Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
|
|
- Gabriel Montero Reyes
- hace 7 años
- Vistas:
Transcripción
1 Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza y la varianza de una variable aleatoria discreta. Reconocer y aplicar modelos de probabilidad discretos 1. Variable Aleatoria y Función de Probabilidad Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en el empleo de ciertas funciones reales de variable real, de forma que la probabilidad de cierto suceso aleatorio vendrá dada por el cálculo de ciertos valores de dichas funciones Denición de Variable aleatoria Sea Ω el espacio muestral asociado a un fenómeno aleatorio. Una variable aleatoria es una función X : Ω R que asocia a cada suceso elemental un número real. El conjunto X(Ω) = X se le llamará espacio muestral de la variable aleatoria X y es el conjunto de todos los valores posibles de X. Diremos que una variable aleatoria es discreta si su espacio muestral es un conjunto discreto, es decir, un conjunto nito o bien un conjunto innito pero numerable. Si el espacio muestral de la variable es innito no numerable, como el conjunto de puntos de un intervalo real, diremos que la variable aleatoria es continua. En este tema trataremos con variables aleatorias discretas. Ejemplo 1.1 Si lanzamos una moneda al aire dos veces y X es el número de caras obtenidas X transforma el espacio muestral original Ω = {(c, c), (x, c), (c, x), (x, x)} en X = {0, 1, 2} Función de Probabilidad La función puntual de probabilidad va a asignar probabilidad a cada punto del espacio muestral de X. Tema 4 Página: 1
2 Si X es una variable aleatoria discreta, la Función Puntual de Probabilidad o simplemente la Función de Probabilidad es la función p : R [0, 1] que asigna probabilidades a cada uno de los puntos muestrales de X. Es decir, { P (X = x), si x X ; p(x) = 0, si x / X. es decir De la denición se derivan las siguientes propiedades de la función de probabilidad: 1. Se dene la Función de Distribución de la variable X como F (x) = y X,y x p(y) = F (x). La función F (x), en este caso, acumula la probabilidad asociada al punto muestral x a la de los puntos muestrales menores que x. 2. x X p(x) = 1 3. Si I R, P (X I) = x I,x X p(x) Ejemplo 1.2 Si X =número de caras al tirar dos veces una moneda, su función de probabilidad es 1/4, si x = {0, 2}; p(x) = 1/2, si x = 1; 0, si x / {0, 1, 2}. y su función de distribución es 0 si x < 0; 1/4, si x [0, 1); F (x) = 3/4, si x [1, 2); 1, si x Actividades Estudiar si las funciones siguientes pueden ser funciones puntuales de probabilidad 1. p(x) = 1 5 si x = 0, 1, 2, 3, 4 y p(x) = 0 en el resto 2. p(x) = k si x = 10, 9,..., 9, 10 y p(x) = 0 en el resto 3. p(x) = 2x si x = 1, 2, 3, 4 y p(x) = 0 en el resto 2. Esperanza y Varianza de una variable aleatoria discreta Con estos parámetros, que denimos a continuación, pretendemos describir una variable aleatoria respecto a sus características de centralización y dispersión. Tema 4 Página: 2
3 2.1. Esperanza Matemática o Media Teórica La Esperanza o Media Teórica de una v.a. E(X) indica un valor teórico al que tendería el valor medio de n realizaciones de X, cuando n tiende a innito. Para aclarar esto supongamos que X es nuestra ganancia cuando jugamos a un juego de lotería en el que podemos ganar un millón de euros con cierta probabilidad o perder lo invertido en el billete. En una realización concreta ganaremos o perderemos y la esperanza de X sería el valor al que tendería el valor medio de mi ganancia cuando juego un número grande de veces. Se dene mediante la siguiente expresión: E(X) = x X xp(x) Ejemplo 2.1 Supongamos que en un juego ganamos 10 euros si al tirar un dado sacamos un cinco o un seis, ganamos 5 si sale un 2 o un 3 o un 4 y perdemos 25 si sale un 1. Si llamamos X a la ganancia obtenida en una jugada, la función de probabilidad de X es 2, si x = 10; 6 3, si x = 5; p(x) = 6 1, si x = 25; 6 0, si x / {10, 5, 25}. cuya esperanza vale: E(X) = = 10 6 que sería el valor medio de nuestras ganancias a largo plazo (en un gran número de jugadas). Ejemplo 2.2 La esperanza de la variable del ejemplo (1.1) vale E(X) = = 1 esto signica que en un gran número de experiencias, el valor medio del número de caras tendería a Varianza y Desviación Típica La varianza de una variable aleatoria X, que representaremos por V (X), y la Desviación Típica, D(X), indicarán el grado de dispersión de los valores de la variable respecto a la esperanza matemática. La Desviación Típica será la raíz cuadrada positiva de la varianza, D(X) = V (X) y tiene la ventaja que se expresa en la misma unidad que la propia variable. Variables con desviación típica pequeña indicará que hay alta probabilidad de observar valores próximos a la esperanza matemática o media teórica E(X). Si denotamos E(X) mediante µ y V (X) mediante σ 2 Denimos V (X) = σ 2 = E((X µ) 2 ) = E(X 2 ) µ 2 y podemos calcularla mediante la siguiente expresión: V (X) = σ 2 = x X x 2 p(x) µ 2 = x X x 2 p(x) ( x X xp(x)) 2 Tema 4 Página: 3
4 Ejemplo 2.3 La varianza de la variable del ejemplo (1.1) es σ 2 = = 1 2 y su desviación típica es D(X) = σ = Actividades Calcular la esperanza y la varianza en los casos en donde sea posible de las actividades de la sección Modelos de probabilidad discretos 3.1. El modelo de Bernoulli Consideremos un experimento con únicamente dos resultados posibles, o puede suceder A (que llamaremos éxito) o bien A y supongamos que la probabilidad de Éxito es conocida, es decir, P (A) = p (con 0 p 1 ). Cuando realizamos un experimento en las condiciones anteriores diremos que hemos realizado una Prueba de Bernoulli. Si llamamos X=número de éxitos obtenidos en una prueba de Bernoulli su espacio muestral es X = {0, 1} y la función puntual de probabilidad de X tiene la siguiente expresión p, si X = 1; p(x) = P (X = x) = q = (1 p), si X = 0; 0, en otro caso. o lo que es igual p(x) = P (X = x) = { p x (1 p) 1 x, si x X = {0, 1}; 0, en otro caso. Podemos, para este modelo, fácilmente calcular su esperanza y su varianza: que son E(X) = 1p + 0(1 p) = p V (V ) = 1 2 p (1 p) p 2 = p(1 p) Si la variable X tiene una distribución de probabilidad como la del modelo de Bernoulli con P (A) = p, lo indicaremos poniendo X B(p) Tema 4 Página: 4
5 3.2. Modelo Binomial Imaginemos un experimento como el anterior, con dos resultados posibles A y A y P (A) = p conocido, pero que lo repetimos n veces en idénticas condiciones. Sea ahora X=número de éxitos en n pruebas de Bernoulli idénticas e independientes El espacio muestral de la variable es X = {0, 1,..., n} y la función puntual de probabilidad es: { ( n ) p(x) = x p x (1 p) n x, si x X = {0, 1,..., n}; 0, si x / X. En este caso la esperanza y la varianza valen: E(X) = np V (X) = np(1 p) Si la variable X tiene una distribución de probabilidad como la del modelo Binomial de parámetros n =número de pruebas y P (A) = p, lo indicaremos poniendo X B(n, p) Actividades 1. Aporta cinco situaciones experimentales en donde la v.a. X siga una distribución Binomial. 2. Demuestra que la función puntual de probabilidad anteriormente denida cumple los requisitos necesarios Modelo Hipergeométrico Supongamos una urna con N bolas de dos tipos, por ejemplo N 1 blancas y N 2 = N N 1 negras, y supongamos que denimos la v.a. X =número de bolas blancas obtenidas en una muestra de tamaño n con reemplazamiento. Puesto que las distintas extracciones son independientes y la probabilidad de obtener bola blanca es igual en cada extracción (P (A) = N 1 ) la variable anterior sigue N una distribución Binomial, es decir X B(n, N 1 ). N Pero vamos a suponer ahora que de dicha población se extraen n bolas sin reemplazamiento. El modelo ya no es binomial puesto que las distintas extracciones ni son independientes ni tienen la misma probabilidad de éxito. Si la población consta de N objetos, con N 1 objetos de la clase A y N 2 objetos de la clase A (N 1 + N 2 = N), denimos ahora la variable X=número de objetos de la clase A en una muestra de tamaño n extraída sin reemplazamiento Tema 4 Página: 5
6 el espacio muestral es X = {máx{0, n (N N 1 )},..., mín{n 1, n}} y su función puntual de probabilidad es p(x) = { ( N 1 x )( N N 1 n x ), si máx{0, n (N N ( N 1 )} x mín{n 1, n}; n) 0, en otro caso. En este caso la esperanza y la varianza valen: E(X) = n N 1 N V (X) = n N 1 (1 N 1 ) N n N N N 1 Si la variable X tiene una distribución de probabilidad como la del modelo hipergeométrico lo indicaremos poniendo X H(N, N 1, n) donde N es tamaño de la población, n es el tamaño de la muestra y N 1 es el número de objetos de la clase A en la población. Además es posible demostrar que si N es muy grande y n es pequeño frente a N, las probabilidades hipergeométricas valen aproximadamente las probabilidades binomiales; haciendo p = N 1 N, es decir H(N, N 1, n) B(n, N 1 N ) si N, p = N 1 N lím N ( N1 x )( N N1 n x ) ( N n) = ( ) n p x (1 p) n x x Lo anterior supone que cuando se dan esas circunstancias en problemas de extracción de muestras (N grande y n pequeño), podemos suponer reemplazamiento porque los resultados van a ser muy parecidos y es más cómodo trabajar en este caso Actividades 1. Dene cinco situaciones experimentales que se asocien al modelo hipergeométrico, expresando en cada caso cuál es el espacio muestral. 2. Si una urna contiene 95 bolas blancas y 5 negras y elegimos al azar 3 sin reemplazamiento, calcula la probabilidad de obtener 2 bolas blancas y 1 negra. 3. Calcula una aproximación de la probabilidad anterior, mediante la aproximación de la distribución hipergeométrica a la distribución binomial. Tema 4 Página: 6
7 3.4. Modelo de Poisson Supongamos que conocemos el número medio de veces que ocurre el suceso A en una unidad de soporte continuo (tiempo, espacio, volumen, longitud, supercie,...) y que vamos a denotar mediante λ. Decimos que la variable X =número de veces que ocurre A en un intervalo unidad cuyo espacio muestral es X = {0, 1, 2,...}, sigue una distribución de Poisson (también llamada Ley de los Sucesos Raros) de parámetro λ si su función de probabilidad está dada por: { e λ λ x, si x X = {0, 1, 2,...}; p(x) = x! 0, en otro caso. En este caso: E(X) = λ V (X) = λ Si X es una variable cuya distribución de probabilidad es como la del modelo de Poisson, lo indicaremos poniendo X P(λ) donde λ = E(X) es el número medio de veces que ocurre A en un intervalo unidad. Además las probabilidades Binomiales cuando n es grande y p es pequeño se aproximan a las probabilidades de Poisson, haciendo λ = np. Es decir, ( n x )p x (1 p) n x e λ λx, si n, λ = np x! Lo anterior signica que podemos aproximar probabilidades binomiales mediante probabilidades de Poisson cuando n sea sucientemente grande y p pequeño. Ejemplo 3.1 En un núcleo urbano de n = personas la probabilidad de infección de cada una de ellas es p = , el número X =Número de infectados sigue un modelo Binomial X B(100000, ) que podemos aproximar a un modelo de Poisson de parámetro λ = np = 2. La probabilidad exacta, según el modelo Binomial, de que en un determinado momento haya más de un infectado es P (X > 1) = 1 P (X = 0) P (X = 1) = = Mientras que aproximando la misma probabilidad por el modelo de Poisson se obtiene P (X > 1) = 1 P (X = 0) P (X = 1) = = (Todas las probabilidades anteriores se calcularon mediante R) Tema 4 Página: 7
8 Actividades 1. Denir cinco situaciones experimentales que se ajusten a un modelo de Poisson. Establecer el parámetro λ en cada caso. 2. Denir cinco situaciones experimentales que se ajusten a un modelo de Binomial pero con aproximación razonablemente buena al modelo de Poisson. Establecer en cada caso los correspondientes parámetros. 4. Bibliografía 1. Tema 2, sección 2 del texto Estadística para Ciencias Agropecuarias. Autor: Di Riezo, J. A. 2. Tema 2 del texto Probabilidad y Estadística para Ciencias e Ingenierías. Rosario Delgado de la Torre. Editorial Delta. 3. Tema 2, secciones 2.3 y 2.4 y Tema 4, secciones 4.1, 4.2, 4.3 y 4.4 del texto Estadística para ingenieros y cientícos. William Navidi. Editorial McGraw-Hill. Tema 4 Página: 8
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 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 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 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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesTema 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 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 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 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 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 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 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 detallesHoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b).
Hoja 2 Probabilidad 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, se define A A = {B Ω : B = A C con C A}. Demostrar que A A P(A) es σ-álgebra. 2.- Sea {A n : n 1} A una sucesión
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 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 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 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 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 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 detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesPRUEBA ESPECÍFICA PRUEBA 2009
PRUEBA DE ACCESO A LA UNIVERSIDAD MAYORES DE 25 AÑOS PRUEBA ESPECÍFICA PRUEBA 2009 PRUEBA SOLUCIONARIO UNIBERTSITATERA SARTZEKO HAUTAPROBAK 25 URTETIK GORAKOAK 2009ko MAIATZA ESTATISTIKA PRUEBAS DE ACCESO
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 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 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 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 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 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 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 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 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 detallesObjetivo: Entender la diferencia entre una desviación y una distribución. Reconocer los tipos de desviaciones y distribuciones.
PROBABILIDAD Y ESTADÍSTICA Sesión 2 2 MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS DISCRETOS 2.1 Definición de variable aleatoria discreta 2.2Función de probabilidad y de distribución 2.3 Valor esperado
Más detallesCapítulo 8: Distribuciones de probabilidad
Matemáticas Aplicadas a las Ciencias Sociales I: º Bachillerato Capítulo 8: Distribuciones de probabilidad Autora: Raquel Caro 8 Distribuciones de probabilidad Índice. DISTRIBUCIONES DE PROBABILIDAD..
Más detallesINECUACIONES Y SISTEMAS DE INECUACIONES LINEALES.
Nombre y apellidos : Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 2ª entrega Fecha: Curso: 1º BACHILLERATO INSTRUCCIONES: Para la realización del primer examen deberás entregar en un cuaderno
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 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 detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesEJERCICIOS DE PROBABILIDAD
EJERCICIOS DE ROBABILIDAD Ejercicio nº 1.- Lanzamos dos dados sobre la mesa y anotamos los dos números obtenidos. a) Cuántos elementos tiene el espacio muestral? b) Describe los sucesos: A "Obtener al
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 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 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 detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesTema 5: 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 detallesEJERCICIOS DE PROBABILIDAD
Ejercicio nº 1.- Qué es una experiencia aleatoria? De las siguientes experiencias, cuáles son aleatorias? a) En una caja hay cinco bolas amarillas, sacamos una bola y anotamos su color. b) Lanzamos una
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más 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 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 detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
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 detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
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 detallesa) Definir un espacio muestral S apropiado para este experimento. b) Consideremos la variable aleatoria
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
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 detallesDistribuciones unidimensionales discretas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución de Bernouilli de parámetro p 2 3 4 5 6 7 Distribución de Bernouilli de parámetro p Experimento de Bernouilli Es un 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 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 detalles1 Números reales. Funciones y continuidad.
1 Números reales. Funciones y continuidad. En este tema nos centraremos en el estudio de la continuidad de funciones reales, es decir, funciones de variable real y valor real. Por ello es esencial en primer
Más detallesHemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.
La distribución geométrica Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a
Más detallesPROBABILIDAD Y ESTADISTICA
PLAN DE ESTUDIOS 2008 LICENCIADO EN INFORMÁTICA FACULTAD DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA ASIGNATURA: PROBABILIDAD Y ESTADISTICA ÁREA DEL MATEMÁTICAS CLAVE: I2PE1 CONOCIMIENTO: ETAPA FORMATIVA:
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
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 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 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 detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
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 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 detallesFundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso
Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices
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 detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
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 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 detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detalles4.12 Ciertos teoremas fundamentales del cálculo de probabilidades
1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales
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 detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
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 detallesIntroducción a la Teoría Analítica de Números
Introducción a la Teoría Analítica de Números Pablo De Nápoli clase 3. Ejemplos de funciones generatrices El teorema que vimos la clase anterior sobre el producto de series de Dirichlet permite determinar
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
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 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 detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS
1 1. DATOS INFORMATIVOS PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS MATERIA: ESTADISTICA CODIGO: 11715 CARRERA: INGENIERIA DE SISTEMAS NIVEL: TERCERO
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detalles12 Las distribuciones binomial y normal
Las distribuciones binomial y normal ACTIVIDADES INICIALES.I. Calcula la media, la varianza y la desviación típica de la variable X, cuya distribución de frecuencias viene dada por la siguiente tabla:
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTALLER 3 ESTADISTICA I
TALLER 3 ESTADISTICA I Profesor: Giovany Babativa 1. Un experimento consiste en lanzar un par de dados corrientes. Sea la variable aleatoria X la suma de los dos números. a. Determine el espacio muestral
Más detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2014) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2014) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Considérese el siguiente sistema de ecuaciones dependiente del parámetro
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesRelación de problemas: Variables aleatorias
Estadística y modelización. Ingeniero Técnico en Diseño Industrial. Relación de problemas: Variables aleatorias 1. Se lanza tres veces una moneda y se observa el número de caras. (a) Calcula la distribución
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 detalles