( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
|
|
- Ángel Calderón Martin
- hace 7 años
- Vistas:
Transcripción
1 Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia en el desarrollo de la última parte de este manual (Inferencia estadística). Se incorporan otros ejemplos para que el lector pueda disponer de una referencia para su conocimiento básico. Tales distribuciones son : uniforme o rectangular, de Cauchy, exponencial, de Laplace, de Pareto, Gamma, Beta y log-normal. Los ejemplos se centrarán casi exclusivamente en las distribuciones : χ, t de Student y F de Snedecor. DISTRIBUCIÓN UNIFORME (o rectangular) Se denomina así a la variable aleatoria continua que toma valores comprendidos entre dos fijos a y b, siendo constante la probabilidad para cada uno de ellos : Función de densidad : X [a, b] con f(x) b a 0 para x < a x a Función de distribución : F(x) Pr(X x) para a x b b a para x > b Esperanza matemática y varianza : ( ) EX ( ) b a + VX ( ) DISTRIBUCIÓN DE CAUCHY Tiene por función de densidad : π. ( + x ) para : - < x < Esta distribución carece de esperanza matemática y varianza. Puede generalizarse a : π. ( ) ( a + x b ) DISTRIBUCIÓN EXPONENCIAL Definida en función del parámetro α, tiene por función de densidad :.x α. e α para x > 0 0 para x 0 Esperanza matemática y varianza : EX ( ) VX ( ) α α DISTRIBUCIÓN DE LAPLACE Esta distribución nace del análisis de errores en la medición, quedando definida a partir de su promedio (μ) y en función de un valor α. Recibe también el nombre de "distribución doble exponencial". Distribuciones continuas - 9
2 Tiene por función de densidad : x μ. e α para < x<. α Esperanza matemática y varianza : EX ( ) μ VX ( ). α Gráfica de la función de densidad de Laplace de promedio μ 0, para α DISTRIBUCIÓN DE PARETO Utilizada en la descripción de fenómenos biológicos y económicos, se define para valores de la variable superiores a uno dado (x 0 ). DISTRIBUCIÓN GAMMA Tiene por función de densidad (para un cierto α > 0) : α x0. x0 x 0 α+ Esperanza matemática y varianza : NOTA : La esperanza matemática existe sólo para valores α >. La varianza existe sólo para valores α >. para x x para x < x α. x0 α. x0 EX ( ) VX ( ) α ( α ).( α ) Definida en función de dos parámetros positivos α y p, y representada por G(α, p), tiene por función de densidad : p α α.x p ( p). e. x para x > 0 Γ 0 para x Gráficas de funciones de densidad gamma con parámetro α (para valores de p :, y 3) donde Γ(p) es la función gamma de Euler, que se describe al final de la exposición teórica del tema. Esperanza matemática y varianza : Moda : p p EX ( ) VX ( ) α α p Mo con p > α Relación con otras distribuciones : Para p, la distribución gamma G(α, ) coincide con la distribución exponencial de parámetro α. La distribución gamma G(α/, pν/) coincide con la distribución χ con ν grados de libertad (estudiada más adelante) DISTRIBUCIÓN BETA Está definida en función de dos parámetros positivos p y q, y tiene por función de densidad : 30 - Distribuciones continuas
3 f x Bpq x p x q ( ) (, )..( ) para 0< x < 0 para x 0 y x donde B(p,q) es la función beta de Euler, que se describe al final de la exposición teórica del tema. Los siguientes gráficos nos muestran la evolución de la función de densidad en función de p y q : Esperanza matemática, varianza, moda y asimetría : p p. q EX ( ) VX ( ) p + q ( p+ q).( p+ q + ) p Mo p+ q. pq..( q p) As 3 ( p+ q).( p+ q + ).( p+ q + ) DISTRIBUCIÓN LOGARÍTMICO-NORMAL La distribución normal surge formalmente de la suma de muchas variables aleatorias. En múltiples situaciones es preciso considerar el producto de variables, resuelto con la presente distribución. Una variable aleatoria es logarítmico-normal (o lognormal), si su logarítmo ( ln(x) ) corresponde a una distribución normal. Función de densidad : ( ln( x) μ). e. σ x. σ. π para ln( x) 0 siendo μ y σ la media y desviación típica de la distribución normal de partida. Distribuciones continuas - 3
4 DISTRIBUCIÓN χ DE PEARSON Siendo X, X,..., X n n variables aleatorias normales e independientes con media 0 y varianza, se define la nueva variable χ X + X X n A ella queda asociado el número n de sumandos que la integran, mediante lo que denominamos : grados de libertad n Función de densidad : ( n/ ) x ( n ) e x para x ( n / ). /. / > 0 Γ 0 para x 0 Esperanza matemática y varianza : EX ( ) n VX ( ) n Moda (definida para n > ) : Mo n - Gráficas de la función de densidad de χ, en función del número ν de grados de libertad : Tabla de la distribución : La tabla proporciona el valor de χ que deja a su izquierda un área -α, en función del número ν de grados de libertad Para valores superiores a 50 grados de libertad, puede aproximarse mediante la distribución normal tipificada N(0,) : Para n > 30 se verifica que z. χ. n con z N(0,) De aquí : χ. +. ( z n ) Relación con otras distribuciones : La distribución χ con ν grados de libertad es una distribución gamma G(/, ν/). La distribución χ con grados de libertad es una distribución exponencial de parámetro α /. DISTRIBUCIÓN t DE STUDENT La variable aleatoria denominada t de Student, se define como combinación de una variable Z normal tipificada y una χ con n grados de libertad, de la forma indicada a la derecha. Como en χ, queda asociado a cada variable t el número de sumandos de la variable χ : grados de libertad n Función de densidad : n + Γ. + n n.. π Γ ( n )/ Esperanza matemática (definida si n>) : ( ) EX 0 Varianza (definida si n>): ( ) VX Tablas de la distribución : x n para < x < n n t Z χ n Formalmente se define como suma de cuadrados de variables normales con desviación típica igual a la unidad, pero con cualquier promedio. En particular, la que estudiamos, es una χ centrada (aquella que verifica que la suma de promedios es igual a cero : Σμ 0) con todas las medias nulas. 3 - Distribuciones continuas
5 Se utilizan habitualmente los dos tipos de tablas, que se describen a continuación. Esta tabla proporciona el valor de t que deja a su izquierda un área -α, en función del número ν de grados de libertad. Esta tabla proporciona el valor positivo de t que deja a su derecha un área α/, en función del número ν de grados de libertad Para valores superiores a 50 grados de libertad, puede aproximarse mediante la distribución normal tipificada N(0,), siendo, en este caso, equivalentes : para ν > 50 t z N(0,) DISTRIBUCIÓN F DE SNEDECOR La variable aleatoria denominada F de Snedecor, se define como el cociente de dos variables χ, tal como se indica a la derecha. En este caso, queda asociado a cada variable F los grados de libertad de cada χ : grados de libertad (ν, ν ) (grados de libertad de la χ del numerador, id. del denominador) Función de densidad : ν / ν / ν + ν ν ν.. ν Γ x. para x > ν + ν 0 ν ν Γ. Γ ( ν. x + ν) 0 para x 0 F χ χ ν ν Esperanza matemática (definida si ν > ) : ν EX ( ) ν Varianza (definida si ν > 4):. ν.( ν + ν ) VX ( ) ν.( ν ).( ν 4) Moda (definida si ν > ): ν.( ν ) Mo ν.( ν + ) Tabla de la distribución : La tabla proporciona el valor de F que deja a su derecha un área α, en función del número de grados de libertad del numerador ν y del denominador ν. Se suelen independizar las tablas en función del área α. Aquí se ofrecen para áreas iguales a 0'05, 0'05, 0'0 y 0'005, con grados de libertad (para el numerador y el denominador) correlativos desde a 60 y para 00, 00, y 400 y valores muy elevados del número de grados de libertad (representado por ). Se verifica que : Distribuciones continuas - 33
6 F ν, ν, α F ν, ν, α La relación anterior es utilizable para el cálculo de valores F que dejan a su derecha áreas 0'95, 0'975, 0'99 y 0'995 (-α). Propiedades : Si ν y ν tienden a infinito, el valor de F tiende a : F, Para ν, el valor F de Snedecor que deja a su izquierda un área - α, coincide con el cuadrado de una t de Student que deja a su izquierda un área - (α/).: F, ν, α t ν, ( α/ ) FUNCIÓN GAMMA DE EULER Denominada también "integral euleriana de segunda especie", se define (para valores p > 0) como : p x Γ( p) x. e. dx 0 Propiedades : Γ() ; Γ π Fórmula de recurrencia : Γ( p) p. Γ( p ) Para valores enteros de p : Γ( p) ( p )! (si p no es entero se recurre a tablas) π Verifica la relación : Γ( p). Γ( p) sen ( p. π) Gráfica de la función Gamma de Euler: FUNCIÓN BETA DE EULER Denominada también "integral euleriana de primera especie", se define (para valores p > 0, q > 0) como : Β( pq, ) x p q.( x). dx 0 Propiedades : Β( p, ) p Simetría de la función : Β( p, q) Β( q, p) ( q )! Si q es un número entero : Β( pq, ) p.( p+ ).( p+ )...( p+ q ) ( p )! Si p es un número entero : Β( pq, ) q.( q+ ).( q+ )...( q+ p ) Γ( p). Γ( q) Β( pq, ) Γ( p+ q) 34 - Distribuciones continuas
7 EJERCICIOS RESUELTOS Una variable aleatoria se distribuye uniformemente en el intervalo [0, 00]. a) Calcule la probabilidad de que su valor esté comprendido entre 0 y 35. b) Determine su esperanza matemática y varianza. Para el cálculo de probabilidades se pueden seguir dos procedimientos; uno basado en la función de distribución y, el segundo, en el significado gráfico de la distribución uniforme. a) Su función de distribución es : La probabilidad pedida es : F(x) Pr(X 0 x 0 x x) Pr(0 X 35) Pr(X 35) - Pr(X 0) F(35) - F(0) parax < 0 para0 x 00 parax > ' De otro modo. Observando la gráfica de la distribución, deducimos que Pr ( 0 X 35) 5. 0' 5 (área sombreada) 00 dado que la altura es el valor común de las probabilidades : f(x) b a a + b b) E ( X ) 50V ( X ) ( b a) ( 00 0) Determinar los valores de una variable χ con grados de libertad : a) que deja a su derecha un área 0' b) que deja a su derecha un área 0'95 Determinar los valores de una variable χ con 76 grados de libertad : c) que deja a su derecha un área 0'55 d) que deja a su izquierda un área 0'75 e) Calcule, con 0 grados de libertad, Pr( χ > 8). 833'33 a) La tabla de χ nos proporciona, para α0', el valor : χ 7' 756 b) La tabla de χ nos proporciona los valores : χ 4' para un área a la derecha α0'95 χ ' para un área a la derecha α0'90 Como el área dada se encuentra entre las dos anteriores (es su media), interpolamos los valores tabulados de χ, obteniendo : 4 ' ' ' χ c) Siendo el número de grados de libertad superior a 50, determinamos el valor de χ mediante la distribución normal tipificada: El valor de z N(0,) que deja a su derecha un área igual a 0'55, deja a su izquierda un área 0'845. Consultando la tabla normal (con áreas a la izquierda) obtenemos el valor más próximo para z '0. χ z ν Con esto :.( +. ).'0 ( +.76 ) 88' 5547 d) Como en el apartado anterior, determinamos el valor de χ mediante la distribución normal tipificada : El valor de z N(0,) que deja a su izquierda un área 0'75 es : z 0'67. χ. z. ν Con esto : ( + ).( 0' ) 83' e) Para 0 grados de libertad, el valor más próximo a 8 es 8'4865. Dicho valor deja a su derecha un área α 0'0. Distribuciones continuas - 35
8 3 La probabilidad pedida es aproximadamente ese área : Pr( χ > 8) 0'0 Determinar los valores de una variable t con 6 grados de libertad : a) que deja a su derecha un área 0'0 b) que deja a su izquierda un área 0'05 c) Determinar el valor de una variable t con 90 grados de libertad que deja a su derecha un área igual a 0'. Calcule, con 0 grados de libertad : d) Pr( t < '09) e) Pr('3 t '5) a) De la tabla obtenemos directamente el valor t ' b) Por la simetría de la distribución, buscamos el valor t que deja a su derecha un área 0'05. El valor pedido es el opuesto del anterior : t -' c) Aproximamos mediante la distribución normal N(0,). Entre 0 y el valor pedido queda un área 0'5-0' 0'379, correspondiendo al valor z '7. Luego : t z '7 d) El valor más próximo de t es ' De aquí, consultando la tabla que relaciona t con las dos áreas laterales : Pr( t < '05) - 0'05 0'95 e) Los valores más próximos a los de t (con 0 g.l.) son, respectivamente, '35340 y '57973, con áreas a su izquierda 0'90 y 0'99. Luego : Pr('3 t '5) 0'99-0'90 0'09 4 Calcular los valores F ϕ de una distribución F de Snedecor tales que : a) Pr(F > F ϕ ) 0'05 con ν 8 y ν grados de libertad b) Pr(F F ϕ ) 0'99 con ν 9 y ν 4 grados de libertad c) Pr(F > F ϕ ) 0'95 con ν 8 y ν 00 grados de libertad Calcular las probabilidades : d) Pr(F < 4'7 ) con ν 4 y ν 9 grados de libertad e) Pr(5'3 < F 7'56 ) con ν 5 y ν 6 grados de libertad f) Pr(F 4 ) con ν 0 y ν 0 grados de libertad a) La tabla correspondiente a α 0'05 proporciona el valor pedido : F ' (para 8 y g.l.) b) Para α 0'0 ( - 0'99) encontramos : F 3'85563 c) En este caso tenemos que hacer uso de la propiedad : Fν ν α F,, ',, 0' F F ν, ν, α ',, ' 36 - Distribuciones continuas
9 d) Localizamos el F más próximo en las distintas tablas : Para 4 y 9 g.l. encontramos los valores de F : 3' (0'05) ; 4'77773 (0'05) ; 6'4875 (0'0) y 7'95703 (0'005). Luego : F - 0'05 0'975 e) Para 5 y 6 g.l. encontramos los valores de F : 3' (0'05) ; 5'68555 (0'05) ; 7' (0'0) y 9'8500 (0'005). Luego : F 0'05-0'00 0'05 f) Para 0 (tomamos 00 como más próximo) y 0 g.l. encontramos los valores de F : ' (0'05) ; 3'5855 (0'05) ; 4'0367 (0'0) y 4'77484 (0'005). Luego : F 0'0 5 Consideradas las siguientes variables : Distribuida según grados de libertad Calcular las probabilidades : A N(0,) no procede a) Pr(-' < A 3'99) B N(0,) no procede b) Pr(6 A + B < 7 4) C t de Student 0 c) Pr (C < -'09) D χ de Pearson 6 d) Pr (D > 3) E F de Snedecor 4 y 8 e) Pr (E 5'05) f) Definida la variable V 4.A D, calcule Pr(-'75 V '95) a) Consultando la tabla N(0,) que proporciona áreas a la izquierda encontramos, para -' y 3'99 ( 3'99) : 0'507 y 0' Luego la probabilidad a calcular resulta ser : 0' '507 0'88490 b) La suma de cuadrados de dos distribuciones N(0,) es una χ con dos grados de libertad. La tabla proporciona áreas a la izquierda : 0'975 (7'377930) y 0'95 (5'99455). Luego la probabilidad es : 0'975-0'95 0'05 c) Para 0 grados de libertad encontramos el valor positivo de t que deja a su derecha un área igual a 0'05 (valor más próximo '08596). La probabilidad que se solicita es la que deja a su izquierda el valor -t, la cuál coincide con la anterior. Así, la probabilidad pedida es igualmente 0'05. d) Para 6 grados de libertad encontramos el valor de χ 3' , que resulta dejar a su derecha un área igual a 0'0. Esta es la probabilidad que se solicita. e) Entre las cuatro tablas disponibles (diferentes valores de α) encontramos el valor más próximo 5'05734, correspondiente a α 0'05. Siendo el área pedida la correspondiente a la izquierda de E : Probabilidad pedida - 0'05 0' A A f) V t de Student con 6 grados de libertad. D D 6 para - '75 : área a la izquierda 0'05 ( ) para '95 : área a la izquierda 0'995 ( 90763) La probabilidad pedida es : 0'995-0'05 0'945 Distribuciones continuas - 37
10 6 Responda a las siguientes cuestiones : a) Sea X una VA (variable aleatoria) con distribución normal de media 0 y varianza 6. Calcule Pr(X<4). b) Sea Y una VA que se distribuye según χ 0. Sabiendo que Pr(Y > k) 0 05, cuánto vale k?. c) Sea Z una VA que se distribuye según t con 7 g.l. (grados de libertad). Calcule Pr(Z> 74). a) X N(0, 4) Pr(X < 4) b) Y χ 0 Pr(Y > k) 0 05 k c) Z t 7 Pr(Z > 74) 0 05 (en tabla aparece ) 7 Calcule P(X) y P(X>) en los casos siguientes : a) Si X es normal con media 3 y desviación típica. b) Si X es binomial con n3 y p/. c) Si X es F, con n y n 40. a) X N(3, ) Pr(X ) 0 (continua) Pr(X > ) b) X B(3, 0 5) Pr(X ) Pr(X > ) Pr(X 3) 0 5 c) X F,40 Pr(X ) 0 (continua) Pr(X > ) 0 050, ya que : NOTA : Tabla : α F ' Tabla : α 0 05 F Tabla : α 0 00 F Tabla : α F 9535 Si no hubiésemos encontrado un valor de F próximo a los 4 de las tablas, determinaríamos los que dejan esa probabilidad a la izquierda (-α a la derecha), haciendo uso de la expresión : F ν, ν, α F, 40, α F F ν, ν, α 40,, α -α F 04 ' ' α F 0' 344 ' α F 3' ' -α F 0' 365 4' 856 Así, por ejemplo : Pr(X > 0 35) o Pr(X < 0 35) Distribuciones continuas
11 EJERCICIOS PROPUESTOS a) Determine la función de distribución, esperanza matemática y varianza de la variable aleatoria continua X que se distribuye uniformemente en el intervalo [, 4] b) Para dicha variable, calcule las probabilidades : Pr(X 3) Pr('5 < X 05) Determinar los valores de una variable χ con 3 grados de libertad : a) que deja a su derecha un área 0'99 b) que deja a su izquierda un área 0'05 Determinar los valores de una variable χ con 3 grados de libertad : c) que deja a su derecha un área 0'575 d) que deja a su izquierda un área 0' e) Calcule, con 3 grados de libertad, Pr( χ > 0'6). Determinar los valores de una variable t de Student con 9 grados de libertad : a) que deja a su derecha un área 0'75 b) que deja a su izquierda un área 0'005 c) Determinar el valor de una variable t con 3 grados de libertad que deja a su izquierda un área igual a 0'7. Calcule, con 7 grados de libertad : d) Pr( t < 3) e) Pr(0'7 t 3'5) Calcular los valores A de una distribución F de Snedecor tales que : a) Pr(F > A ) 0'005 con ν 4 y ν grados de libertad b) Pr(F < A ) 0'95 con ν 5 y ν 4 grados de libertad c) Pr(F > A ) 0'975 con ν 7 y ν 0 grados de libertad Calcular las probabilidades : d) Pr(F < '9 ) con ν 5 y ν 3 grados de libertad e) Pr(40 < F 99 ) con ν 5 y ν grados de libertad f) Pr(F > 3'37 ) con ν 0 y ν 0 grados de libertad a) Sabiendo que Pr(χ < 7) 0 05, cuántos grados de libertad tiene dicha variable χ?. b) Para una variable χ con 5 grados de libertad, calcular Pr(χ < 50) a) Calcular, para 0 grados de libertad, Pr (t > ). b) Obtener el valor T de una t de Student con 5 grados de libertad, para el cuál Pr(t < T) 0. Siendo X una variable F de Snedecor con 8 y 0 grados de libertad, determinar su valor sabiendo que Pr(F > X) Con las dos variables aleatorias X y X, distribuidas según una N(0, ), se construye la nueva variable V 5.X + (3.X ). a) Calcular el valor m de V para el cuál Pr(V < m) 0'9. b) Hallar Pr (V 6'6). Distribuciones continuas - 39
12 SOLUCIONES DE LOS EJERCICIOS PROPUESTOS R0 para x < F(x) Pr(X x) S x para x 4 E(X) 3 V(X) 0'3333 T para x > 4 b) 0'5 y 0' a) 4'06934 b) 5' c) (z-0'9) 09'66805 d) (z-'75) 95'5653 e) 0'90 a) -0'7075 b) c) 0'5 d) 0'99 e) 0'45 a) 99'5 b) ' c) 0' d) 0'99 e) 0'0 f) 0'0 a) 3 b) a) 0 05 b) V χ con 4 g.l. a) ' b) 0' Distribuciones 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 detallesINTRODUCCIÓN 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 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 detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detallesLECTURA 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 detallesVariables 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 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 detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesExamen de Estadística Grado en Ingeniería de Telecomunicación
Cuestiones Examen de Estadística Grado en Ingeniería de Telecomunicación 3 de Junio de 5 solución h 45m C (.5 puntos). Una multinacional realiza operaciones comerciales en 3 mercados (A, B y C). El % de
Más detallesCálculo 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 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 detallesCurso 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 detallesDistribuciones 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 detallesESTADISTICA 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 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 detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesFamilias 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 detallesVariables 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 detallesFORMULARIO 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 detallesTema 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 detallesUnidad 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 detallesLímites y continuidad de funciones reales de variable real
Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones
Más detallesTema 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 detallesPart 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 detallesManejo de las tablas
Manejo de las tablas Pedro González enero de 008 Las tablas descargadas corresponden a las siguientes funciones de distribución, cuyas definiciones y propiedades más importantes se muestran a continuación..
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más detallesProbabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, Examen de la convocatoria extraordinaria,
Probabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, 2014-2015 Examen de la convocatoria extraordinaria, 22-6-2015 Nombre y apellidos.......................................................................
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detallesMATEMÁTICAS APLICADAS A LAS CC. SS. I
DISTRIBUCIÓN NORMAL Carl Friedrich Gauss (1777-1855), físico y matemático alemán, uno de los pioneros en el estudio de las propiedades y utilidad de la curva normal. MATEMÁTICAS APLICADAS A LAS CC. SS.
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detalles9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
Más detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesDistribuciones 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 detallesCuáles 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 detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesCálculo 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 detallesModelos 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 detallesCapítulo. 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 detallesFormulario. 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 detallesVariables 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 detallesDistribución Exponencial
Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces
Más detallesTema 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 detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más 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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesDistribuciones 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 detallesDistribuciones unidimensionales continuas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución uniforme continua 2 Estándar 3 Distribución χ 2 de Pearson 4 Distribución uniforme continua Definición Es una variable continua
Más detallesMuestreo 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 detallesCálculo 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 detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 6: Distribuciones estadísticas teóricas Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detallesTEMA 7 EL MODELO DE LA CURVA NORMAL. CONCEPTO Y APLICACIONES
TEMA 7 EL MODELO DE LA CURVA NORMAL. CONCEPTO Y APLICACIONES 1. Puntuaciones diferenciales y puntuaciones típicas 2. La curva normal 3. Cálculo de áreas bajo la curva normal 3.1. Caso 1: Cálculo del número
Más detallesVARIABLES 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 detallesDISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π
DISTRIBUCIÓN NORMAL. Es la más importante de las distribuciones teóricas, es también conocida con los nombres de curva normal y curva de Gauss. De Moivre publico en 1773 su trabajo sobre la curva normal
Más detallesObjetivo: 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 detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesAgenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesDISTRIBUCION F DE SNEDECOR
DISTRIBUCION F DE SNEDECOR Jorge M. Galbiati Función de densidad: ( ) n+d Γ 2 f(x) = ( ) ( ) Γ Γ n 2 d 2 ( n/d) n/2 x n/2 1 (1+ nd x ) n+d 2 si x > 0 Espacio paramétrico: grados de libertad del numerador
Más detallesDefinición 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 detallesTema 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 detallesDistribuciones 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 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 detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más 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 detalles3.3: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS
3.3: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS De la misma manera que estudiamos los modelos de distribuciones discretas de probabilidad, lo haremos para distribuciones de probabilidad.
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesDistribuciones de probabilidad para establecer modelos de la propagación de las ondas radioeléctricas
Rec. UIT-R P.57 RECOMENDACIÓN UIT-R P.57 DISTRIBUCIONES DE PROBABILIDAD PARA ESTABLECER MODELOS DE PROPAGACIÓN DE LAS ONDAS RADIOELÉCTRICAS Rec. UIT-R P.57 (994) La Asamblea de Radiocomunicaciones de la
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesEstadística y Probabilidad
La universidad Católica de Loja Estadística y Probabilidad ESCUELA DE ELECTRÓNICA Y TELECOMUNICACIONES Paralelo C Nombre: Milner Estalin Cumbicus Jiménez. Docente a Cargo: Ing. Patricio Puchaicela. Ensayo
Más detallesLímite de una función
Idea intuitiva de límite Límite de una función El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes (las y) cuando los originales (las x) se acercan al valor x 0. Es
Más detallesBORRADOR. Series de potencias y de funciones Sucesiones de funciones
Capítulo 5 Series de potencias y de funciones 5.1. Sucesiones de funciones En los dos últimos capítulos de la asignatura, deseamos estudiar ciertos tipos de series de funciones, es decir, expresiones sumatorias
Más detallesDerivadas e integrales
Derivadas e integrales Álvarez S., Caballero M.V. y Sánchez M a M salvarez@um.es, m.victori@um.es, marvega@um.es ÍNDICE Matemáticas Cero Índice. Definiciones 3. Herramientas 4.. Reglas de derivación.......................
Más detallesCARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO. Prof. Msc. José Garcia
CARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO INTRODUCCIÓN En esta parte se trata la caracterización energética del viento y sobre la evaluación del potencial eólico que presenta un determinado
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: EXAMEN MODELO B DURACION: 2 HORAS
Febrero 2011 EXAMEN MODELO B Pág. 1 INTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: 62011037 EXAMEN MODELO B DURACION: 2 HORAS X Ciudad A Ciudad B 17-20 10 17 13-16 20 27 9-12 25 15 5-8 15
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 detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesEstadística 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 detallesVARIABLES 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