Los rayos a tierra y las probabilidades de Poisson
|
|
- Arturo Piñeiro Henríquez
- hace 7 años
- Vistas:
Transcripción
1 Nota técnica Los rayos a tierra y las probabilidades de Poisson Por Ing. Juan Carlos Arcioni e Ing. Jorge Francisco Giménez 1. Modelo probabilístico de Poisson (MPP) 2. Ejemplos típicos de variables de Poisson. 3. Fórmulas de Poisson. 4. Valores medios (promedio o esperanza matemática), varianza y desviación cuadrática media (σ) de una variable aleatoria de Poisson de parámetros μ y λt.. Propiedades del modelo de Poisson. 6. Los días con tormentas eléctricas (Td) y sus promedios anuales (Td) y decenales (). Aplicación del modelo probabilístico de Poisson y del criterio de Petrov y D'Alessandro. 7. Ejemplos prácticos de aplicación del criterio de Petrov y D'Alessandro. 8. Ejemplos de caída de rayos a tierra como una variable de Poisson. Bibliografía. Anexos A y B. 1. Modelo probabilístico de Poisson (MPP) En 1837 el matemático francés Simeon Denis Poisson ( ) buscó la manera de modificar la forma de la distribución binominal de probabilidades (ver el Anexo B), para adaptarlas a situaciones donde se presentan "las variables de Poisson", que representan el número de sucesos que ocurren por unidad de tiempo (segundo, minuto, hora, año, lustro, decenio, etc.) o de espacio (metro, metro cuadrado, kilómetro, kilómetro cuadrado, etc.) de tal forma que no se puede contar su no-ocurrencia, ni existe un límite desde el punto de vista teórico. 2. Ejemplos típicos de variables de Poisson. 2.1 En el tiempo: El resumen de visitas diarias a una página web. El número de averías anuales de un ascensor. El número de llamadas que llegan a una central telefónica durante la hora de almuerzo. 2.2 En el espacio: El número de puntos de óxidos por metro lineal de alambre. El número de fallas por metro cuadrado (o por cada diez metros cuadrados) de una tela. 2.3 En el espacio y en el tiempo: El número de rayos a tierra que caen en una manzana de una ciudad durante un año. 3. Fórmulas de Poisson La fórmula que da la probabilidad de que se presenten X ocurrencias de un suceso es: μ P(χ) = Prb (χ; μ) = e -μ χ (1) χ! 62 Ingeniería Eléctrica Abril 2014 IE286_abril_2014.indd 62 07/04/2014 ::37
2 siendo μ el promedio de ocurrencias (en el tiempo o en el espacio) que se supone constante y se puede expresar así: μ = np b) Prb (1; 1 año, λ = 2) = (2 1 e -2 ) / 1 = 0,27 = 27% Prb (2; 1 año, λ = 2) = (2 2 e -2 ) / 2! = 0,27 = 27% Prb (3; 1 año, λ = 2) = (2 3 e -2 ) / 3! = 0,18 = 18% donde n es el número de ocurrencias del suceso y p, la probabilidad (elemental) de que ocurra ese suceso. Para los sucesos que se desarrollan en el tiempo (t) la fórmula (1) puede adoptar la fórmula (2) siguiente: Pt(χ) =Prb (χ; t; λ) = [(λt) χ e -λt ] / χ! (2) siendo λ la tasa (o intensidad) de ocurrencia de los sucesos que por unidad de tiempo (t), que se supone constante en el tiempo (t) (por hipótesis). Ejemplo: Un ascensor se avería dos veces por año en promedio (λ = 2 averías/año). Calcular las probabilidades de que: a) No se averíe durante un año b) Se averíe una vez y dos o tres veces en un año: Respuestas: Pt = Prb (χ; t; λ) = [(λt) χ e -λt ] / χ! a) Prb (0; 1 año, λ = 2) = (2 0 e -2 ) / 0! = 0,14 = 14% 4. Valores medios (promedio o esperanza matemática), varianza y desviación cuadrática media (σ) de una variable aleatoria de Poisson de parámetros μ y λt [4] Las sistematizamos en el cuadro siguiente.. Propiedades del modelo de Poisson [4].1 El número de valores de la variable X de Poisson que ocurren en un intervalo de tiempo (o en una cierta región del espacio) es independiente del número (cantidad) de X que ocurre en cualquier otro intervalo (o región del espacio disjunto). Así vemos que el modelo de Poisson no tiene memoria..2 La probabilidad de que ocurra un valor X durante un intervalo de tiempo muy corto (o en una región espacial pequeña) es proporcional a la duración del El matemático francés del siglo XIX, Simeon Denis Poisson ( ) [2] Función de Poisson Parámetro de Poisson Valor medio Varianza intervalo (longitud) o al tamaño de la región (largo, área) y no depende de los números de valores que ocurren fuera de este intervalo (o región)..3 Es insignificante la probabilidad de que ocurra más de un valor de X en tal intervalo temporal corto (o tal región espacial pequeña). DCM (σ) P(x) = (e -μ μ x) / x!) μ μ σ 2 = μ μ Pt(x) = [e -λt (λt) x ] / x! λt λt σ 2 = λt λt 6. Los días con tormentas eléctricas (Td) y sus promedios anuales (Td) y decenales (). Aplicación del modelo probabilístico de Poisson y del criterio de Petrov y D'Alessandro [1] [3] Ingeniería Eléctrica Abril IE286_abril_2014.indd 63 07/04/2014 ::37
3 Nota técnica de promedios anuales Td extre- En la tabla que presentamos a mos, para = [; ; ; 9] continuación sistematizamos a la para el 99,7% de los casos (3 σ). expresión: En la tabla A2 del anexo A repetimos la aplicación para = Td = ± kσ = ± k [9; ; ; 9] para el 9% de los casos (2 σ). siendo Td un promedio anual (días/año) de días con tormentas 7. Ejemplos prácticos de aplicación del criterio de Petrov y eléctricas entre los (diez) registrados (o probables) en un decenio climatológico de una región En la figura 7.1 podemos apre- D'Alessandro [3]: continental terrestre (RCT). ciar que la expresión Td = ± 3 es el promedio anual de nuestro capítulo 6 se verifica de manera notable en los valores (días/año) de días con tormentas eléctricas registrado (o previsto) registrados en la estación meteorológica del Aeropuerto Ezeiza (pro- en un decenio climatológico en esa región RCT. vincia de Buenos Aires) durante los σ = es la desviación cuatro periodos decenales meteorológicos: 1961/1970, 1971/1980, cuadrática media (DCM) del según el modelo de Poisson. 1981/1990 y 1991/2000. k es el número de veces σ Los valores (mínimos, máximos) registrados (31, 6) están (sigma) siendo k = 3 para cubrir el 99,7% de los casos (los promedios Td) y k = 2 para el 9% de los que corresponde al = (real) dentro de intervalo teórico (28, 70) casos (Td) según el criterio de Petrov y D'Alessandro. Así, la tabla para 3 σ siendo σ = = = 7. es la siguiente: Promedios anuales y decenales en días tormentosos/año Porcentaje de casos Promedio decenal Promedios anuales extremos en el decenio % días/año Máximos Mínimos 9% Tdmáx = Tdt + 2 Tdmín = ,7% Tdmáx = Tdt + 3 Tdmín = La densidad de rayos a tierra por kilómetro cuadrado y por año (Ng), que es un dato meteorológico, nos permite aplicar la ley probabilística temporal de Poisson: Pt(x) = Prb (x, t, λ) = [e -λt (λt) x ] / x! (1) Aplicaremos el procedimiento siguiente: a) En una zona, campo, predio, estructura civil, etcétera, las normas IRAM 2184/AEA 9230 e IEC 6230, definen el área colectora de rayos o área equivalente a la estructura, predio, campo, etcétera (Ae [m 2 ]). b) Conociendo la densidad ceráunica Ng local, podemos estimar la cantidad Nd de rayos directos/año al área colectora Ae: Nd (rayos directos/año) = Ng (rayos a tierra / km 2 año) Ae (m 2 ) -6 (km 2 / m 2 ) (2) La fórmula (2) tiene la unidad de medida rayos directos / año. Esta misma unidad la adoptaremos para la constante temporal λ en la fórmula de Poisson (1). En la tabla A1 del Anexo A aplicamos las fórmulas de esta tabla 8. Ejemplos de caída de rayos a tierra como una variable Poisson: 8.2 Ejemplos prácticos de aplicación: Un predio rural de cien metros por cien metros está en una zona 64 Ingeniería Eléctrica Abril 2014 IE286_abril_2014.indd 64 07/04/2014 ::38
4 σ = 21 3σ = Td MAX. REGISTRADO MIN. REGISTRADO (*) 1990 (*) (*) 1993 (*) 2000 Td max (teórico) = Td min (teórico) = 28 Años Td d = Figura 7.1 Gráfico de la expresión Td = ± 3 σ siendo σ = para el Aeropuerto Ezeiza (provincia de Buenos Aires); periodos 1961/20. Notas: (*) 1988, (*) 1990: valores extremos del periodo (**) 1991, (**) 1993: valores extremos del periodo Siendo Ng =, Ae =.000 m 2 = 0,01 km 2, resulta Nd = 0,0 rayos directos / año. Para la ley de Poisson (1) adoptaremos: λ = Nd = 0,0 (rayos / año) = constante siendo λt = 0,0 para t = 1 año y λt = 0, para t = años. b) Cálculos de las probabilidades de Poisson> Pt(x) = Prb (x, λ, t) = e -λt (λt) x ] / x! Las sistematizamos en el cuadro 8.2 que sigue debajo. Se puede observar que la probabilidad de que caiga/n algún/os rayo/s es> Qt(0) = 1 - Pt(0) de densidad ceráunica Ng = (rayos a tierra / km 2. año). Calcular...: (a) la cantidad de rayos directos que inciden en el predio por año. (b) las probabilidades de que en t = 1 año incidan: 0, 1, 2 rayos, algún rayo. (c) ídem (b) para t = años Solución: El área colectora equivalente al predio será Ae = 0 m. 0 m =.000 m 2 = 1 hectárea. y también que> a) La incidencia de rayos directos será: Nd (rayos directos / año) = Ng (rayos Qt(0) Pt(1) + Pt(2) para λt = 0,0 (1 año) Qt(0) Pt(1) + Pt(2) + Pt(3) para a tierra / km 2 año) Ae (m 2 ) -6 (3) λt = 0, ( años) Cuadro 8.2 Pt (x) X t λ λt Pt (x) Observación Rayos Años Rayos / Año Rayos 0/1 Pt (0) 0 1 0,0 0,0 0,91 Pt (1) 1 1 0,0 0,0 0,047 Pt (2) 2 1 0,0 0,0 0,0012 Qt (0) Algunos 1 0,0 0,0 0,0 Qt(0) = 1 - Pt(0) Pt (0) 0 0,0 0, 0,607 Pt (1) 1 0,0 0, 0,303 Pt (2) 2 0,0 0, 0,076 Pt (3) 3 0,0 0, 0,013 Qt (0) Algunos 0,0 0, 0,393 Qt(0) = 1 - Pt(0) Ingeniería Eléctrica Abril IE286_abril_2014.indd 6 07/04/2014 ::38
5 Nota técnica Bibliografía 1] Arcioni, Juan Carlos, La actividad elécrica atmosférica media anual -AEAMA- en la Argentina, en Ingeniería Eléctrica, Editores SRL, Buenos Aires, Abril 2006, págs ] Pere Grima, La certeza absoluta y otras ficciones. Los secretos de la estadística, RBA Coleccionables, Navarra, España, ] Petrov, N. I.; D'Alessandro, F., Determination of the dependency of average ground density and its scatter upon ceraunic level from observation data, VI SIPDA, 19-23/11/2001, Santos, Brasil, págs ] Walpole, R. E.; Myers, R. H.; Myers, S. L., Probabilidad y estadística para ingenieros, sexta edición, Prentice Hall Hispanoamericana, México, 1999 Tabla A1: Anexo A σ= máx. mín. promedios Td (días tormentosos / año) y decenal Td [dt en años / 40 año] (promedios) Tabla A1: Niveles ceráunicos Td = ± 3 σ = ± 3 (99,7% de los casos) Nota: Esta tabla A1 se representa en la figura A1. ). ax m )m in (dte/año) Figura A1. Gráfico de la tabla A1 66 Ingeniería Eléctrica Abril 2014 IE286_abril_2014.indd 66 07/04/2014 ::40
6 ax. (T d) m (T d) m ax. )m in in. )m (dte/año) Figura A2. Gráfico de la tabla A2 Tabla A2 Tabla A2: Niveles ceráunicos, σ= máx. mín promedios anuales Td y decenales Td = ± 2 σ = ± 2 (9% de los casos) Nota: Esta tabla A2 se representa en la figura A2. Ingeniería Eléctrica Abril 2014 IE286_abril_2014.indd /04/2014 ::42
7 Nota técnica Anexo B La distribución de probabilidades binominal: un ejemplo y su generalización [2] En general, el número de éxitos al realizar n experimentos cuando la probabilidad de éxito, p, es constante, es una variable aleatoria que sigue una distribución de probabilidad muy conocida, denominada binominal. No hace falta deducir nuevas fórmulas para calcular probabilidades cuando nos encontramos ante un caso que encaja en este escenario. Un afórmula muy útil: la ley binominal En un ejemplo de lanzar una moneda, si se trata de calcular la probabilidad P (x, n, p) de que salgan x caras realizando n lanzamientos, y llamamos p a la probabilidad de obtener una cara y (1 p) a la de obtener una cruz, la fórmula será: P (χ, n, p) = b (χ, n, p) = = n! p χ (1 p) n-χ χ!(n χ)! ( ) Lo interesante es que esta fórmula no solo es válida para el problema del lanzamiento de monedas, sino que puede generalizarse a cualquier ámbito de acuerdo con el siguiente esquema: Ejemplo: el lanzamiento de monedas Lanzar n monedas Puede salir cara o cruz Tanto la probabilidad de cara (p) como la de cruz (1 p) se mantiene constante en todos los lanzamientos Interesa la probabilidad de obtener x caras en n lanzamientos Generalización Realizar n experimentos Cada experimento tiene dos resultados posibles, que denominaremos éxito o fracaso. Tanto la probabilidad de éxito (p) como de fracaso (1 p) se mantienen constantes en todos los experimentos Interesa la probabilidad de obtener x éxitos en n experimentos. P (x, n, p) 68 Ingeniería Eléctrica Abril 2014 IE286_abril_2014.indd 68 07/04/2014 ::42
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 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 detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más 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 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 detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesBioestadística. Curso Capítulo 3
Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesDefinición 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 detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
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 detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más 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 detallesObjetivo: Entender la diferencia entre una desviación y una distribución. Reconocer los tipos de desviaciones y distribuciones.
PROBABILIDAD Y ESTADÍSTICA Sesión 2 2 MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS DISCRETOS 2.1 Definición de variable aleatoria discreta 2.2Función de probabilidad y de distribución 2.3 Valor esperado
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesProbabilidad 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 detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
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 detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más 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 detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesClase 1. Simulación de procesos estocásticos.
Clase 1 Simulación de procesos estocásticos 1 Introducción De un modo muy general, podemos decir que la probabilidad es la disciplina que se ocupa del estudio de lo aleatorio (o estocástico) y que un proceso
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 detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detallesTema 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 detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA SYLLABUS PROYECTO CURRICULAR DE INGENIERÍA ELÉCTRICA
Nombre del Docente ESPACIO ACADÉMICO (Asignatura): PROBABILIDAD Y ESTADÍSTICA UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS Obligatorio Básico Complementario Electivo Intrínseco Extrínseco FACULTAD DE
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesCondiciones para una distribución binomial
ESTADÍSTICA INFERENCIAL FUNCIONES DE PROBABILIDAD DISCRETAS: BINOMIAL y POISSON EJERCICIOS RESUELTOS DE FUNCIÓN DE PROBABILIDAD BINOMIAL USANDO TABLAS y EXCEL Prof.: MSc. Julio R. Vargas A. Fórmulas de
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA I. DATOS GENERALES Unidad Académica: Departamento de Suelos Programa Educativo: Ingeniería en Recursos Naturales Renovables Nivel educativo: Licenciatura Eje curricular: Ingeniería
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesDistribución binomial
Distribución binomial Cuando la Distribución de Benoulli se preguntaba Que pasara si sucede un único evento? la binomial esta asociada a la pregunta " Cuantas veces hay que realizar la prueba para que
Más detallesUNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL ASIGNATURA: ESTADÍSTICA I CODIGO : 5B0067 I.- DATOS GENERALES SILABO
Más detallesProbabilidad. Carrera: IFM Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad Licenciatura en Informática IFM - 0429 3-2-8 2.- HISTORIA DEL PROGRAMA
Más detallesb) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7
EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho
Más detallesOBJETIVOS CONTENIDOS PROCEDIMIENTOS. Experimento determinista. Experimento aleatorio. Espacio muestral. Suceso elemental.
Probabilidad INTRODUCCIÓN El estudio matemático de la probabilidad surge históricamente vinculado a los juegos de azar. Actualmente la probabilidad se utiliza en muchas disciplinas unidas a la Estadística:
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detallesLas medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución.
CONTENIDO: MEDIDAS DE DISPERSIÓN INDICADOR DE LOGRO: Determinarás y aplicarás, con perseverancia las medidas de dispersión para datos no agrupados y agrupados Guía de trabajo: Las medidas de dispersión
Más detallesLa distribución normal
La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesESTADÍSTICA DESCRIPTIVA PARA EL TURISMO
ESTADÍSTICA DESCRIPTIVA PARA EL TURISMO RELACIÓN DE PROBLEMAS PROPUESTOS DE UNA VARIABLE Curso académico 2004-2005 DPTO. ECONOMÍA APLICADA I 1. Obtener las frecuencias acumuladas, las frecuencias relativas
Más detallestodas especialidades Soluciones de las hojas de problemas
Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica
Más detallesProbabilidad y Estadística I
Programa de la Asignatura: Probabilidad y Estadística I Código: 746 Carrera: Ingeniería en Computación Plan: 2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Segundo Año Primer
Más detallesTema 3: Probabilidad. Bioestadística
Tema 3: Probabilidad Bioestadística SUCESOS DETERMINISTAS Y ALEATORIOS Cuando realizamos un experimento, diremos que es: Determinista: dadas unas condiciones iniciales, el resultado es siempre el mismo.
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA 5)
TEMA 5 NOCIONES BÁSICAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer los conceptos de experimento aleatorio y espacio muestral. Distinguir los distintos tipos de sucesos que forman parte del espacio
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTransformaciones de variables
Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesModelos de Probabilidad con Statgraphics
Modelos de Probabilidad con Statgraphics 1. Objetivos Representar funciones de probabilidad/densidad y de distribución de diferentes modelos de variables aleatorias discretas/continuas Calcular probabilidades
Más detallesUNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA 3: VARIABLES ALEATORIAS DISCRETAS Profesores: Jaime Arrué A. - Hugo S. Salinas. Primer Semestre
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesTítulo: ESTADISTICA I DESDE UN ENFOQUE POR COMPETENCIAS Primera edición. de esta edición. Fondo Editorial. Universidad San Ignacio de Loyola
Título: ESTADISTICA I DESDE UN ENFOQUE POR COMPETENCIAS 2014. Primera edición de esta edición Fondo Editorial Universidad San Ignacio de Loyola Av. La Fontana 750, La Molina Teléfono: 317-1000 anexo 3705
Más detallesTema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detallesEstimación por métodos Geoestadísticos
Estimación por métodos Geoestadísticos Métodos de Estimación de Recursos Mineros Estimación global Estimación local La media aritmética Los polígonos El método del inverso de la distancia Geoestadística
Más detallesDiseño de experimentos
GUÍA DOCENTE 2013-2014 Diseño de experimentos 1. Denominación de la asignatura: Diseño de experimentos Titulación Grado en Ingeniería Agroalimentaria y del Medio Rural Código 6263 2. Materia o módulo a
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
Más detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detalles