Tema 2: Variables Aleatorias Unidimensionales
|
|
- Esther Venegas Campos
- hace 7 años
- Vistas:
Transcripción
1 Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28
2 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
3 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
4 Concepto de Variable Aleatoria Variable aleatoria Intuición: Una variable aleatoria X es una función que asocia números a cada posible resultado de un experimento aleatorio. X: Ω R S Ω X(S) R Propiedades X ha de cumplir las siguientes condiciones: Un solo valor para cada resultado. El conjunto {X x} es un suceso x. P ({X = }) = P ({X = }) =. Rango de una v.a.: Conjunto de números reales que tienen asociado un resultado del espacio muestral Ω X = {x R S Ω, X(S) = x}
5 Concepto de Variable Aleatoria Ejemplos ε: Observación de una carta de la baraja española extraída al azar Ω = { as de oros, dos de oros,..., rey de bastos } Ω = 4 1 X( n o de palo ) = n o Ω X = {1, 2,..., 7, 1, 11, 12} 2 X( n o de palo ) = 1 n o Ω X = {1, 2,..., 7, 1, 11, 12} 3 X( n o de palo ) = { si es de oros 1 si no es de oros Ω X = {, 1} Ω S 4 S 3 S 2 S 1 X x 1 x 2 x 4 x 3 R Ω X
6 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
7 Definición Función Distribución Definición: Sea < Ω, F, P > ligado a ε y X una v.a. Se define la Función de Distribución F X : R R x R F X (x) = P ({X x}) La función de distribución F X contiene toda la información probabilística de la variable aleatoria X. Ejemplo Baraja española: Ω X = {1, 2, 3, 4, 5, 6, 7, 1, 11, 12} x = 3 F X ( 3) = P ({X 3}) = P ( ) = x = 1 F X (1) = P ({X 1}) = P ({1}) = 1/1 x = 1.5 F X (1.5) = P ({X 1.5}) = P ({1}) = 1/1 x = 2 F X (2) = P ({X 2}) = P ({1, 2}) = 2/1
8 Ejemplos Ejemplo Función Distribución. P(X x) Función Distribución. Ejemplo x
9 Ejemplos Otros Ejemplos X( n o de palo ) = 1 n o Ω X = {1, 2,..., 7, 1, 11, 12} Función Distribución. P(X x) Función Distribución. Ejemplo x
10 Ejemplos Otros Ejemplos X( n o de palo ) = { si es de oros 1 si no es de oros Ω X = {, 1} 1 Función Distribución. Ejemplo 3 Función Distribución. P(X x) 3/4 1/2 1/ x
11 Interpretación frecuencial Interpretación frecuencial n realizaciones n valores x 1, x 2,..., x n n x: n o de resultados x 1 n x def. frec. lím = P (X x) = F n X(x) n Función Distribución. Interpretación Frecuencial P(X x) x
12 Propiedades Función Distribución. Propiedades 1 F X ( ) = lím x F X (x) = F X ( ) = lím x F X (x) = 1 2 FD es no decreciente 3 FD es continua por la derecha x 1 < x 2 F X (x 1 ) F X (x 2 ) F X (x + ) = lím F X (x + ɛ) = F X (x) ɛ ɛ> 4 P ({X = x }) = F X (x ) F X (x ) F X(x ) = lím ɛ,ɛ> F X (x ɛ) 5 x 1 < x 2 P (x 1 < X x 2 ) = F X (x 2 ) F X (x 1 ) P (x 1 X x 2 ) = F X (x 2 ) F X (x 1 ) P (x 1 < X < x 2 ) = F X (x 2 ) F X(x 1 ) P (x 1 X < x 2 ) = F X (x 2 ) F X(x 1 ) *Observación: si x 1 < x 2 y F X (x 1 ) = F X (x 2 ) (x 1, x 2 ) Ω X = 6 P (X > x) = 1 F X (x)
13 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
14 Clasificación de Variables Aleatorias Variables Aleatorias Continuas Definición: X v.a. continua F X(x) continua { F X(x) = F X(x + ) = F X(x ) } Si X es continua Ω X es infinito no numerable Propiedad: P (X = x ) = F X (x ) F X (x ) = Ejemplo Un circuito requiere un resistencia de valor (91Ω 19Ω) Se emplea una resistencia estándar de 1KΩ y tolerancia 1 % x < 9 x 9 F X(x) = 9 x x > 11 Probabilidad: P (91 < X 19) = F X(19) F X(91) =.9
15 Clasificación de Variables Aleatorias Variables Aleatorias Discretas Definición: X v.a. discreta F X(x) escalonada, Ω X discreto N N F X(x) = P (X = x i) u(x x i) P (X = x i) = F X( ) = 1 }{{} i=1 i=1 función escalón Propiedades: P (X = x i) = F X(x i) F X(x i ) P (x i 1 < X < x i) = F X(x i ) FX(xi 1) = (xi 1, xi) ΩX = Ejemplo: Baraja española Variables Aleatorias Mixtas Mezcla de las dos anteriores Función Distribución no escalonada pero con discontinuidades. Ω X continuo. x, P (X = x ) = F X(x ) F X(x ) Ejemplos?
16 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
17 Definición Función densidad de probabilidad (fdp) Definición: Dada una F X (x) ligada a una v.a. X, se define la fdp como f X (x) = df X(x) dx Casos particulares: Si X v.a. continua No hay problemas con la derivada. a Si X v.a. discreta No existe la derivada en Ω X f X (x) = N i=1 P (X = x i ) du(x x i) dx = N i=1 P (X = x i ) δ(x x i ) }{{} Delta de Dirac a Aunque en ciertos puntos no sea derivable, dichos puntos carecen de interés.
18 Definición Delta de Dirac δ(x)dx = 1 g(x) δ(x) = g(x) g(x) = δ(t)g(x t)dt u a (x) u(x) 1 1 a/2 a/2 x δ a (x) x δ(x) 1/a a/2 a/2 x x
19 Ejemplos Función Densidad de Probabilidad (fdp) Ejemplo: Resistencia de 1K ± 1 % F X (x) = x < 9 x x 11 1 x > 11 f X (x) = x < < x < 11 x > 11 Función Distribución. P(X x) Función Densidad de Probabilidad (fdp) 1 1/ x x
20 Ejemplos Función Densidad de Probabilidad (fdp) Ejemplo: Baraja española Ω X = {1, 2,..., 7, 1, 11, 12} F X (x) = x i Ω x 1 1 u(x x i) f X (x) = x i Ω x 1 1 δ(x x i) Función Distribución. P(X x) x 1/1 Función Densidad de Probabilidad (fdp) x
21 Propiedades Función Densidad de Probabilidad (fdp) Propiedades: 1 f X(x) x R 2 fx(x)dx = 1 3 F X(x) = x fx(t)dt 4 P (x 1 < X x 2) = F X(x 2) F X(x 1) = x 2 f X(x)dx 5 Si X es una v.a. continua f X(x) = dfx(x) dx x 1 def. deriv. F X(x + x) F X(x) = lím = x x x> P (x < X x + x) Prob. intervalo = lím = x x long. intervalo x>
22 Propiedades Función Densidad de Probabilidad (fdp) Interpretación frecuencial: N realizaciones de v.a. X n x: n o de resultados pertenecientes a un intervalo de longitud x P X (x X x + x) f X (x) x n x/n P(x X x+δx)/δx N=1, Δx=1 Histograma fdp x
23 Propiedades Función Densidad de Probabilidad (fdp) Interpretación frecuencial: N realizaciones de v.a. X n x: n o de resultados pertenecientes a un intervalo de longitud x P X (x X x + x) f X (x) x n x/n P(x X x+δx)/δx N=1, Δx=.5 Histograma fdp x
24 Propiedades Función Densidad de Probabilidad (fdp) Interpretación frecuencial: N realizaciones de v.a. X n x: n o de resultados pertenecientes a un intervalo de longitud x P X (x X x + x) f X (x) x n x/n P(x X x+δx)/δx N=1, Δx=.1 Histograma fdp x
25 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
26 Distribuciones Continuas Distribución Uniforme f X(x) = { 1 x 2 x 1 x 1 x x 2 resto Ω X = [x 1, x 2 ] x < x 1 x x F X(x) = 1 x 2 x 1 x 1 x x 2 1 x > x 2 Distribución uniforme (fdp) Distribución uniforme (FD) K 1 x1 x x2 x1 x x2
27 Distribuciones Continuas Distribución Exponencial Ω X = [, ) parámetro c { ce cx x f X(x) = x < { 1 e cx x F X(x) = x < Distribución exponencial (fdp) Distribución exponencial (FD) c 1 1/c 2/c 3/c 4/c 5/c x 1/c 2/c 3/c 4/c 5/c x
28 Distribuciones Continuas Distribución Gaussiana o Normal Ω X = (, ) parámetros η, σ N (η, σ) f X(x) = 1 x e (x η)2 2σ 2 F X(x) = f(u)du 2πσ.6.4 Distribución Gaussiana (fdp) η=, σ 2 =1 η=, σ 2 =.5 η=, σ 2 =2 η=2, σ 2 = Distribución Gaussiana (FD) η=, σ 2 =1 η=, σ 2 =.5 η=, σ 2 =2 η=2, σ 2 = x x
29 Distribuciones Continuas Distribución Gaussiana o Normal Caso Particular: η =, σ = 1 Caso General: N (η, σ) F X(x) = 1 2πσ x F X(x) = G(x) = 1 2π x e (u η)2 2σ 2 du = t= u η σ e u2 2 du x η 1 σ 2π e t2 2 dt = G( x η σ ) Otras funciones Función error: erf(x) = 1 x e t2 2 dt = G(x) 1 2π 2 Función Q: Q(x) = 1 e t2 2 dt = 1 G(x) = G( x) 2π x
30 Distribuciones Continuas G(x) Segunda cifra decimal del valor de x x
31 Distribuciones Discretas Distribución de Bernoulli Ω X = {, 1} P (X = x) = { p x = 1 q = 1 p x = f X(x) = qδ(x) + pδ(x 1) F X(x) = qu(x) + pu(x 1) Distribución de Bernoulli (fdp) Distribución de Bernoulli (FD) 1 p q q 1 x 1 x
32 Distribuciones Discretas Distribución Binomial n ensayos de Bernoulli independientes. Suceso A con p cte. en todos los ensayos. (q = 1 p). X v.a. binomial cuenta el n o de veces que se verifica el suceso A. f X (x) = n k= X = n k= Xi B(n, p) ΩX = {, 1, 2,..., n} ( n k) p k q n k δ(x k) F X (x) = n k= ( n k) p k q n k u(x k) Distribución Binomial (fdp). n=1, p=.4 1 Distribución Binomial (FD). n=1, p= x x
33 Distribuciones Discretas Distribución Binomial Propiedades: F X(n) = 1 (a + b) n T a Binomial = Aproximación: p constante y n : n k= ( n k) a k b n k p + q = 1 Aproximable por N (η = np, σ = npq) p, n, np = a = cte: Aproximable por Poisson de parámetro a
34 Distribuciones Discretas Distribución de Poisson f X (x) = Ω X = {, 1, 2,...} = N + parámetro a > P(a) k= P (X = k) = e a a k k! a ak e k! δ(x k) F X (x) = a ak e u(x k) k! k= Distribución de Poisson (fdp). a=4 1 Distribución de Poisson (FD). a= x x
35 Distribuciones Discretas Distribución de Poisson Propiedades: F X( ) = 1 k= a ak e k! = e a e a = 1 Aproximación de la distribución Binomial: ( n lím p n k) k q n k n(n 2) (n k + 1) = lím n k! p np=a = ak k! = ak k! lím n lím n n n 1 n n n k + 1 n ( 1 a ) n = e a ak n k! ( a n ) k ( 1 a n ) n k = ( 1 a ) k ( 1 a ) n = n n Regla heurística: n 1, p 1 y a = np < 5
36 Distribuciones Discretas Ejemplo Distribución Binomial Distribución Binomial B(n = 1, p =.3) B(n = 1, p =.2) Aproximación: P(3) Aproximación: N (2, 4).25.2 Distribución Binomial (fdp) Binomial B(1,.3) Poisson P(3).1.8 Distribución Binomial (fdp) Binomial B(1,.2) N(2,4).15.6 fdp fdp x x
37 Distribuciones Discretas Ejemplo Dispositivo electrónico: n componentes con fallos independientes. Componentes con tiempo de vida exponencial de parámetro c Distribución del n o de componentes que fallan en [, t ] X i v.a. fallo componente i-ésimo { 1 fallo X i = no fallo Ω Xi = {, 1} n repeticiones independientes ensayo Bernoulli (prob. cte.) X v.a. n o fallos: Binomial B(n, p) X = N i=1 Xi T v.a. tiempo de vida de un componente { ce ct t f T (t) = p = P (T t t < ) = F T (t ) = 1 e ct P (X = k) = ( ) n (1 e ct ) k ( e ct ) n k k =, 1,..., n k
38 Distribuciones Discretas Ejemplo Prob. de fallo de un componente en un año es 1 3, Prob. de que de 1 componentes ninguno falle en 2 años?: P (T 1 año) = 1 3 = F T (1) = 1 e c c 1 3 años 1 P (T 2 años) = F T (2) = 1 e = = p X B(n, p) con n = 1, p =.2 P ( fallos en 2 años ) = P (X = ) = ( ) n p q n = e Aproximación mediante v.a. Y Poisson (n 1, p 1, a 2 < 5) P (Y = k) = e a a k k! P (Y = ) = e a = e 2
39 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
40 Distribuciones Condicionales Distribución Condicional Definición: Se define la Función Distribución Condicional de una v.a. X dado que se verifica el suceso M como F X(x M) = P ({X x} M) = P ({X x} M) P (M) Función Densidad de Probabilidad (fdp) Condicional Definición: f X(x M) = dfx(x M) dx P ({x < X x + x} M) = lím x x x> Propiedades Ambas funciones cumplen todas las propiedades de las funciones distribución y densidad
41 Distribuciones Condicionales Ejemplo Variable aleatoria X. Se verifica el suceso M = {b < X a}. F X(x M) = F X(x b < X a) = Función Distribución Condicionada x a: P ({X x} {b < X a}) P ({b < X a}) {X x} {b < X a} = {b < X a} F X (x M) = 1 b x < a: x < b: {X x} {b < X a} = {b < X x} F X (x M) = P ({b < X x}) P ({b < X a}) = F X(x) F X (b) F X (a) F X (b) {X x} {b < X a} = F X (x M) =
42 Distribuciones Condicionales Ejemplo fdp condicionada: f X(x b < x a) = f X(x) F X(a) F X(b) b x < a fdp condicionada f X (x)=n(,1) f X (x b<x a) b= 1 a=.5 x
43 Teoremas de la Probabilidad Total y de Bayes Recordemos... P (B) A i partición = P (B A i)p (A i) i P (A B) = P (B A)P (A) P (B) Analizemos P (A B) = P (B A)P (A)/P (B) B = {X x} B = {x 1 < X x 2} B = {X = x} P (A X x) = FX(x A) F X(x) P (A) P (A x 1 < X x 2) = FX(x2 A) FX(x1 A) P (A) F X(x 2) F X(x 1) fx(x A) P (A X = x) = lím P (A x < X x + x) = x f P (A) X(x)
44 Teoremas de la Probabilidad Total y de Bayes Teorema de la Probabilidad Total Teorema: Sea < Ω, F, P > ligado a ε y {A 1, A 2,..., A N } partición de Ω F X(x) = B={X x} i=1 N N F X(x A i)p (A i) f X(x) = f X(x A i)p (A i) i=1 Teorema de la Probabilidad Total (Versión continua) P (A) = P (A X = x)f X(x)dx Teorema de Bayes (Versión continua) f X(x A) = P (A X = x) f X(x) = P (A) P (A X = x)f X(x) P (A X = x)fx(x)dx
45 Teoremas de la Probabilidad Total y de Bayes Ejemplo T : v.a. exponencial tiempo de vida de un componente { ce ct t f T (t) = t < { 1 e ct t F T (t) = t < P ({ fallo antes de t 1 segundos }) = P (T t 1) = F T (t 1) = 1 e ct 1 En un instante t se comprueba que un componente sigue funcionando. Cual es la probabilidad de que falle antes de t 1 segundos adicionales? P (t < T t + t 1 T > t ) = P ({t < T t + t 1 } {T > t }) P (T > t ) = P (t < T t + t 1 ) 1 P (T t ) = e ct (1 e ct 1) e ct La v.a. exponencial es Sin Memoria = = F T (t + t 1 ) F T (t ) 1 F T (t ) = 1 e ct 1 = F T (t 1 ) =
46 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
47 Media y Varianza de Variables Aleatorias Media de una Variable Aleatoria Definición: Dada una v.a. X se define su media como η = E[X] = xf X(x)dx Interpretación frecuencial η = i p i x i i n xi n x i = 1 n n xi x i i Media Condicional E[X M] = xf X (x M)dx Otras medidas: Moda: Valor x m que maximiza f X(x m). Mediana: x m Ω X es mediana de X sii F X(x m) = 1/2
48 Media y Varianza de Variables Aleatorias Varianza de una Variable Aleatoria Definición: Dada una v.a. X se define su varianza como σ 2 = Var[X] = E[(X η) 2 ] = (x η) 2 f X(x)dx Se puede ver como una medida de la dispersión en torno a la media. Además: σ 2 = (x η) 2 f X (x)dx = (x 2 + η 2 2xη)f X (x)dx = = x 2 f X (x)dx η 2 Desviación típica: σ = Var[X] (unidades de X)
49 Ejemplos Variables aleatorias continuas Variable Aleatoria Uniforme: { 1 f X(x) = x 2 x 1 x 1 x x 2 resto Media: η = xf X (x)dx = x2 x x 2 x 2 x dx = x 2 x 1 x 2 x 1 2 = x 1 + x 2 x 1 2 Varianza: x2 σ 2 = x 2 f X (x)dx η 2 = x 2 1 dx (x 1 + x 2 ) 2 = x 1 x 2 x 1 4 Interpretación: = x3 2 x3 1 3(x 2 x 1 ) (x 1 + x 2 ) 2 = = (x 2 x 1 ) fdp simétrica media en el centro A menor (x 2 x 1) menor dispersión menor σ 2
50 Ejemplos Variables aleatorias continuas Variable Aleatoria Exponencial: { ce cx x f X(x) = x < Media: η = xf X (x)dx = c Varianza: σ 2 = x 2 f X (x)dx η 2 = c Interpretación: xe cx Int. partes dx = 1 c x 2 e cx 2 Int. partes 1 dx η = c 2 Al aumentar c f X(x) decrece más rápidamente. Al aumentar c valores más probables en torno a cero. Al aumentar c menor dispersión.
51 Ejemplos Variables aleatorias continuas Variable Aleatoria Gaussiana: N (a, b) f X(x) = 1 e (x a)2 2b 2 2πb Media: η = 1 2πb = 1 2π = ag( ) = a xe (x a)2 2b 2 dx bte t2 2 dt }{{} por impar t= x a b = + 1 (bt + a)e t2 2 bdt = 2πb ae t2 2 dt = a 1 2π e t2 2 dt =
52 Ejemplos Variables aleatorias continuas Variable Aleatoria Gaussiana: N (a, b) Varianza: Sabemos que: 1 e (x a)2 2b 2 dx = 1 2πb derivando respecto a b Finalmente: Interpretación: (x a) 2 b 3 e (x a) 2 2b 2 dx = 2π σ 2 = (x a) 2 1 e (x a)2 2b 2 dx = b 2 2πb Gaussiana centrada en η = a σ = b controla la dispersión en torno a a e (x a)2 2b 2 dx = 2πb
53 Ejemplos Variables aleatorias discretas Variable Aleatoria de Bernoulli: Ω X = {, 1} P (X = 1) = p P (X = ) = q = 1 p f X(x) = qδ(x) + pδ(x 1) Media: Varianza: η = xf X (x)dx = i σ 2 = i p i x i = q + p1 = p p i x 2 i η2 = q 2 + p1 2 p 2 = pq Interpretación: Media en p Máxima varianza para p = 1 2
54 Ejemplos Variables aleatorias discretas Binomial: B(n, p) Ω X = {, 1,..., n} P (X = k) = Partiremos del Binomio de Newton: derivando respecto a p: y multiplicando por p (p + q) n = n(p + q) n 1 = np(p + q) n 1 = n k= n k= ( n k) p k q n k ( n k) kp k 1 q n k n k= ( n k) kp k q n k ( ) n p k q n k k
55 Ejemplos Variables aleatorias discretas Binomial: B(n, p) Media: η = n ( n kp k) k q n k n 1 p+q=1 = np(p + q) = np k= Para obtener la varianza volvemos a derivar y multiplicar: n ( n(p + q) n 1 + np(n 1)(p + q) n 2 n = k k) 2 p k 1 q n k Varianza: Observaciones: k= np [ (p + q) n 1 + p(n 1)(p + q) n 2] n ( n = k k) 2 p k q n k σ 2 p+q=1 = n k= k= ( n k) k 2 p k q n k η 2 = np(1 p) = npq Media y varianza como Bernoulli multiplicadas por n Técnica de derivar y multiplicar frecuente en el cálculo de η y σ 2
56 Ejemplos Variables aleatorias discretas Poisson: P(a) Ω X = N + Partimos del desarrollo en serie derivando y multiplicando por a Media: e a = P (X = k) = e a a k k= η = k ak 1 k! k= e a = k= a k k! k! a ae a = k =, 1,... k= a ak ke k! = e a ae a = a k ak k!
57 Ejemplos Variables aleatorias discretas Poisson: P(a) Ω X = N + P (X = k) = e a a k k! k =, 1,... Para obtener la varianza volvemos a derivar y multiplicar Varianza: Interpretación e a + ae a = k= σ 2 = i k 2 ak 1 k! p i x 2 i η2 = a ae a (1 + a) = k= = e a ae a (1 + a) a 2 = a k 2 a ak e k! a2 = Al disminuir a f X(x) se concentra en torno a Aproximación de B(n, p), np = a k= k 2 ak k!
58 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función Densidad de Probabilidad 5 Distribuciones Prácticas 6 Distribuciones Condicionales 7 Media y Varianza de Variables Aleatorias 8 Desigualdad de Chebychev
59 Desigualdad de Chebychev Desigualdad de Chebychev Sea X una variable aleatoria con media η y varianza σ 2, se tiene P ( X η ɛ) σ2 ɛ 2 ɛ En función del suceso contrario: P ( X η < ɛ) 1 σ2 ɛ 2 ɛ=kσ P ( X η < Kσ) 1 1 K 2 Aproximación general pero muy conservadora. Demostración: η ɛ P ( X η ɛ) = f X (x)dx + f X (x)dx = f X (x)dx η+ɛ x η ɛ σ 2 = (x η) 2 f X (x)dx (x η) 2 f X (x)dx x η ɛ ɛ 2 f X (x)dx = ɛ 2 P ( X η ɛ) x η ɛ
60 Desigualdad de Chebychev Ejemplo Calcular P ( X η < Kσ) Desigualdad de Chebychev: Distribución Gaussiana N (η, σ) P ( X η < Kσ) 1 1 K 2 P ( X η < Kσ) = P (η Kσ < X < η + Kσ) = = F X (η + Kσ) F X (η Kσ) = = G(K) G( K) = 2G(K) 1
61 Desigualdad de Chebychev Ejemplo Calcular P ( X η < Kσ) Distribución Uniforme en [x 1, x 2] x < x 1 x x F X (x) = 1 x 1 + x 2 x x 2 x 1 < x < x 2 1 η = 2 1 x > x 2 Asumimos entonces: P ( X η < Kσ) = F X (η + Kσ) F X (η Kσ) { η + Kσ x2 η Kσ x 1 σ 2 = (x 2 x 1 ) 2 12 P ( X η < Kσ) = η + Kσ x 1 η Kσ x 1 = 2Kσ = K x 2 x 1 x 2 x 1 x 2 x 1 3 { K 3 < K < 3 P ( X η < Kσ) = 1 K > 3
62 Desigualdad de Chebychev Ejemplo Desigualdad de Chebychev 1.86 P( X η <Kσ).68 Chebychev Dist. Uniforme Dist. Gaussiana K 3 4
63 Resumen Matemáticas Desarrollo en serie Binomio de Newton Límite: e a = (p + q) n = k= n k= a k k! ( ) n p k q n k k ( lím 1 a ) n = e a n n
64 Resumen Matemáticas Serie Geométrica: a k+1 = a k r con r < 1 a k = an 1 r k=n Progresión Aritmética: a k+1 = a k + d Integración por partes. n a k = k=1 an + a1 n 2 Derivar y multiplicar (media y varianza de v.a. discretas).
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesProcesos 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 detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesTema 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 detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesTema 2: VARIABLE ALEATORIA UNIDIMENSIONAL
Tema 2: VARIABLE ALEATORIA UNIDIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho 2D014 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesTeoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesNotas de clase. Prof. Nora Arnesi
Notas de clase Este material está sujeto a correcciones, comentarios y demostraciones adicionales durante el dictado de las clases, no se recomienda su uso a aquellos alumnos que no concurran a las mismas
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
Más detallesCurso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
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 detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesRuido en los sistemas de comunicaciones
Capítulo 2 Ruido en los sistemas de comunicaciones Cuando una señal se transmite a través de un canal de comunicaciones hay dos tipos de imperfecciones que hacen que la señal recibida sea diferente de
Más detallesVARIABLES ALEATORIAS Variable: Característica de los individuos u objetos
1 Definiciones VARIABLES ALEATORIAS Variable: Característica de los individuos u objetos Aleatoria: Azar 1. Una variable aleatoria ( v.a.) es una función que asigna un número real a cada resultado en el
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más detallesEstadística Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2011 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1 1. Las Definiciones de Probabilidad 2. Variables Aleatorias 3. Función de Densidad
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesVariables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
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 detallesVariables aleatorias continuas
Variables aleatorias continuas VARIABLE ALEATORIA UNIFORME Definición Se dice que una variable X tiene una distribución uniforme en el intervalo [a;b] si la fdp de X es: 1 si a x b f(x)= b-a 0 en otro
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesEvAU 2018 Propuesta A
} EvAU 018 Propuesta A Castilla-La Mancha } Ejercicio 1. a) Enuncia el teorema de Bolzano y justifica razonadamente que la gráfica de la función fx) = x 15 + x + 1 corta al eje OX al menos una vez en el
Más detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesPor: Dra. Victoria Serrano
Por: Dra. Victoria Serrano Una variable aleatoria es una función que asigna un número real X ζ a cada resultado ζ en el espacio muestral S de un experimento aleatorio S X ζ = x ζ x línea real S X Una moneda
Más detallesTema 5: Modelos probabilísticos
Tema 5: 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 detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesEstadística I Tema 4: Probabilidad y modelos probabiĺısticos
Estadística I Tema 4: Probabilidad y modelos probabiĺısticos Tema 4. Probabilidad y modelos probabiĺısticos Contenidos Probabilidad: Experimentos aleatorios, espacio muestral, sucesos elementales y compuestos.
Más detallesTema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos
Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos. Introducción En este Tema 6. construiremos y estudiaremos una serie de parámetros o características
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más 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 detallesTema 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 detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesPor ejemplo, consideremos el experimento de lanzar una moneda. Tenemos que Ωáguila, sol. Podemos definir la variable aleatoria X como:
Las variables aleatorias son una herramienta que permite traducir los posibles resultados de un experimento aleatorio en números reales. Definiremos a una variable aleatoria como una función X : Ω R tal
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesEl primer momento centrado en el origen (k=1) es la esperanza matemática de X
MOMENTO K-ÉSIMO PARA UNA VARIABLE ALEATORIA DISCRETA RESPECTO DEL ORIGEN E(x) n i 1 k x i.p x i El primer momento centrado en el origen (k=1) es la esperanza matemática de X También se definen momentos
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Experimento aleatorio Probabilidad Definición variable aleatoria: discretas y continuas Función de distribución y medidas Distribución Binomial Distribución de Poisson Distribución
Más detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com @hpoveda7 Prólogo Las diapositivas que se presentan a continuación resumen los conceptos más relevantes de probabilidad: enumeraciones,
Más detallesModelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
Más detallesGRADO 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 detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA SEMESTRE ASIGNATURA 3er. PROBABILIDAD Y ESTADÍSTICA CÓDIGO HORAS
Más detallesEstadística LTA - Principios de estadística 2017
Estadística Probabilidad Experimento: Desde el punto de vista de probabilidades será "cualquier acto que pueda repetirse en igualdad de condiciones". Ej. Arrojar una vez un dado. Espacio Muestral: Es el
Más detallesDónde estamos? VARIABLES ALEATORIAS
Dónde estamos? VARIABLES ALEATORIAS DESCR. CÁLC. P. INFERENCIA CONCEPTOS BÁSICOS DE V.A. V.A. DISCRETAS V.A. CONTINUAS MEDIDAS CARACTERÍSTICAS TRANSFORMACIÓN DE V.A. 98 Probabilidad 988 Variables aleatorias
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detalles