Ejemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }. Si la moneda no está trucada, p = 1.

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Ejemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }. Si la moneda no está trucada, p = 1."

Transcripción

1 Capítulo 4 Modelos de probabilidad 4.1 Modelos discretos Pruebas de Bernoulli Definición Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados se agrupan en dos conjuntos excluyentes que llamaremos éxito (E) y fracaso (F ), con respectivas probabilidades: p = P (E) y 1 p = P (F ). Ejemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }. Si la moneda no está trucada, p = 1. 2 En una población se elige al azar una persona y consideramos los sucesos E = { altura 1.80} y F = { altura < 1.80}. La probabilidad de éxito dependerá de la distribución de la variable altura en la población. En el lanzamiento de un dado podemos tomar E = {6} y F = {1, 2, 3, 4, 5}. Si el dado es perfecto, p = 1 ; si está trucado y, por ejemplo, el 2 tiene probabilidad doble que cualquiera de los 6 demás resultados, p = 1. 7 La distribución de Bernoulli es el modelo más sencillo obtenido a partir de pruebas de Bernoulli. Definición Realizada una prueba de Bernoulli con P (E) = p se considera la variable aleatoria X = { 1 si obtenemos éxito 0 si obtenemos fracaso La función de masa es: P (X = 0) = 1 p y P (X = 1) = p. Los parámetros esperanza y varianza de una variable X con distribución de Bernoulli son: E[X] = p, V [X] = p (1 p) ; obtenidos ambos de manera sencilla a partir de la definición. Para abreviar escribiremos X B(1; p) para indicar que X es una variable aleatoria con distribución de Bernoulli con esperanza p. 63

2 Modelos discretos Distribución binomial Definición Supongamos que realizamos n pruebas de Bernoulli independientes, con P (E)=p en cada prueba. Sea X la variable número de éxitos obtenidos en las n pruebas. Llamamos distribución binomial a la distribución de esta variable X. Denotaremos por B(n; p) la distribución binomial de parámetros n = número de pruebas de Bernoulli y p = P (E) en cada prueba. Si X sigue una distribución B(n; p), escribiremos X B(n; p), y su función de masa es: P (X = i) = ( ) n p i (1 p) n i, i = 0, 1, 2,..., n. i Obsérvese que si tomamos una prueba de Bernoulli con p(e) = p, y consideramos la variable X con valores 1 si éxito, 0 si fracaso, entonces X B(1; p). También, si tomamos n variables X i independientes, todas y cada una de ellas siguiendo la misma distribución B(1; p), entonces la variable X = X 1 + X X n sigue una distribución B(n; p). En particular, la esperanza y la varianza de X B(n; p) son: E[X] = n p, V [X] = n p (1 p) ; puesto que p = E[X i ] y p (1 p) = V [X i ] para cada una de las variables independientes que sumamos Otros modelos basados en pruebas de Bernoulli Definición Realizamos pruebas de Bernoulli independientes con la misma distribución dada por P (E) = p. La distribución geométrica de parámetro p es la de la variable aleatoria: Su función de masa es: X = número de pruebas hasta el primer éxito. P (X = j) = (1 p) j 1 p, j = 1, 2, 3,.... Se puede probar que: E[X] = 1 p ; V [X] = 1 p p 2. Ejercicio 1 Demostrar que si X sigue una distribución geométrica de parámetro p, entonces 64 E[X] = 1 p.

3 Modelos de probabilidad Solución: Por definición se tiene: E[X] = 1 p + 2 (1 p) p + 3 (1 p) 2 p + 4 (1 p) 3 + 5(1 p) 4 + = p (1 + 2(1 p) + 3(1 p) (1 p) 3 + 5(1 p) 4 + ) = p (1 + (1 p) + (1 p) 2 + (1 p) 3 + (1 p) (1 p) + (1 p) 2 + (1 p) 3 + (1 p) (1 p) 2 + (1 p) 3 + (1 p) (1 p) 3 + (1 p) (1 p) 4 + ) ( 1 = p p + 1 p (1 p)2 (1 p)3 (1 ) p) p p p p = 1 + (1 p) + (1 p) 2 + (1 p) 3 + (1 p) 4 + = 1 p. Definición Consideramos pruebas de Bernoulli independientes con la misma distribución dada por p = P (E). Para cada número fijo r, se define la variable X = número de pruebas hasta el r ésimo éxito. Decimos que la variable X sigue una distribución binomial negativa de parámetros r y p, X BN(r; p), y su función de masa viene dada por: ( ) r + j 1 P (X = r + j) = p r (1 p) j, j = 0, 1, 2,.... j La distribución BN(r; p) para r = 1 es una geométrica. De hecho, si realizamos pruebas de Bernoulli con p = P (E), hasta conseguir r éxitos y se definen las variables: X i = número de pruebas entre el (i 1) ésimo éxito y el i ésimo, i = 1, 2,..., r cada X i es una geométrica de parámetro p. Entonces X = X 1 + X 2 + X r sigue una distribución BN(r; p). Así vemos que si X BN(r; p) entonces: E[X] = r p Distribución de Poisson ; V [X] = r(1 p) p 2. Supongamos que estamos interesados en estudiar el número de éxitos obtenidos en un número grande de pruebas independientes de Bernoulli, teniendo una probabilidad pequeña de éxito en cada prueba. Es razonable pensar que la distribución venga dada como límite de una distribución B(n; p) con n, p 0. De hecho si se tiene cierto control sobre el producto np, digamos np λ < 65

4 Modelos continuos cuando n y p 0, podemos calcular el límite. Surge así la distribución de Poisson de parámetro λ > 0 definida por la función de masa: P (X = j) = λj e λ, j = 0, 1, 2,.... j! Si X Poisson(λ), informalmente, se obtiene: E[X] = lím n p = λ y V [X] = lím np(1 p) = λ. Usaremos la distribución de Poisson cuando estemos estudiando un modelo binomial, B(n ; p), con un número grande de pruebas, cada una con probabilidad de éxito pequeña. A título orientativo, sustituiremos la B(n ; p) por una Poisson(λ), con λ = np, cuando n 30 y p 0.1. Es fácil comprobar que la función dada arriba es una función de masa puesto que: P (X = j) = j=0 λ j e λ j=0 j! = e λ j=0 λ j j! = e λ e λ = 1. Ejercicio 2 Demostrar que el límite cuando n, p 0, con np λ, de la función de masa de una B(n; p) es la función de masa de una distribución de Poisson con parámetro λ, en otras palabras si np λ cuando n y p 0: lím ( n )p j (1 p) n j = λj e λ, cuando n, p 0. j j! Solución: : ( ) n lím p j (1 p) n j n(n 1)(n 2) (n j + 1) = lím p j (1 p)n j j! (1 p) j = 1 ( j! lím nj 1 1 )( 1 2 ) ( 1 j 1 ) p j (1 p)n n n n (1 p) j = 1 ( j! lím 1 1 )( 1 2 ) ( 1 j 1 ) (n p) j (1 p)n n n n (1 p) j 4.2 Modelos continuos Distribución uniforme = 1 e λ 1 λj j! 1 = λj e λ. j! Definición Decimos que una variable aleatoria X sigue una distribución uniforme en un intervalo (a, b) de la recta real, X U(a, b), si su función de densidad es: f(x) = 1 b a si x (a, b), f(x) = 0 en otro caso. Si X U(a, b) entonces µ = E[X] = a + b 2 y 2 = V [X] = 1 12 (b a)2. 66

5 Modelos de probabilidad Distribución exponencial Definición Una variable aleatoria X se dice que sigue una distribución exponencial de parámetro λ > 0, X Exp(λ), si su función de densidad es f(x) = λe λx si x > 0, f(x) = 0 si x 0. Si X Exp(λ) entonces: µ = E[X] = 1 λ, 2 = V [X] = 1 λ Distribución Normal Definición De una variable aleatoria X diremos que sigue una distribución normal de media µ y desviación típica, X N(µ; ), si su función de densidad es: Si X N(µ; ) entonces: f(x) = 1 (x µ) 2 2π e 2 2, para todo x R. E[X] = µ, V [X] = 2. La función de densidad de una distribución N(µ; ) tiene propiedades muy interesantes: 1. Su gráfica es simétrica respecto a la media µ: µ µ µ + de manera que: P (X < µ a) = P (X > µ + a), para todo a > Si X N(µ; ) y Z = X µ entonces Z N(0; 1). En esta situación, nos referiremos al cambio de variable Z = X µ, como tipificación de la variable X N(µ; ), y a la correspondiente Z N(0; 1) como la distribución normal tipificada. La tipificación de cualquier normal, X N(µ; ), nos permitirá calcular la probabilidad de un suceso correspondiente a ella a partir de la tabla de la distribución normal tipificada N(0; 1). Así, por ejemplo, si X N(µ; ) entonces: P (a < X < b) = P ( a µ < Z < b µ ) = FZ (b µ ) (a µ ) FZ, donde Z N(0; 1) y F Z (z) = P (Z z) es su función de distribución, cuyos valores vienen dados por una tabla. 67

6 Problemas 3. La distribución B(n; p) tiende a una distribución normal cuando n y p es fijo. Así si estamos con una distribución binomial con n grande, la podremos aproximar por una normal N(µ; ) con parámetros: µ = n p, = n p (1 p). A título orientativo es aconsejable realizar esta sustitución cuando n 30 y 0.1 < p < Si X 1 N(µ 1 ; 1 ), X 2 N(µ 2 ; 2 ),..., X n N(µ n ; n ) son variables independientes entonces: X = X 1 + X X n N(µ = µ 1 + µ µ n ; = n) 2 Y = X 1 X 2 N(µ = µ 1 µ 2 ; = ) 2. Problemas 1. En una cadena de producción dos robots funcionan conectados, respectivamente, a cinco y seis ordenadores independientes entre sí, de manera que en un tiempo dado t de funcionamiento falla un ordenador del primer robot (resp. segundo) con probabilidad 0.1 (resp. 0.2). Calcúlense las probabilidades de que en un tiempo t de funcionamiento fallen: (a) un ordenador del primer robot; (b) al menos un ordenador del primer robot; (c) cinco ordenadores del segundo robot; (d) no más de cinco ordenadores del segundo robot; (e) exactamente dos ordenadores del primer robot y tres del segundo; (f) tres ordenadores más del primero que del segundo robot. 2. Un lote de piezas contiene una proporción p de defectuosas. Para realizar un control de calidad se seleccionan n piezas y se denomina X el número de piezas defectuosas encontradas. (a) Calcúlese P (X = 0). (b) Si p = 0.1, cuál debe ser el número de piezas, n, examinadas para tener P (X = 0) < 0.05? (c) Si n = 40, para qué valores de p es P (X = 0) < 0.01? (d) Si se examinan n = 80 piezas y se encuentran dos defectuosas, cuál es la proporción más verosímil de piezas defectuosas en el lote total: el 1 %, el 4 % ó el 7 %? 3. En una población se sabe que, en promedio, uno de cada 20 habitantes tiene teléfono móvil. Cuál es la probabilidad de que al realizar una encuesta, el cuarto encuestado sea el primero con teléfono móvil? 4. Se extraen una a una con reemplazamiento cartas de una baraja española. Calcúlese la probabilidad de obtener 5 cartas que no sean oros antes de obtener el tercer oro. 68

7 Modelos de probabilidad 5. El dueño de una ferretería, extrae al azar 50 tornillos de cada lote que recibe. Si en la muestra no encuentra más de 3 defectuosos, se queda el lote, en caso contrario lo rechaza. Un representante le envía un lote que contiene un 10 % de tornillos defectuosos, cuál es la probabilidad de que acepte el lote? 6. En cierto tramo de una carretera la probabilidad de que un coche supere la velocidad máxima permitida es Si recorren ese tramo coches, calcúlese la probabilidad de que (a) ninguno supere la velocidad máxima permitida; (b) a lo sumo 5 superen la velocidad máxima permitida. 7. Se ha observado el número de fallos cometidos en un folio por un mecanógrafo en un tiempo fijado. Estos fallos se han anotado en la siguiente tabla: número de fallos frecuencia Ajústese una distribución de Poisson y calcúlese la probabilidad de que en un folio seleccionado al azar, de entre los escritos por este mecanógrafo, aparezcan más de tres fallos. 8. Se sabe que la demanda de un producto de consumo sigue una distribución normal de media 95 y desviación típica 7. Calcúlese: (a) la probabilidad de que la demanda sea menor que 97; (b) la probabilidad de que la demanda sea mayor que 99; (c) la probabilidad de que la demanda esté entre 92 y 96; (d) la mínima cantidad disponible necesaria para poder atender la demanda con una probabilidad no menor que En cierto país, el 20 % de la población se muestra preocupada por el incremento de las emisiones de dióxido de carbono. Se hace una encuesta a 15 personas. (a) Cuál es la probabilidad de que ninguna de ellas esté preocupada por el incremento de las emisiones de dióxido de carbono? (b) Halla la probabilidad de que no haya más de tres personas preocupadas. (c) Calcula la probabilidad de que al menos tres personas entre las 15 estén preocupadas. (d) Cuál es la esperanza y la desviación típica del número de personas preocupadas entre las 15? Si en lugar de al 20 %, sólo al 2 % de los habitantes del país les preocupa el problema, cómo cambian la esperanza y la desviación típica? 10. Consideramos un experimento aleatorio consistente en tirar 400 veces una moneda. (a) Halla la probabilidad aproximada de que el número de caras obtenido esté comprendido entre 160 y 190. (b) Halla el intervalo (a, b) centrado en 200, tal que la probabilidad aproximada de que el número de caras obtenido esté en dicho intervalo sea

8 Problemas 11. Un zoólogo estudia cierta especie de ratones de campo. Para ello, captura ejemplares de ratones en un bosque en el que la proporción de ratones de campo de la especie que le interesa es p. (a) Si p = 0.3, calcula la probabilidad de que entre 6 ejemplares capturados haya al menos 2 de la especie que le interesa. (b) Si p = 0.05, calcula la probabilidad de que entre 200 ejemplares capturados, haya exactamente 3 de la especie que le interesa. (c) Si p = 0.4, calcula la probabilidad de que entre 200 ejemplares capturados, haya entre 75 y 110 de la especie que le interesa. (d) Cuál es el número medio de ejemplares que tendrá que capturar hasta encontrar uno de la especie que le interesa, si p = 0.2? 12. Se supone que el número de bacterias por cm 3 de agua en un estanque es una variable aleatoria X con distribución de Poisson de parámetro λ = 0.5. (a) Cuál es la probabilidad de que en un cm 3 de agua del estanque no haya ninguna bacteria? (b) En 40 tubos de ensayo se toman muestras de agua del estanque (1 cm 3 de agua en cada tubo). Qué distribución sigue la variable Y que representa el número de tubos de ensayo, entre los 40, que no contienen bacterias? Calcula P (Y 20). (c) Si sabemos que en un tubo hay bacterias, cuál es la probabilidad de que haya menos de tres? 13. En el sur de California se produce, en promedio, un terremoto al año de magnitud 6.1 o mayor en la escala de Richter 1. Se supone que el número de terremotos al año en esta zona sigue un proceso de Poisson. (a) Cuál es la probabilidad de que se produzcan más de dos terremotos en cinco años? (b) Cuál es la probabilidad de que haya un periodo de 15 meses sin que haya terremotos? (c) Cuál es la probabilidad de que haya que esperar más de tres años y medio para que se produzcan dos terremotos? 14. La probabilidad de que una pieza tenga un fallo durante el primer año de funcionamiento es Halla la probabilidad de que, entre 2000 piezas, presenten un fallo (a) exactamente tres, (b) más de 2. 1 Escala Ritcher Magnitud Efectos del terremoto menos de 3.5 Generalmente no se siente, pero es registrado A menudo se siente, pero sólo causa daños menores Ocasiona daños ligeros a edificios Puede ocasionar daños severos en áreas muy pobladas Terremoto mayor. Causa graves daños 8 ó mayor Gran terremoto. Destrucción total a comunidades cercanas 70 Fuente:

9 Modelos de probabilidad 15. La variable X expresa el tiempo en segundos que tarda una depuradora en filtrar 10 mm 3 de agua y sigue una distribución exponencial con media 10. Calcula la probabilidad de que tarde entre tres y doce segundos en depurar 10 mm Para estudiar la viabilidad económica de una mina de carbón, consideramos la variable aleatoria X= Kilogramos de carbón obtenidos por tonelada de mineral. Supongamos que, en cierta mina, X sigue una N(µ = 150; = 25). (a) Calcula la probabilidad de que, en una tonelada de mineral, el contenido de carbón sea superior a 130 kg. (b) Calcula la probabilidad de que, en 2 toneladas de mineral extraídas independientemente, la diferencia en el contenido de carbón sea inferior a 30 kg. (c) Extraemos independientemente 100 toneladas de mineral. Calcula la probabilidad de que en más de 80 de ellas el contenido de carbón sea superior a 130 kg. 17. En una fábrica, se están produciendo cuerdas con cierta fibra sintética. La resistencia a la tensión de estas cuerdas sigue una distribución N(µ = 30; = 2). (a) Cuál es el porcentaje de cuerdas cuya resistencia a la tensión está entre 28 y 32? (b) En un pedido de 200 cuerdas, cuál es la probabilidad de que más de 140 presenten una resistencia a la tensión entre 28 y 32? (c) En un pedido de 250 cuerdas, cuál es la probabilidad de que alguna presente una resistencia inferior a 25? 18. Un fabricante produce varillas y recipientes para insertar las varillas. Ambos tienen secciones circulares. Los diámetros de las varillas siguen una distribución N(µ = 1; = 0.2); los diámetros de los recipientes siguen una distribución N(µ = 1.05; = 0.15). Un ingeniero selecciona al azar una varilla y un recipiente. Cuál es la probabilidad de que la varilla pueda insertarse en el recipiente? 19. Para analizar si las aguas próximas a la costa están contaminadas cuando se produce una marea negra por el hundimiento de un petrolero, se analizan varias muestras con un test que se divide en tres pruebas independientes. Los resultados varían aleatoriamente de unas muestras a otras y se sabe que siguen distribuciones normales dadas por: X = resultados de la primera prueba del test, X N(7; 1) Y = resultados de la segunda prueba del test, Y N(5; = 2) Z = resultados de la tercera prueba del test, Z N(6; 1) Se elige una muestra al azar. Contesta a las siguientes preguntas: (a) Si el resultado final del test es el promedio de los valores que se obtienen en las tres pruebas, cuál es la probabilidad de que el resultado del test sea superior a 5? (b) Cuál es la probabilidad de que el resultado de las tres pruebas sea superior a 5? 20. Una compañía de petróleo tiene un contrato para vender grasa en envases de 500 gramos. La cantidad de grasa que la máquina de llenado pone en los envases sigue una Normal con la media que el encargado elija y = 25. Qué valor medio deberá elegir el encargado si la compañía no desea que le rechacen más del 2 % de los envases por tener un peso por debajo de lo especificado? 71

10 Problemas 21. Una máquina de envasado llena sacos de fertilizante de aproximadamente 30 kg. La cantidad de fertilizante por saco sigue una distribución N(µ = 30; = 1). (a) Se desea que la cantidad de fertilizante por saco esté entre 29 y 31 kg. Calcula la probabilidad de que la cantidad esté dentro de esos límites. (b) Una empresa realiza un pedido de 80 de estos sacos de fertilizante. Calcular la probabilidad de que más de 50 estén dentro de los límites indicados. 22. La permeabilidad intrínseca del hormigón producido en una fábrica química sigue una distribución N(µ = 40; = 5). Se reciben 60 remesas de hormigón. (a) Cuál es la probabilidad de que alguna remesa tenga una permeabilidad intrínseca inferior a 30? (b) El 30 % de las remesas de hormigón enviadas a un almacén tiene una permeabilidad que sigue una N(µ = 40; = 5). El 70 % de las remesas restantes tiene una permeabilidad que sigue una N(µ = 45; = 10). Cuál es el porcentaje total de remesas que tienen una permeabilidad inferior a 35? 72

Si quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por:

Si quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por: Capítulo 3 Variables aleatorias 3.1 Definición, tipos En ocasiones de un experimento aleatorio sólo nos interesará conocer ciertas características del mismo. En estos casos nos bastará con conocer la distribución

Más detalles

Modelos de distribuciones discretas y continuas

Modelos de distribuciones discretas y continuas Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas

Más detalles

Modelos de distribuciones discretas y continuas

Modelos de distribuciones discretas y continuas Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución

Más detalles

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

Introducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos

Más detalles

Apuntes de Clases. Modelos de Probabilidad Discretos

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

Más detalles

2 Modelos de probabilidad discretos sobre R

2 Modelos de probabilidad discretos sobre R UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,

Más detalles

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas

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

Más detalles

b) Si decides elegir el trabajo que con más probabilidad te permita ganar más de 900 euros al mes, qué trabajo debes elegir?

b) Si decides elegir el trabajo que con más probabilidad te permita ganar más de 900 euros al mes, qué trabajo debes elegir? Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Hoja 4, curso 2006 2007. Ejercicio 1. Suponer que los cuatro motores de una aeronave comercial se disponen para que

Más detalles

Tema 6: Modelos de probabilidad.

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

Más detalles

Distribuciones de probabilidad más usuales

Distribuciones 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 detalles

MATEMÁTICAS - 1º BACHILLERATO CCSS - DISTRIBUCIÓN NORMAL ˆ EJERCICIO 42. (a) P (X > 215) = P ( )

MATEMÁTICAS - 1º BACHILLERATO CCSS - DISTRIBUCIÓN NORMAL ˆ EJERCICIO 42. (a) P (X > 215) = P ( ) MATEMÁTICAS - 1º BACHILLERATO CCSS - DISTRIBUCIÓN NORMAL ˆ EJERCICIO 0 Supón que en cierta población pediátrica, la presión sistólica de la sangre en reposo se distribuye normalmente con media de 11 mm

Más detalles

Estadística Grupo V. Tema 10: Modelos de Probabilidad

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

Más detalles

Definición de probabilidad

Definición de probabilidad Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total

Más detalles

EJERCICIOS DE SELECTIVIDAD

EJERCICIOS DE SELECTIVIDAD EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ

Más detalles

VARIABLES ALEATORIAS CONTINUAS 1º Bto. CC.SS.

VARIABLES ALEATORIAS CONTINUAS 1º Bto. CC.SS. VARIABLE ALEATORIA CONTINUA VARIABLES ALEATORIAS CONTINUAS º Bto. CC.SS. Una variable aleatoria es continua si puede tomar, al menos teóricamente, todos los valores comprendidos en un cierto intervalo

Más detalles

Tema 2 Modelos de probabilidad

Tema 2 Modelos de probabilidad Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

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

Más detalles

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

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema: Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz

Más detalles

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria 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

Más detalles

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.

ESTIMACIÓN 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 detalles

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

El momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También

Más detalles

MODELOS DISCRETOS DE PROBABILIDAD

MODELOS DISCRETOS DE PROBABILIDAD MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea

Más detalles

1. Ejercicios. 2 a parte

1. 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 detalles

9 APROXIMACIONES DE LA BINOMIAL

9 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 detalles

Tema 4: Modelos probabilísticos

Tema 4: Modelos probabilísticos Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable

Más detalles

Distribuciones de probabilidad Discretas

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

Más detalles

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

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

Más detalles

8 Resolución de algunos ejemplos y ejercicios del tema 8.

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

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

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

Más detalles

Tema 6: Modelos probabilísticos

Tema 6: Modelos probabilísticos Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 13: Distribuciones de probabilidad. Estadística Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número

Más detalles

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados. El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Grado en Ingeniería Informática Tema 6 Teoremas ĺımite Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST. Tema

Más detalles

Tema 8. Muestreo. Indice

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

Más detalles

Curso de Probabilidad y Estadística

Curso de Probabilidad y Estadística Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica

Más detalles

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] = El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64

Más detalles

Variables Aleatorias y Distribución de Probabilidades

Variables Aleatorias y Distribución de Probabilidades Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables

Más detalles

Esperanza Condicional

Esperanza Condicional Esperanza Condicional Podemos obtener la esperanza de una distribución condicional de la misma manera que para el caso unidimensional: 129 Caso 2 v.a. discretas X e Y: Caso 2 v.a. continuas X e Y: Percentiles

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.

Más detalles

Al conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por S. Algunos tipos de sucesos:

Al conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por S. Algunos tipos de sucesos: 1.- CÁLCULO DE PROBABILIDADES. Un experimento aleatorio es aquel que puede dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cuál de éstos va a ser observado en la realización

Más detalles

Tema 7. Variables Aleatorias Continuas

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

Más detalles

Relación 4. Modelos discretos de distribuciones.

Relación 4. Modelos discretos de distribuciones. Relación 4. Modelos discretos de distribuciones. 1. Si se lanzan dos dados diez veces al aire, cuál es la probabilidad de que en más de la mitad de las ocasiones se obtenga una suma par de puntos? 2. Una

Más detalles

RELACIÓN DE PROBLEMAS. Distribuciones de probabilidad

RELACIÓN DE PROBLEMAS. Distribuciones de probabilidad RELACIÓN DE PROBLEMAS Distribuciones de probabilidad 1. Se lanzan al aire dos monedas tres veces consecutivas. Sea X la v.a. que representa el número de veces que se obtiene cara en ambas monedas en los

Más detalles

UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES

UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES VARIABLE ALEATORIA DISCRETA. Definición. Se dice que una v.a es discreta si el conjunto de todos los valores que puede tomar es un conjunto,

Más detalles

Probabilidad, Variables Aleatorias y Distribuciones

Probabilidad, Variables Aleatorias y Distribuciones Prueba de Evaluación Continua Grupo B 8-X-5.- Un ladrón perseguido por la policía llega a un garaje que tiene dos puertas: una conduce al recinto A en la que hay coches de los que sólo tienen gasolina

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

Distribuciones Discretas

Distribuciones Discretas Capítulo 4 Distribuciones Discretas 4.1. Distribución Bernoulli Un experimento Bernoulli es un experimento aleatorio, cuyos resultados pueden clasificarse de dos maneras mutuamente excluyentes y exhaustivas,

Más detalles

1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200.

1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200. 1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200. 2. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras esté entre 180 y 220.

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así

Más detalles

Distribuciones de probabilidad

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

Más detalles

T1. Distribuciones de probabilidad discretas

T1. Distribuciones de probabilidad discretas Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de

Más detalles

ESTADÍSTICA Y PROBABILIDAD

ESTADÍSTICA Y PROBABILIDAD (distribución normal) 1 1.- Calcular las probabilidades de los siguientes intervalos, empleando para ello las tablas de la distribución de probabilidad normal estándar N(0, 1): (1) P(z 2 14) (2) P(z 0

Más detalles

6.3. Distribuciones continuas

6.3. 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 detalles

Probabilidad Condicional

Probabilidad Condicional Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

Probabilidad del suceso imposible

Probabilidad del suceso imposible º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 6.- ESTADÍSTICA INFERENCIAL PROFESOR: RAFAEL NÚÑEZ -------------------------------------------------------------------------------------------------------------------------------------------------------------.-

Más detalles

5 DISTRIBUCIONES BINOMIAL Y DE POISSON

5 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 detalles

Tema 3: VARIABLES ALEATORIAS

Tema 3: VARIABLES ALEATORIAS Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,

Más detalles

(1 punto) (1.5 puntos)

(1 punto) (1.5 puntos) Ejercicios de inferencia estadística. 1. Sea la población {1,2,3,4}. a) Construya todas las muestras posibles de tamaño 2, mediante muestreo aleatorio simple. b) Calcule la varianza de las medias muestrales.

Más detalles

TEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL.

TEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL. TEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL. 10.1 Experimentos aleatorios. Sucesos. 10.2 Frecuencias relativas y probabilidad. Definición axiomática. 10.3 Distribuciones de

Más detalles

Procesos estocásticos

Procesos estocásticos Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:

Más detalles

Tema 13. Distribuciones de Probabilidad Problemas Resueltos

Tema 13. Distribuciones de Probabilidad Problemas Resueltos Tema 3. Distribuciones de Probabilidad Problemas Resueltos Distribución de Probabilidad. Una variable aleatoria discreta, X, se distribuye como se indica en la siguiente tabla: ( ) a) Halla el valor de

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

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

Más detalles

Probabilidad Condicional

Probabilidad Condicional Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera

Más detalles

Tema 3. Probabilidad y variables aleatorias

Tema 3. Probabilidad y variables aleatorias 1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad

Más detalles

0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2

0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2 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 detalles

Definición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...

Definición 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 detalles

PROBABILIDAD Relación de problemas 3: Variables aleatorias continuas

PROBABILIDAD Relación de problemas 3: Variables aleatorias continuas PROBABILIDAD Relación de problemas 3: Variables aleatorias continuas 1. Un autobús pasa por una cierta parada cada 8 minutos. Si un usuario llega a la parada, el tiempo que debe esperar es una variable

Más detalles

Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.

Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada

Más detalles

EJERCICIOS PROBABILIDAD (1) 2. Sean A y S dos sucesos de un espacio muestral tales que P(A)=0 4; P(A S)=0 5 y P(S/A)= 0 5 Calcular P(S) y P(A/ S )

EJERCICIOS PROBABILIDAD (1) 2. Sean A y S dos sucesos de un espacio muestral tales que P(A)=0 4; P(A S)=0 5 y P(S/A)= 0 5 Calcular P(S) y P(A/ S ) EJERCICIOS PROBABILIDAD (1) 1 2 3 1. Sean A y B dos sucesos tales que P(A)=, P( B )= y P( A B )=. 2 5 4 Calcular a) P(B/A) b) P( A /B) 2. Sean A y S dos sucesos de un espacio muestral tales que P(A)=0

Más detalles

Inferencia estadística Selectividad CCSS MasMates.com Colecciones de ejercicios

Inferencia estadística Selectividad CCSS MasMates.com Colecciones de ejercicios 1. [ANDA] [JUN-A] Una máquina está preparada para fabricar piezas de, a lo sumo, 10 cm de longitud. Se toma una muestra de 1000 piezas, comprobándose que la media de sus longitudes es de 10.0037 cm. La

Más detalles

Tema 1: Distribuciones en el muestreo

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

Más detalles

12. (SEPTIEMBRE 2004) Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos

12. (SEPTIEMBRE 2004) Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos DEPARTAMENTO DE MATEMÁTICAS UNIDAD 5. Estadística IES Galileo Galilei EJERCICIOS DE SELECTIVIDAD 1. (JUNIO 2000) Una variable aleatoria X tiene distribución normal siendo su desviación típica igual a 3.

Más detalles

UNIVERSIDAD DE MANAGUA Al más alto nivel

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

Más detalles

Repaso de Probabilidad y Estadística

Repaso de Probabilidad y Estadística Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Ejercicios Selectividad Tema 12 Inferencia estadística. Matemáticas CCSSII 2º Bachillerato 1 TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA LAS MUESTRAS ESTADÍSTICAS EJERCICIO 1 : Septiembre 00-01.

Más detalles

1. Variables Aleatorias Discretas

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

Más detalles

ETSI de Topografía, Geodesia y Cartografía. Probabilidad, variables aleatorias y distribuciones EVALUACIÓN CONTINUA

ETSI de Topografía, Geodesia y Cartografía. Probabilidad, variables aleatorias y distribuciones EVALUACIÓN CONTINUA robabilidad, variables aleatorias y distribuciones EVALUACIÓN CONTINUA -XII- Grupo B.- Tres máquinas de una planta de montaje producen el %, 5% y 5% de productos, respectivamente. Se sabe que el %, %,

Más detalles

Guía de Modelos Probabilísticos

Guía de Modelos Probabilísticos Guía de Modelos Probabilísticos 1. Distribución Binomial 1. Una máquina produce cierto tipo de piezas de las cuales el 5 % son defectuosas. Se seleccionan en forma independiente 5 piezas al azar. Calcule

Más detalles

1. Una variable aleatoria X sigue una distribución binomial con parámetros m = 3 y p =0.2.

1. Una variable aleatoria X sigue una distribución binomial con parámetros m = 3 y p =0.2. Ejercicios y Problemas. Capítulo III 1. Una variable aleatoria X sigue una distribución binomial con parámetros m = 3 y p =0.2. (a) Calcular P (X = 0), P (X = 1), P (X = 2), P (X = 3), utilizando la función

Más detalles

Variables aleatorias discretas

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

Más detalles

Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del

Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del Límite Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón

Más detalles

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

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

Más detalles

TEMA 3: Probabilidad. Modelos. Probabilidad

TEMA 3: Probabilidad. Modelos. Probabilidad TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un

Más detalles

C L A S E N 5 I N S E M E S T R E O T O Ñ O,

C 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 detalles

Técnicas Cuantitativas para el Management y los Negocios I

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

Más detalles

Intervalos de Confianza

Intervalos de Confianza Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de

Más detalles

Objetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria

Objetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria PROBABILIDAD Tema 2.2: 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

Más detalles

puede afirmar, con un nivel de significación de 0.01, que la media de la población es de 40

puede afirmar, con un nivel de significación de 0.01, que la media de la población es de 40 Soluciones: 7. El diámetro de unos ejes sigue una distribución normal de media desconocida y desviación típica 2 mm. Se toma una muestra de tamaño 25 y se obtiene un diámetro medio de 36 mm. Se puede afirmar,

Más detalles

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

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

Más detalles

Tema 6. Variables aleatorias continuas. Distribución Normal

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

Más detalles

Variables aleatorias 1. Problema 1

Variables aleatorias 1. Problema 1 Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal

Más detalles

contablemente infinito.

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

Más detalles

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

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

Más detalles

Generalidades 1. Sea X una variable aleatoria continua con función densidad dada por

Generalidades 1. Sea X una variable aleatoria continua con función densidad dada por Generalidades 1. Sea X una variable aleatoria continua con función dendad dada por kt f ( t ) = 0 1 t en otro caso Determine a) el valor de la constante k b) E(X) y V(X) c) la función de distribución acumulada

Más detalles

Examen 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 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 detalles

PROBLEMAS DE LA ASIGNATURA MA2139 ESTADISTICA APLICADA CORRESPONDIENTES AL CAPITULO 1 : MODELOS DE DISTRIBUCION DE PROBABILIDAD

PROBLEMAS DE LA ASIGNATURA MA2139 ESTADISTICA APLICADA CORRESPONDIENTES AL CAPITULO 1 : MODELOS DE DISTRIBUCION DE PROBABILIDAD PROBLEMAS DE LA ASIGNATURA MA139 ESTADISTICA APLICADA CORRESPONDIENTES AL CAPITULO 1 : MODELOS DE DISTRIBUCION DE PROBABILIDAD Distribuciones de probabilidad 1/4 PROBLEMAS DE DISTRIBUCIONES DE PROBABILIDAD

Más detalles

VARIABLES ALEATORIAS INTRODUCCIÓN

VARIABLES ALEATORIAS INTRODUCCIÓN DOCENTE: SERGIO ANDRÉS NIETO DUARTE CURSO: ESTADÍSTICA DE LA PROBABILIDAD VARIABLES ALEATORIAS INTRODUCCIÓN Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son

Más detalles

GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD

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

Más detalles

Cuáles son las características aleatorias de la nueva variable?

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

Más detalles