno: E)1 3) Dados dos sucesos incompatibles y B se verifica que la probabilidad de la unión es igual a la suma de las probabilidades de los sucesos: UB) ) + B) Toda aplicación que cumpla esos axiomas es una probabilidad definida sobre el álgebra de sucesos F. Se denomina espacio de probabilidad a la terna (E, F, P). 5
6 Probabilidad Concepto clásico o de Laplace de probabilidad Nos permite evaluar numéricamente las posibilidades de ocurrencia de los sucesos Se asume que todos los resultados posibles ligados al experimento aleatorio tienen la misma oportunidad de aparecer. Dado un suceso se determina su probabilidad como el cociente ) nº de casos favorables al suceso nº de casos posibles Concepto frecuencialista de probabilidad Nos permite evaluar numéricamente las posibilidades de ocurrencia de los sucesos Se asume que el experimento aleatorio puede realizarse un número grande de veces. Dado un suceso, se determina su probabilidad como la frecuencia relativa con que aparece o tiene lugar. 6
7 Probabilidad Propiedades derivadas de los axiomas de la probabilidad La probabilidad del suceso contrario es igual a 1 menos la probabilidad del suceso ) 1 ) La probabilidad del suceso imposible es cero φ) 0 La probabilidad de la unión de dos sucesos es igual a la suma de las probabilidades menos la probabilidad de la intersección UB) ) + B) B) Si el suceso está incluido en el B, la probabilidad de es menor o igual a la de B B ) B) La probabilidad del cualquier suceso es menor o igual a 1 ) 1 7
8 Probabilidad condicionada Probabilidad Dado un suceso B con probabilidad no nula, la probabilidad de que ocurra, supuesto que ha ocurrido B, se denomina probabilidad condicionada de dado B. Se determina como el cociente entre la probabilidad de la intersección y la del suceso condicionado: B) / B) B) De modo similar se define la probabilidad del suceso condicionado B dado, supuesto que no es el suceso imposible: Observa que estas igualdades nos permiten expresar la probabilidad del suceso intersección mediante: B / ) B) ) P ( B) B / ) ) / B) B) Sucesos independientes Dos sucesos y B se dice que son independientes si la realización de uno de ellos no afecta a la realización del otro. Es decir: /B)), o de modo equivalente, B/)B) O bien, también de modo equivalente, si la probabilidad de la intersección es igual al producto de las probabilidades P ( B) ) B) 8
9 Ejemplos Probabilidad En una Facultad el 5% de los alumnos suspendió matemáticas, el 15% química y el 10% las dos. Se selecciona un estudiante al azar. a) Si suspendió química, cuál es la probabilidad de que suspendiera matemáticas? b) Si suspendió matemáticas, cuál es la probabilidad de que suspendiera química? c) Cuál es la probabilidad de que haya suspendido matemáticas o química? d) Cuál es la probabilidad de que no suspenda química? e) Cuál es la probabilidad de que no suspenda ninguna de las dos? f) Son independientes los dos sucesos? a) M ) 0,5; Q) 0,15; M Q) 0,1 M Q) 0,1 M / Q) 0,667 Q) 0,15 b) M Q) 0,1 Q / M ) 0,4 M ) 0,5 9
10 Ejemplos Tema 4: Probabilidad M ) 0,5; Q) 0,15; M Q) 0,1 c) M Q) M ) + Q) M Q) 0,5 + 0,15 0,1 0,3 d) e) Q ) 1 Q) 1 0,15 0,85 M Q ) M Q) 1 M Q) 1 0,3 0,7 f) 0,1 M Q) M ) Q) 0,5 0,15 0,0375 No son independientes 10
11 Ejemplo Tema 4: Probabilidad La tabla siguiente muestra la clasificación de un grupo de trabajadores de una empresa según sector de producción en que trabaja y número de bajas registradas durante un año. sector producción Dias de BJ Sector Sector B Sector C más de Seleccionado un trabajador al azar, determina: a) Probabilidad de que esté de baja más de 0 días b) Probabilidad de que pertenezca al sector B c) Probabilidad de que esté de baja más de 0 días y pertenezca al sector B d) Probabilidad de que esté de baja más de 0 días o que pertenezca al sector B e) Dado que pertenece al sector B, qué probabilidad hay de que esté de baja más de 0 días? f) Son independientes los sucesos estar de baja más de 0 días y pertenecer al sector B? g) Probabilidad de no estar de baja más de 0 días h) Probabilidad de no estar de baja más de 0 días y no pertenecer al sector B 11
12 Ejemplo (Continuación) Tema 4: Probabilidad a) Probabilidad de que esté de baja más de 0 días 308 M 0) 0, b) Probabilidad de que esté en el sector B 350 B) 0, e) Dado que pertenece al sector B, qué probabilidad hay de que esté de baja más de 0 días? M 0 B) 0,1464 M 0 / B) 0,3714 B) 0,3941 g) Probabilidad de no estar de baja más de 0 días sector producción Dias de BJ Sector Sector B Sector C total más de Total c) Probabilidad de que esté de baja más de 0 días y pertenezca al sector B 130 M 0 B) 0, d) Probabilidad de que esté de baja más de 0 días o pertenezca al sector B M 0 B) M 0) + B) M 0 B) 0, ,3941 0,1464 0,5945 f) Son independientes los sucesos estar de baja más de 0 días y pertenecer al sector B? No, porque no se verifica la igualdad M 0 B) M 0) B) M 0) 1 M 0) 1 0,3468 0,653 h) Probabilidad de no estar de baja más de 0 días y no pertenecer al sector B M 0 B) M 0 B) 1 M 0 B) 1 0,5945 1
13 Probabilidad Teorema de la Probabilidad Total Dado un conjunto de sucesos 1,,, n que verifica Su unión es el suceso seguro 1U... n E Para cualesquiera sucesos i, j, su intersección es el suceso imposible i j φ i, j En estas condiciones, dado un suceso cualquiera, S, se verifica S) n i 1 i) S / i) 3 1 i S j n 13
14 Probabilidad Teorema de Bayes Dado un conjunto de sucesos 1,,, n que verifica Su unión es el suceso seguro 1U... n E Para cualesquiera sucesos i, j, su intersección es el suceso imposible i j φ i, j En estas condiciones, dado un suceso cualquiera, S, se verifica i / S) n j 1 i) S / i) j) S / j) Ejemplo 1: 3 oficinas O1, O y O3 de una Compañía seguradora tienen respectivamente un total de asegurados igual a 100, 300 y 750. Los porcentajes de reclamaciones por parte de sus clientes son respectivamente del %, 1,8% y 3%. -Si se selecciona al azar un asegurado, cuál es la probabilidad de que reclame? 14 -Dada una reclamación qué probabilidad hay de que proceda de la oficina O?
15 Probabilidad 1._ Estamos en las condiciones del teorema total. Cada asegurado procede de una oficina O1) 0,8 O) 0, O3) 0, Las probabilidades de reclamaciones, dadas las oficinas son R / O1) 0,0; R / O) 0,018; R / O3) 0,03 Por el teorema de la probabilidad total R) 3 i 1 Oi) R / Oi) 0,8 0,0 + 0,541 0, ,176 0,03 0,007._ Estamos en las condiciones del teorema Bayes. O) R / O) O / R) 3 Oj) R / Oj) j 1 O) R / O) R) 0,541 0,018 0,007 0,
16 Ejemplo Probabilidad Dos máquinas M1 y M producen el 70% y 30%, respectivamente del total de artículos de la producción. El 10% de los artículos producidos por M1 y 15% de los producidos por M son defectuosos. Se selecciona al azar un artículo y resulta ser defectuoso. Qué probabilidad hay de que proceda de M? M1) 0,7; M ) 0,3 D / M1) 0,1; D / M ) 0,15 M ) D / M ) M / D) Mj) D / Mj) j 1 0,3 0,15 0,7 0,1 + 0,3 0,15 0,045 0,115 0,391 16
17 Variable aleatoria Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria X es una aplicación del espacio muestral E al conjunto de los números reales R, tal que la imagen inversa de cada intervalo de R es un suceso. S X : E s R X(s) Por tanto, para cualquier número real x, el conjunto S de sucesos elementales tales que X(s)<x constituye un suceso. { s E; X ( s) x} F Tipos de variable aleatorias Discretas: Si los números asignados a los sucesos elementales de E constituyen puntos aislados. Continuas: Los valores asignados pueden ser cualesquiera dentro de ciertos intervalos 17
18 Variable aleatoria Distribución de probabilidad de una Variable aleatoria Variable aleatoria discreta Sea una variable aleatoria X que toma un conjunto de valores x1, x,, xk. Se define la función de probabilidad de X como el conjunto de pares (xi, pi) i1,, k, donde pixxi) y la suma de las probabilidades es 1 k i 1 pi 1 Podemos expresarla en una tabla, de modo similar a las distribuciones de frecuencias de las variables estadísticas discretas. La probabilidad pixxi) es la probabilidad del suceso S formado por los sucesos elementales a los que asignamos mediante X el número real xi 18
19 Variable aleatoria Variable aleatoria continua Sea una variable aleatoria X continua. La función de densidad de X, que notaremos con f(x), cumple la siguientes propiedades: 1) f(x) es siempre mayor o igual a cero ) Dado un intervalo (a, b), la probabilidad de que la variable tome valores en dicho intervalo es igual al área que encierra la curva en dicho intervalo. 3) El área total que encierra la curva vale 1 f(x) f(x) a a<x<b b X Área1 X Dado un intervalo infinitesimal (x-dx/, x+dx/) de amplitud dx, f(x) es el límite del cociente entre la probabilidad de que la variable tome valores en dicho intervalo y la amplitud del mismo f x) ( lim0 dx x dx, x + dx dx ) 19
20 Variable aleatoria Función de distribución de una variable aleatoria Dada una variable aleatoria X, ligada al espacio de probabilidad (E, F, P), la función de distribución F es una aplicación del conjunto de los números reales al conjunto de los números reales: F : R x R F(x)X<x) partir del conocimiento de la función de distribución, F(x), podemos obtener la probabilidad de que la variable esté comprendida en cualquier intervalo. Propiedades de la Función de distribución: F( ) 0; F( + ) 1 F es no decreciente. Es decir, x, x', tal que x < x' F(x) F(x') a < X b) F(b) - F(a) 0
21 Variable aleatoria Función de distribución de una variable aleatoria discreta y continua Dada una variable aleatoria discreta F ( x) X x) X xi) xi x Dada una variable aleatoria continua X xi x pi x F ( x) X x) f ( t) dt Es el área que encierra la función de densidad en el intervalo desde menos infinito a x. F(x) x 1
22 Variable aleatoria Ejemplos de Variable aleatoria unidimensional 1) Sea el experimento lanzar un dado. Se define la variable X1 si el número es impar y X0 si es par X : E R Función de probabilidad X X Xx) 0 1/ 1 1/ Suceso par) {,4,6}) 3/ 6 Suceso impar) {1,3,5}) 3/ 6 ) Sea el experimento seleccionar un trabajador al azar de una empresa determinada, donde el 0% no tienen hijos, el 30% tienen 1, 30% tienen y el resto tiene 3. Se define la variable Ynúmero de hijos del trabajador
23 Variable aleatoria 1 3 Y : E R Trab. hijos Trab. 1 hijo 3 1 Trab. sin hijos 6 3 Trab. 3 hijos Función de probabilidad de Y Y Yy) 0 0, 1 0,3 0,3 3 0, Suceso 1) 0 /100 Suceso ) 30 /100 Suceso 3) 30 /100 Suceso 4) 0 /100 1)Función de distribución de X X F(x) 0 1/ 1 1 )Función de distribución de Y Y F(y) 0 0, 1 0,5 0,
24 Variable aleatoria Esperanza de una variable aleatoria X: Variable discreta E( X ) k i 1 xi pi Variable continua + E ( X ) x f ( x) dx Varianza de una variable aleatoria X: Variable discreta Variable continua V k k ( X ) ( xi E( X )) pi xi pi E( X ) E( X ) E( X i 1 + ( i 1 V ( X ) x E( X )) f ( x) dx ) Ejemplos: X Xx) 0 1/ 1 1/ E( X ) k i 1 xi pi V ( X ) E( X ) E( X ) E( X ) 0 1/ + 1 1/ 1/ (0 1/ + 1 1/ ) 0,5 0,5 4
25 Modelos de distribuciones de Probabilidad Ejemplos: Y Yy) 0 0, 1 0,3 0,3 3 0, V E( X ) k i 1 xi pi E( X ) 0 0, + 1 0,3 + 0, , 1,5 ( X ) E( X ) E( X ) (0 0, + 1 0,3 + 0, ,) 1,5 Modelos de probabilidad de variables aleatorias discretas MODELO BERNOULLI Se aplica este modelo a una situación derivada de un experimento aleatorio con sólo dos resultados posibles que llamamos éxito y fracaso. Sea p la probabilidad de éxito y q, la de fracaso. Se define la variable aleatoria X 1 si tiene lugar un éxito y X0, si es un fracaso. Función de probabilidad X Xx) 0 q 1 p E ( X ) p V ( X ) p q 5
26 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias discretas MODELO BERNOULLI (continúa) E( X ) k i 1 xi pi E ( X ) 0 q + 1 p p V ( X ) E( X ) E( X ) (0 q + 1 p) p p p p(1 p) pq Ejemplo La proporción de parados en una población es de 0,. Se selecciona un individuo al azar de dicha población. Se define la variable aleatoria Y 1 si está en paro, e Y0, si no lo está. Determina le media y varianza de Y. E(Y)0,; V(Y)0,16 6
27 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias discretas MODELO BINOMIL Se aplica este modelo a una situación derivada de repetir n veces una prueba o experimento aleatorio con sólo dos resultados posibles que llamamos éxito y fracaso. Sea p la probabilidad de éxito y q, la de fracaso. La probabilidad de éxito permanece constante en las n repeticiones o realizaciones Las pruebas son independientes. El resultado de cualquiera de ellas no afecta a los resultados de las otras. Se define la variable aleatoria X número de éxitos entre las n repeticiones del experimento aleatorio. La variable X puede tomar los valores 0, 1,,, n. La función de probabilidad viene dada por Función de probabilidad n! X k) p k q n k con k 0,1,,..., n k!( n k)! E ( X ) np V ( X ) n p q Indicaremos que una variable aletaoria sigue un modelo binomial de parámetros n y p X B( n, p) 7
28 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias discretas EJEMPLO MODELO BINOMIL La proporción de parados en una población es de 0,. Se seleccionan 4 individuos al azar de dicha población. Se define la variable aleatoria Ynúmero de parados entre los 4 seleccionados a) Determina la media y varianza de Y. b) ninguno esté en paro) c) al menos parados) n! k n k Y B(4, 0,) Función de probabilidad Y k) 0, (1 0,) con k 0,1,,..., n k!( n k)! a) E( X ) np 4 0, 0,8 V ( X ) n p q 4 0, 0,8 0,64 b) c) Y 4! 0) 0, 0!(4 0)! 0 0,8 4 0,8 4 0,4096 [ Y 0) + Y 1) ] Y ) 1 Y < ) 1 Y 4! 1 1) 0, 0,8 1!(4 1)! 3 4! 1 0, 0,8 1!3! 3 0,4096 [ Y 0) + Y 1) ] 1 0,4096 0,4096 0, 1808 Y ) 1 8
29 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias discretas MODELO POISSON Se aplica este modelo a una situación derivada de observar sobre un espacio continuo (tiempo, longitud, área, etc.) el número de veces que ocurre un suceso determinado (éxito). Por ejemplo, número de accidentes laborales ocurridos en un año en una empresa. La probabilidad del suceso éxito permanece constante en todo el espacio continuo. Dadas dos partes disjuntas del espacio continuo, el número de éxitos ocurridos en una de ellas es independiente del número ocurrido en la otra. Se define la variable aleatoria X número de éxitos ocurridos por unidad de espacio continuo. La variable X puede tomar los valores 0, 1,,, n, La función de probabilidad viene dada por Función de probabilidad λ x e λ X x) con x 0,1,,..., n,... x! Donde V (X ) λ E( X ) λ nº medio de éxitos por unidad de espacio continuo Indicaremos que una variable aletaoria sigue un modelo Poisson de parámetro lambda: 9 X λ)
30 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias discretas EJEMPLO MODELO POISSON El número de clientes nuevos diario que llega a una asesoría laboral sigue en modelo de Poisson. Se sabe que el número medio de clientes nuevos diario es de 1,3 Determina a) Probabilidad de que en un día dado no llegue ninguno b) Probabilidad de que lleguen al menos. Función de probabilidad X x) e 1,3 1,3 x! x con x 0,1,,..., n,... a) b) X 1,3) e X 0) -1,3 1,3 0! 0 e 1,3 0,75 Donde e, [ X 0) + X 1) ] X ) 1 X < ) 1 X 1) 1 X 1) e -1,3 1,3 1! 1 e 1,3 1,3 0,3543 X ) 1 0,75 0,
31 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias continuas MODELO NORML Este modelo es uno de los más utilizados en la estadística clásica. Presenta una función de densidad simétrica, con forma de campara (campana de Gauss). En el centro de la distribución coinciden la media, mediana y moda. Notaremos con las letras mu y sigma la media y desviación típica, respectivamente. Estos dos parámetros caracterizan a la distribución. X N( µ, σ ) Función de densidad f ( x) 1 e πσ 1 x µ σ µ 31
32 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias continuas MODELO NORML (continúa) Existen tablas de la función de distribución de la variable normal estadarizada, Z, que permiten determinar las probabilidades en un modelo normal cualquiera X, sin más que tener en cuenta la siguiente propiedad: X N( µ, σ ) Z X µ σ N(0,1) La probabilidad de que la variable X tome valores en un intervalo cualquiera (a, b) es igual a la probabilidad de que la variable estandarizada tome valores en el intervalo estandarizado. a µ X µ b µ a µ b µ P ( a < X < b) < < ) < Z < ) za < Z < zb) σ σ σ σ σ a µ b X Estandarización o tipificación za 0 zb Z 3
33 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias continuas EJEMPLO DE MODELO NORML El consumo energético anual por hogar en una ciudad sigue un modelo normal de media 100 y desviación típica 400. a) Probabilidad de que seleccionado al azar un hogar, tenga un consumo superior a 000. b) Qué proporción de hogares tiene consumo inferior a 800? c) partir de qué valor está el 10% de los que más consumen? X 100 X N(100,400) Z N(0,1) 400 a) X X > 000) > ) Z > ) 1 Z < ) 1 0,977 0, , X 0,08 Estandarización o tipificación 0 Z 33
34 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias continuas EJEMPLO DE MODELO NORML (continúa) b) Qué proporción de hogares tiene consumo inferior a 800? b) X X N(100,400) Z N(0,1) X < 800) Z < ) Z < 1) 0, , X 0,1587 Estandarización o tipificación -1 0 Z c) partir de qué valor está el 10% de los que más consumen? 34
35 Modelos de distribuciones de Probabilidad Modelos de probabilidad de variables aleatorias continuas EJEMPLO DE MODELO NORML (continúa) c) partir de qué valor está el 10% de los que más consumen? X N(100,400) Z X N(0,1) c) P90 X 100 0,9 X < P90 X ) Z < ) Z < P90Z ) P90Z 1, , ,1 P90 X 0,9 0 0,1 P90 Z P90 X 100 P90 Z P90 X P90Z P90 1, X 35
36 Modelos de distribuciones de Probabilidad proximación de Modelos de probabilidad de variables aleatorias discretas a continuas proximación del modelo Binomial al modelo Normal. Corrección por continuidad Si el parámetro n de una distribución binomial es grande y p no presenta valores muy extremos (fuera del intervalo de extremos 0,1 y 0,9) la distribución del modelo de Binomial se puede aproximar a la de un modelo normal: X B( n, p) n > 30 N se aproxima 0,1 < p < 0,9 ( µ np, σ npq ) X B( n, p) proximación X N( np, npq) Esta estrategia de aproximación es útil para simplificar los cálculos en aquellos casos que no se dispone de tablas de distribución binomial para valores altos de n 36
37 Modelos de distribuciones de Probabilidad proximación de Modelos de probabilidad de variables aleatorias discretas a continuas proximación del modelo Binomial al modelo Normal. Corrección por continuidad Observa que para aproximar la variable discreta a la continua hemos de asignar al suceso constituido por un punto (Xk), todos aquellos valores que están más próximos a k, es decir, el suceso formado por el intervalo (k-0,5; k+0,5) k-1 0,5 0,5 k k+1 X B( n, p) Ejemplo: En una variable X que sigue un modelo B(50,0,3) la X7) se aproxima a 6,5 < X < 7,5) en una normal X N( 50 0,3, 50 0,3 0,7) 37
38 Modelos de distribuciones de Probabilidad proximación de Modelos de probabilidad de variables aleatorias discretas a continuas Ejemplo: proximación del modelo Binomial al modelo Normal Se ha seleccionado una muestra de 300 trabajadores de una población grande. La probabilidad de pertenecer a un sindicato es 0,5. a)determina la probabilidad de que en la muestra seleccionada, haya más 100 afiliados al sindicato. b)más de 70 y menos de 77) X B(300, 0,5) proximación X N(75, 7,5) a) 100,5 75 X > 100) 1 X 100) 1 X 100,5) 1 Z ) 1 Z < 3,4) Binomial Binomial Normal 7,5 b) 70, , < X < 77) 71 X 76) 70,5 X 76,5) Z ) 0,6 Z < 0,) Binomial Binomial Normal 7,5 7,5 0 0,6 Z 0,) Z 0,) Z 0,6) 0,5793 0,743 0,305 38
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 detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesTema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesVariable 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 detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más detallesDistribuciones 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 detallesTema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesLECTURA 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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesProbabilidad. Distribuciones binomial y normal
Tema 7 Probabilidad. Distribuciones binomial y normal 7.1. Introducción En este tema trataremos algunas cuestiones básicas sobre Probabilidad. Tanto la Probabilidad como la Estadística son dos campos de
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesAlgunas 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 detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesVariables 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 detallesHabilidades Matemáticas. Alejandro Vera
Habilidades Matemáticas Alejandro Vera La distribución normal Introducción Una de las herramientas de mayor uso en las empresas es la utilización de la curva normal para describir situaciones donde podemos
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detalles3.Si A y B son incompatibles, es decir A B = entonces:
Axiomas de la probabilidad 1.La probabilidad es positiva y menor o igual que 1. 0 p(a) 1 2. La probabilidad del suceso seguro es 1. p(e) = 1 3.Si A y B son incompatibles, es decir A B = entonces: p(a B)
Más detalles3.Si A y B son incompatibles, es decir A B = entonces:
Axiomas de la probabilidad 1.La probabilidad es positiva y menor o igual que 1. 0 p(a) 1 2. La probabilidad del suceso seguro es 1. p(e) = 1 3.Si A y B son incompatibles, es decir A B = entonces: p(a B)
Más detallesAPROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y LAS TIC
APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y LAS TIC SIGMA 28 Abel Martín (*) y Rosana Álvarez García (**) En dos artículos anteriores ya hemos estudiado la distribución Binomial
Más detallesJUNIO Opción A
Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se
Más detallesProbabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades
Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,
Más detallesTema 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 detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesAnálisis 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 detallesProbabilidad y Estadística
Probabilidad y Estadística Probabilidad Conceptos como probabilidad, azar, aleatorio son tan viejos como la misma civilización. Y es que a diario utilizamos el concepto de probabilidad: Quizá llueva mañana
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesProbabilidad 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 detallesProbabilidad 3/1/2010. EVSC 5020: Bioestadística. Qué es probabilidad? Prof. Rafael R. Canales-Pastrana. EVSC 5020: Bioestadística
Probabilidad Prof. Rafael R. Canales-Pastrana 2 Qué es probabilidad? 3 1 Definiciones de Probabilidad La medida del grado de confianza que uno tiene, en que ocurra el acontecimiento. Método axiomático:
Más detallesSon los experimentos de los que podemos predecir el resultado antes de que se realicen.
PROBABILIDAD Definición de probabilidad La probabilidad de un suceso es un número, comprendido entre 0 y 1, que indica las posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio.
Más detallesProbabilidad Condicional
Probabilidad Condicional Algunas veces la ocurrencia de un evento A puede afectar la ocurrencia posterior de otro evento B; por lo tanto, la probabilidad del evento B se verá afectada por el hecho de que
Más detallesINTERVALOS 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 detallesOPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.
PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:
Más detallesX = beneficio del jugador = (ganancia neta) (recursos invertidos) Cuántos euros debo poner yo para que el juego sea justo?
Ejemplo: el valor esperado y los juegos justos. En los juegos de azar es importante la variable aleatoria X = beneficio del jugador = (ganancia neta) (recursos invertidos) El juego consiste en una caja
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Se considera el sistema de ecuaciones dependiente del parámetro real a:
Más detallesTEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES
TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela
Más detalles7. Distribución normal
7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o
Más detallesProbabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez
Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades
Más detallesMOOC UJI: La Probabilidad en las PAU
4. Probabilidad Condicionada: Teoremas de la Probabilidad Total y de Bayes 4.1. Probabilidad Condicionada Vamos a estudiar como cambia la probabilidad de un suceso A cuando sabemos que ha ocurrido otro
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesOBJETIVOS CONTENIDOS PROCEDIMIENTOS. Experimento determinista. Experimento aleatorio. Espacio muestral. Suceso elemental.
Probabilidad INTRODUCCIÓN El estudio matemático de la probabilidad surge históricamente vinculado a los juegos de azar. Actualmente la probabilidad se utiliza en muchas disciplinas unidas a la Estadística:
Más detallesTeorema 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 detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesCUÁL 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 detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesEstadística para la toma de decisiones
Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante
Más detallesTEMA 17: PROBABILIDAD
TEMA 17: PROBABILIDAD Probabilidad de un suceso aleatorio es un numero entre 0 y 1 (más cerca del 0, mas difícil que ocurra. Más cerca del 1 más fácil que ocurra). Suceso seguro: Su probabilidad es 1.
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesTema 4: Variable aleatoria. Métodos Estadísticos
Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesTema 3 Espacios de probabilidad: Definición axiomática y propiedadades básicas de la probabilidad
Tema 3 Espacios de probabilidad: Definición axiomática y propiedadades básicas de la probabilidad 1. Objetivo del Cálculo de Probabilidades El objetivo del Cálculo de Probabilidades es establecer y desarrollar
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesMATEMÁTICA DE CUARTO 207
CAPÍTULO 1 CONJUNTOS NUMÉRICOS 1 Introducción... pág. 9 2 Números naturales... pág. 10 3 Números enteros... pág. 10 4 Números racionales... pág. 11 5 Números reales... pág. 11 6 Números complejos... pág.
Más detallesx R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.
PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 00-.003 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro de ella, sólo
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesInfinito más un número Infinito más infinito. Infinito por infinito. OPERACIONES CON INFINITO Sumas con infinito. Productos con infinito
OPERACIONES CON INFINITO Sumas con infinito Infinito más un número Infinito más infinito Infinito menos infinito Productos con infinito Infinito por un número Infinito por infinito Infinito por cero Cocientes
Más detallesUnidad II. Conjuntos. 2.1 Características de los conjuntos.
Unidad II Conjuntos 2.1 Características de los conjuntos. Es la agrupación en un todo de objetos bien diferenciados en el la mente o en la intuición, por lo tanto, estos objetos son bien determinados y
Más detallesTema 3. Variables aleatorias. Inferencia estadística
Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable
Más detallesPRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL JUNIO 2015
CALIFICACIÓN: PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL JUNIO 201 Apellidos Nombre Centro de examen Instrucciones Generales PARTE COMÚN MATERIA: FUNDAMENTOS DE MATEMÁTICAS
Más detallesCONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesLa distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si
La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesPROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C)
PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C) I.E.S. Universidad Laboral de Málaga Curso 2015/2016 PROGRAMACIÓN DE LA
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detalles1.- Definiciones Básicas:
Tema 3 PROBABILIDAD Y COMBINATORIA 1.- Definiciones Básicas: El objetivo del cálculo de probabilidades es el estudio de métodos de análisis del comportamiento de fenómenos aleatorios en lo relativo a su
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesSon los experimentos de los que podemos predecir el resultado antes de que se realicen.
PROBABILIDAD La probabilidad de un suceso es un número, comprendido entre 0 y 1, que indica las posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio. Experimentos deterministas
Más detallesDepartamento de Matemáticas. 1º BACHILLERATO Ciencias y Tecnología CONVOCATORIA EXTRAORDINARIA DE SEPTIEMBRE 2014
IES SAN BENITO Departamento de Matemáticas 1º BACHILLERATO Ciencias y Tecnología CONVOCATORIA EXTRAORDINARIA DE SEPTIEMBRE 2014 PRUEBA EXTAORDINAORIA: La Prueba de septiembre será únicamente de contenidos
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
Más detallesf: D IR IR x f(x) v. indep. v. dependiente, imagen de x mediante f, y = f(x). A x se le llama antiimagen de y por f, y se denota por x = f -1 (y).
TEMA 8: FUNCIONES. 8. Función real de variable real. 8. Dominio de una función. 8.3 Características de una función: signo, monotonía, acotación, simetría y periodicidad. 8.4 Operaciones con funciones:
Más detallesCONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTema 4 Variables Aleatorias
Tema 4 Variables Aleatorias 1 Introducción En Estadística Descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y posteriormente se vimos los fundamentos de la teoría de probabilidades.
Más detallesProblemas. Variables Aleatorias. Modelos de Probabilidad
Problemas. Variables Aleatorias. Modelos de Probabilidad Ejemplos resueltos y propuestos Variables Aleatorias Discretas Una variable aleatoria discreta X de valores x 1, x 2,..., x k con función de probabilidad
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Coincidente-Junio 2012) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Coincidente-Junio 1) Selectividad-Opción A Tiempo: 9 minutos Problema 1 (3 puntos) Dadas las matrices A = x y z y B = 1, se pide: 1 1 3 1 k, X = 1.
Más detallesTransformaciones de variables
Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale
Más detallesLa distribución de Probabilidad normal, dada por la ecuación:
La distribución de Probabilidad normal, dada por la ecuación: Donde: x = X -, la distancia entre X y en el eje de las X. = la media de la población o universo ( de las X ) fx= La altura de la ordenada
Más detalles