4 Variables aleatorias discretas
|
|
- Paula Cordero Franco
- hace 7 años
- Vistas:
Transcripción
1 4 Variables aleatorias discretas Al realizar un experimento aleatorio, muchas veces no estamos interesados en el resultado, sino en una función del mismo. Por ejemplo si tiramos dos veces un dado, podemos estar interesados en saber cuál es la suma, cuántas veces salió un valor en particular, cuál es el máximo de los dos valores observados, etc. Una variable aleatoria es una función que a cada elemento del espacio muestral, le hace corresponder un número. Ejemplos: 1) Se tira un dado dos veces y se observa X = el número de veces que sale as 2) Se tira un dado dos veces y se observa Y = el máximo de los dos valores 3 )Se tira una moneda hasta que sale cara y se de ne Z = el número de tiradas necesarias 4) Se enciende una lámpara y se observa T = el tiempo hasta que se quema Todas estas son variables aleatorias, si consideramos el conjunto de valores que puede tomar cada una de estas variables vemos que: v X = f0; 1; 2g v Y = f1; 2; 3; 4; 5; 6g v Z = f1; 2; 3; :::g v T = (0; 1) En los dos primeros ejemplos el conjunto de valores es nito, en el tercero es in nito numerable y en el cuarto es no numerable. Cuando el conjunto de valores que toma una variable aleatoria es nito o numerable, la variable se denomina discreta. Las variables X, Y y Z de nidas anteriormente son v. a. discretas. Una variable aleatoria continua puede tomar cualquier valor en un continuo, la T es una v.a.continua. Por el momento nos dedicaremos a estudiar las v. as. discretas. Utilizaremos la siguiente notación: (X = a) es un evento de, que está formado por todos los resultados para los que la variable X toma el valor a. En el primer ejemplo: 12
2 (X = 0) = (X = 1) = 8 >< (X = 3) = f(1; 1)g (2; 2); (2; 3); :::; (2; 6); (3; 2); (3; 3); :::; (3; 6); ::: (6; 2); (6; 3); :::; (6; 6) 9 >= >: >; (1; 2); (1; 3); (1; 4); (1; 5); (1; 6); (2; 1); (3; 1); (4; 1); (5; 1); (6; 1) Si el espacio es equiprobale, es fácil ver que: En el segundo ejemplo (Y = 1) = f(1; 1)g P (X = 0) = 25=36 P (X = 1) = 10=36 P (X = 2) = 1=36 (Y = 2) = f(1; 2); (2; 1); (2; 2)g (Y = 3) = f(1; 3); (3; 1); (2; 3); (3; 2); (3; 3)g (Y = 4) = f(1; 4); (4; 1); (2; 4); (4; 2); (3; 4); (4; 3); (4; 4)g etc Del mismo modo se pueden calcular las probabilidades P (Y = y), para valores de y = 1; 2; 3; 4; 5; 6 Función de distribución. La función de distribución de una variable aleatoria X se de ne como F (x) = P (X x) para todo x: Evidentemente es una función no decreciente y cumple para todo a < b P (a < X b) = F (b) F (a): 13
3 Función de frecuencia. La función de frecuencia de una variable aleatoria discreta X es f(x) = P (X = x): Permite calcular probabilidades referidas a la X: P (a X b) = X f(x) 8 a; b; axb donde la suma es sobre los valores x que toma X: La función de frecuencia cumple f(x) 0; X x f(x) = 1; (6) Se relaciona con la función de distribución a través de F (x) = P (X x) = X kx f(k): Es evidente, entonces, que la función de distribución de una variable aleatoria discreta es escalonada, con saltos en los valores que toma la variable y constante en el resto. La función de frecuencia de la v.a.x del ejemplo está dada por: x p(x) 25=36 10=36 1=36 Se puede ver que veri ca (6). La función de distribución para esta variable es: si x < 0 >< >= 25=36 si 0 6 x < 1 F (x) = 35=36 si 1 6 x < 2 >: >; 1 si x > 2 La función de frecuencia de la Y del ejemplo se muestra en la siguiente tabla: y p(y) 1=36 3=36 5=36 7=36 9=36 11=36 14
4 Que también veri ca (6). La función de distribución para esta variable es: 0 si x < 1 1=36 si 1 x < 2 4=36 si 2 x < 3 F (x) = 9=36 si 3 x < 4 16=36 si 4 x < 5 25=36 si 5 x < 6 1 si x 6 La probabilidad de cualquier evento que se relacione con el máximo de las dos tiradas puede calcularse usando la función de distribución. por ejemplo: sean A el evento el máximo de las dos tiradas es al o sumo 3, B el máximo de las dos tiradas es 4, C el máximo es mayor que 2 y menor que 5 P (A) = P (X 3) = F (3) = 9=36 P (B) = P (X = 4) = P (X 4) P (X 3) = F (4) F (3) P (C) = P (2 < X < 5) = P (2 < X 4) = F (4) F (2) Variables aleatorias independientes. El ejemplo de las dos mesas de ruleta dado anteriormnte motiva la siguiente de nición: Las variables X; Y son independientes si para todo a; b; los eventos (X a) y (Y b) son independientes. Para variables aleatorias discretas, la de nición de independencia es eqivalente a: para todo a; b; los eventos (X = a) y (Y = b) son inependientes. Esta noción será útil para representar los resultados de experimentos que no se in uyen mutuamente. Realice los ejercicios de 1 a Distribución binomial Supongamos que en un hospital hay 3 pacientes internados con determinada enfermedad, a los cuales se les aplica el mismo tratamiento (estos individuos no son parientes). Supongamos que la probabilidad de que un individuo sane en una semana de tratamiento es p. Sea Y el número de individuos que sanan en una semana de tratamiento. Y puede tomar los valores 0 (ninguno 15
5 sana en una semana), 1, 2 o 3 (todos sanan en una semana). Los posibles resultados y sus respectivas probabilidades se resumen en la siguiente tabla. Pac 1 Pac 2 Pac 3 Valor de Y Probabilidad de este resultado N N N 0 (1 p)(1 p)(1 p) = (1 p) 3 S N N 1 p(1 p)(1 p) = p(1 p) 2 N S N 1 (1 p)p(1 p) = p(1 p) 2 N N S 1 (1 p)(1 p)p = p(1 p) 2 S S N 2 pp(1 p) = p 2 (1 p) S N S 2 p(1 p)p = p 2 (1 p) N S S 2 (1 p)pp = p 2 (1 p) S S S 3 ppp = p 3 Si nos interesa unicamente saber cuantos pacientes sanan en la primera semana de tratamiento (el valor de Y), y las respectivas probabilidades, se puede resumir aun más. Valor de Y Probabilidad 0 (1 p) 3 1 3p(1 p) 2 2 3p 2 (1 p) 3 p 3 esta es una manera de expresar la función de frecuencia de la variable aleatoria Y. Este es un caso particular de la distribución binomial, en general si tenemos n repeticiones de un ensayo que puede tener solo dos resultados, que se suelen llamar éxito y fracaso, la probabilidad de éxito p, es la misma en cada repetición y los resultados de cada repetición son independientes, la variable aleatoria que cuenta el número de éxitos en los n ensayos tiene distribución binomial con parámetros n y p (X s B(n; p)) Se puede demostrar que su función de frecuencia es n f(k) = P (X = k) = p k (1 p) n k (k = 0; 1; :::; n): k En el ejemplo dado anteriormente, cada paciente se considera un ensayo: para cada paciente los posibles resultados son S (sana en una semana de tratamiento) y N (no sana en una semana de tratamiento); la probabilidad 16
6 de sanar es p, la misma para cada individuo; y los resultados de los diferentes individuos son independientes. X s B(3; p); donde p es la probabilidad de que un individuo sane en una semana de tratamiento. La distribución binomial es también útil cuando se toman muestras de una población nita. Supongamos por ejemplo una población de N = personas, de las cuales M = 4000 son fumadores. Se toma una muestra aleatoria de n = 50 personas; sea X la cantidad de fumadores en la muestra. Entonces la distribución de la variable aleatoria X es aproximadamente binomial con n = 50 y p = M=N = 0:4: Esto se puede aplicar en general cuando el tamaño N de la población es grande. Realice los ejercicios de 6 a Distribución de Poisson Una variable aleatoria que toma los valores 0; 1; 2; : : : se dice que tiene distribución de Poisson con parámetro > 0, (X s P ()) si su función de frecuencia está dada por: f(k) = P (X = k) = e k (k = 0; 1; 2; : : :) k! La distribución de Poisson sirve para modelizar el número Y de eventos raros que ocurren en el tiempo o en el espacio. Por ejemplo el número de partículas emitidas por una sustancia radiactiva en un intervalo de tiempo, el número de accidentes industriales ocurridos en un período, el número de bacterias en un volumen de agua, el número de árboles de determinada especie distribuidos aleatoriamente en un área, etc. Algunos de esos ejemplos son procesos temporales, interesa conocer cuántas veces ocurre un evento en un intervalo de tiempo; y otros son procesos espaciales, interesa conocer cuántos puntos hay en un volumen o un área. Se denomina proceso temporal de Poisson cuando cumple las siguientes características: Invariancia: Las condiciones no cambian en el tiempo. Falta de memoria: Lo que sucede en el intervalo de tiempo [0; t) no in uye en lo que suceda en el intervalo [t; t 0 ) para t 0 > t: 17
7 Sucesos aislados: La probabilidad de que en un intervalo de tiempo muy corto ocurra más de una vez el evento, es despreciable comparada con la probabilidad de que ocurra una o ninguna vez. Para un proceso de este tipo, si X t es la variable aleatoria que mide el número de veces que ocurre el evento en un intervalo de tiempo de longitud t, puede verse que X t es una variable aleatoria discreta cuya función de frecuencia está dada por: ct (ct)k f(k) = e k! entonces X t tiene distribución de Poisson con parámetro = ct, donde c es una constante positiva que está relacionada con el tipo de proceso. Las características de un proceso espacial de Poisson se pueden expresar como: Homogeneidad espacial: La probabilidad de que un punto esté en una región dada, sólo depende del tamaño de esa región (área o volumen) y no de su forma o posición. No interacción: lo que ocurre en una región es independiente de lo que ocurre en otra, si no se superponen. La variable aleatoria X a que mide el número de puntos en una región de área o volumen a, tiene distribución de Poisson con parámetro = ca Ejemplo 4.1 Suponga que estamos midiendo la emisión de partículas radiactivas, y que este es un proceso de Poisson con tasa 6 por minuto. Cuál es la probabilidad de que en un período de 1/2 minuto ocurran al menos dos emisiones? Si X es la variable aleatoria que mide el número de emisiones en 1/2 minuto, esta tiene distribución de Poisson con = 6 0:5 = 3. P (X 2) = 1 P (X < 2) = 1 (P (X = 0) + P (X = 1)) = = 1 e 3 ( 30 ) = 1 0:05(1 + 3) = 1 0:2 = 0: ! 1! Ejemplo 4.2 La distribución de plantas de cierta especie en una zona sigue un proceso de Poisson con una tasa de 6 plantas por metro cuadrado. De qué medida debe ser tomado el radio r de una región circular de muestreo para que la probabilidad de hallar al menos una planta de esa especie en la región de muestreo sea 0:99? 18
8 Si la región de muestreo es circular de radio r, el área de esa región es a = r 2, y la variable aleatoria X a que mide el número de plantas en esa región tendrá distribución de Poisson con = 6 r 2, entonces P (X > 0) = 1 P (X = 0) = 1 exp( 6r 2 ) 0:99 y despejando: r 2 ln 0:01=6 =) r 0:4943 Aproximación de Poisson a la binomial En muchas aplicaciones tratamos con una variable aleatoria con distribución binomial donde n es grande y p es pequeña, en esos casos el cálculo de los números combinatorios es sumamente engorroso, y es útil tener alguna aproximación al valor de la probabilidad. Puede demostrarse que en ese caso: n f(k) = p k (1 p) n k ' e k ; donde = np k k! esta aproximación es aceptable si p < 0:10 Ejemplo 4.3 Se sabe que el peso al nacimiento muy bajo (<1500gr), es una de las causas de morbilidad infantil. Se conoce que en determinada población el porcentaje de niños con muy bajo peso al nacimiento es de 1.2%. Si consideramos los 200 nacimientos en un hospital de esa población, cuál es la probabilidad de que el número de recién nacidos con muy bajo peso en ese grupo sea mayor de 3? La variable aleatoria X que cuenta el número de niños con muy bajo peso entre los 200 nacimientos, tiene distribución binomial donde n = 200 y p = 0:012, y se puede aproximar con una Poisson con = 2:4 P (X > 3) = 1 P (X 3) ' 1 e 2:4 (1+2:4+ 2:42 + 2:43 ) = 1 0:7787 = 2! 3! 0:2213 Realice los ejercicios de 9 a Parámetros de una variable aleatoria discreta El valor medio o esperado de una variable aleatoria X se indica con EX y es un promedio ponderado de los valores que toma, cada valor con un peso dado por su probabilidad. Más formalmente, se de ne: 19
9 para una variable discreta con función de frecuencia f; es EX = X x xf(x); donde x recorre todos los valores que toma X: El signi cado intuitivo del valor medio es el siguiente: imaginemos que el experimento se repite un gran número N de veces, y se toma el promedio de los valores de X observados; entonces EX es el límite de esos promedios cuando N! 1: Si X es una variable aleatoria y h es una función cualquiera, h(x) es una variable aleatoria cuya media se calcula como: para una variable aleatoria X discreta con función de frecuencia f Eh(X) = X x h(x)f(x) Una consecuencia inmediata es que el valor medio tiene la propiedad de linealidad: si a; b son constantes E(aX + b) = aex + b: (7) La varianza de X se de ne como var(x) = E(X EX) 2 = EX 2 (EX) 2 Cumple para todo a; b constantes: var(ax + b) = a 2 var(x) La desviación típica de X es una medida de dispersión, de nida como dt(x) = p var(x): Cumple para todo a; b constantes: dt(ax + b) = jaj dt(x): (8) Si X es constante: X c; entonces EX = c y dt(x) = 0: 20
10 Si X tiene media y varianza 2 ; se deduce de (7) y (8) que la variable normalizada (X ) Z = tiene media 0 y varianza 1. En efecto EZ = 1 E(X ) = 1 (EX E) = 1 ( ) = 0; dt(z) = 1 dt(x ) = 1 dt(x) = = 1: Se puede probar que la media y varianza de una variable X con distribución binomial son EX = np; var(x) = np(1 p): (9) y la media y varianza de una variable X con distribución de Poisson son EX = ; var(x) = (10) El cuantil- de la variable X con función de distribución F es el número x() tal que F (x()) = : Los cuantiles para =0.50, 0.25 y 0.75 se llaman mediana y cuartiles de X: El cuantil de digamos = 0:45 se suele llamar también el percentil del 45%. Realice el resto de los ejercicios. 21
11 Práctica 2 1. Sea X una varable aleatoria que toma los valores f0; 1; 2; 3; 4g (a) Cuál de las siguientes tres funciones p i (x) es realmente una función de frecuencia legítima para X, y por qué no se permiten las otras dos? x p 1 (x) 0; 3 0; 2 0; 1 0; 05 0; 05 p 2 (x) 0; 4 0; 1 0; 1 0; 1 0; 3 p 3 (x) 0; 2 0; 4 0; 2 0; 3 0; 1 p 4 (x) 0; 4 0; 1 0; 2 0; 1 0; 3 (b) Para la función de frecuencia legítima de la parte a), calcule P (2 X 4); P (X 2); P (X 6= 0) (c) Si p(x) = c(5 x) para x = 0; 1; 2; 3; 4 es otra función de frecuencia cuál es el valor de c? 2. Se lanzan tres monedas, sea X = número de caras observadas (a) Calcular la función de frecuencia de la variable aleatoria X (b) Calcular la función de distribución (c) Calcular E(X) 3. Un bolillero contiene 7 bolillas blancas y 3 negras. Se extraen 3 bolillas, calcular la función de distriución de la variables X = número de bolillas blancas obtenidas, en las dos situaciones siguientes (a) Las extracciones se realizan con reemplazo (b) Las extracciones se realizan sin reemplazo 4. Sea X una variable aleatoria cuya función de distribución está dada por: 0 si x < 1 0; 30 si 1 x < 3 F (x) = 0; 40 si 3 x < 4 0; 45 si 4 x < 6 0; 60 si 6 x < 12 1 si x 12 22
12 (a) Calcular P (3 < X 6); P (X < 6); P (X 4) (b) Calcular la función de frecuencia. 5. Un jugador lanza un dado corriente. Si sale número primo, gana tantos cientos de pesos como marca el dado, pero si no sale número primo, pierde tantos cientos de pesos como marca el dado. Determinar la función de frecuencia de Y = ganancia del jugador y gra que. 6. Un examen con multiple choice está compuesto por 15 preguntas, con 5 respuestas posibles cada una, de las cuales sólo una es correcta. Supóngase que uno de los estudiantes que realiza el examen contesta las preguntas al azar. Cuál es la probabilidad de que conteste correctamente al menos 10 preguntas? 7. Considere un grupo de 7 individuos elegidos de un población de 65 a 74 años de edad. Se conoce que la prevalencia de diabetes en la población de esa edad es de 0; 125. (a) Cuál es la probabilidad de que exactamente 4 de los individuos de la muestra padezca diabetes? (b) Cuál es la probabilidad de que ninguno de los individuos de la muestra padezca diabetes? (c) Cuál es el número esperado de diabéticos en la muestra? 8. El número de solicitudes de asistencia recibido por un servicio de remolque de vehículos es un proceso de Poisson con tasa c = 4 por hora. (a) Calcule la probabilidad de que se reciban 10 solicitudes entre las 16 y las 17 hs. (b) Si los operadores de las grúas se toman un descanso de 30 min. Cuál es la probabilidad de que no se reciba ninguna llamada de asistencia durante ese período? 9. Una compañía de seguros recibe un número medio de 3 reclamos por día. Suponiendo que la distribución del número de reclamos por día es Poisson, (a) calcule la probabilidad de que en un día se reciban menos de 3 reclamos, 23
13 (b) calcule la probabilidad de que en un día se reciban 4 reclamos, (c) calcule la probabilidad de que en 3 de los próximos 5 días, reciba 4 reclamos. 10. Se supone que el número de bacterias en el agua de un estanque es una variable aleatoria X con distribución de Poisson con media de 0,5 bacterias por mm 3 (a) Cuál es la probabilidad de que en un mm 3 de agua del estanque no haya ninguna bacteria? (b) En 4 tubos de ensayo se toman muestras de agua del estanque (1 mm3 de agua en cada tubo). Qué distribución sigue la variable Y = "n de tubos de ensayo, entre los 4, que no contienen bacterias"?. Calcular, aproximadamente, P (Y 2). (c) Si sabemos que en un tubo hay bacterias, cuál es la probabilidad de que haya menos de tres? 11. En cierta ciudad, hay un promedio de 375 parásitos de diversos tipo en 1000 litros de água corriente. Cuál es la probabilidad de encontrar al menos un parásito en 1 litro de água? Modelice la situación 12. Sea X la variable aleatoria que representa la cantidad de niños, en un grupo de 2000, que mueren antes de cumplir el primer año de vida. En determinada población la probabilidad de que un niño muera antes del año es de 0; 0085 (a) Cuál es el número medio de niños en ese grupo que morirá antes del año de vida? (b) Cuál es la probabilidad de que a lo sumo 5 de esos niños mueran antes del año de vida? (c) Cuál es la probabilidad de que mueran entre 15 y 20 de esos niños antes del año de vida? 13. Calcular las medias y varianzas de las variables aleatorias de nidas en los ejercicios (1), (3), (4) y (5). 14. Sea X s B(n; p); para n ja: 24
14 (a) hay valores de p (0 p 1) para los cuales V (X) = 0? (b) para que valores de p se maximiza la V (X)? 15. Consideremos una enfermedad que se detecta mediante una prueba sanguínea (la suponemos exacta); y sea p la probabilidad de que un individuo tenga esa enfermedad. Se seleccionan n individuos para analizar. Primero se toma una parte de cada muestra de sangre, se mezclan estas muestras y se realiza una sola prueba. Si ninguno tiene la enfermedad esta prueba da un resultado negativo y no es necesario hacer más análisis. Si por lo menos un individuo tiene la enfermedad, la prueba de la mezcla dará un resultado positivo, y en ese caso será necesario hacer las n pruebas individuales. (a) Si p = 0; 1 y n = 3, cuál es el número esperado de pruebas utilizando este procedimiento? (b) Y si p = 0; 1 y n = 5? 16. Gra que las funciones de frecuencia de variables aleatorias con distribución binomial, para n = 5 y p = 0; 1, 0; 5 y 0; 9 (utilizar la tabla de probabilidades acumuladas). Observe la simetría para p = 0; 5 y la dirección del sesgo para p = 0; 1 y p = 0; Gra que las funciones de frecuencia de variables aleatorias con distribución de Poisson, para = 0; 5; = 1; 0; = 4; 0 y = 10; 0. (Utilizar la tabla de probabilidades acumuladas). Observe el sesgo en cada caso. 18. La moda de una variable aleatoria X discreta con función de frecuencia f(x) es el valor k para el cual f(x) es máxima (el valor más probable) (a) Sea X s B(n; p), demostrar que la moda x es el entero que satisface (n + 1)p 1 k (n + 1)p (b) Sea X s P (), demostrar que la moda es el máximo entero menor que. Si es entero, demostrar que 1 y ambos son modas. 19. Sean X e Y las variables aleatorias que cuentan el número de veces que sale 1 y el número de veces que sale 6, respectivamente, en 5 tiradas de un dado. Veri car si X e Y son independientes. 25
15 20. Un contrato de compra estipula que el número de artículos efectuosos no debe superar el 10%. Se recibe un gran lote de productos, para inspeccionar la calidad se seleccionan al azar 10 artículos y se considera el lote aceptable cuando hay a lo sumo 2 artículos defectuosos en la muestra seleccionada. Estudiar como varía la probabilidad de aceptación del lote cuando la proporción real de defectuosos es 0; 05; 0; 10; 0; 20; 0; 25 26
4 Variables aleatorias discretas
4 Variables aleatorias discretas Al realizar un experimento aleatorio, muchas veces no estamos interesados en el resultado, sino en una función del mismo. Por ejemplo si tiramos dos veces un dado, podemos
Más detallesMatemática 3 Curso 2013
Matemática 3 Curso 2013 Práctica 3: Variables aleatorias discretas. Funciones de distribución Binomial, Geométrica, Hipergeométrica, Poisson. 1) Dadas las siguientes funciones, determinar cuales son funciones
Más detallesAnálisis de Datos Primera parte
Análisis de Datos 2016 - Primera parte 1 Probabilidades 1.1 De nición y propiedades básicas Consideremos el experimento consistente en realizar un tiro de ruleta. El conjunto de todos los resultados posibles
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detalles6 Modelo de mediciones repetidas
6 Modelo de mediciones repetidas Parámetros de una suma de variables aleatorias Dadas dos variables aleatorias X e Y, la esperanza y varianza de la suma son: E(aX + by ) = ae(x) + be(y ) var(ax + by )
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Año 202 Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria
Más detallesIntroducción 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 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 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 detallesBiometría. Distribuciones de probabilidad para variables aleatorias discretas (Binomial, Hipergeométrica y Poisson)
Biometría Distribuciones de probabilidad para variables aleatorias discretas (Binomial, Hipergeométrica y Poisson) Variable aleatoria El resultado de un experimento aleatorio puede ser descripto en ocasiones
Más detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
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 detallesAnálisis de Datos. 1 Probabilidades. 1.1 De nición y propiedades básicas
Análisis de Datos 1 Probabilidades 1.1 De nición y propiedades básicas Consideremos el experimento consistente en realizar un tiro de ruleta. El conjunto de todos los resultados posibles del mismo, que
Más detallesObjetivos. 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 detallesTema 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 detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
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 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 detalles1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES
1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMAS 14 y 15.- DISTRIBUCIONES DISCRETAS. LA DISTRIBUCIÓN BINOMIAL. DISTRIBUCIONES CONTINUAS. LA DISTRIBUCIÓN NORMAL 1 1.- VARIABLES ALEATORIAS DISCRETAS Concepto
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 detallesDOCUMENTO 2: DISTRIBUCIÓN DE PROBABILIDAD DISCRETA: LA DISTRIBUCIÓN BINOMIAL
DOCUMENTO 2: DISTRIBUCIÓN DE PROBABILIDAD DISCRETA: LA DISTRIBUCIÓN BINOMIAL Como recordarás una variable aleatoria discreta es aquella que sólo puede tomar valores enteros. Ejemplos: puntuación obtenida
Más detallesVariables Aleatorias Discretas
Profesor Alberto Alvaradejo Ojeda 9 de septiembre de 2015 Índice 1. Variable aleatoria 3 1.1. Discretas...................................... 3 1.2. Continuas..................................... 3 1.3.
Más detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
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 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 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 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 detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad de: Binomial, Hipergeometrica y Poisson
Más detallesUNIDAD 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 detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detallesLISTA DE EJERCICIOS PARA ETS DE PROBABILIDAD (IE, ICA, e ISISA)
LISTA DE EJERCICIOS PARA ETS DE PROBABILIDAD (IE, ICA, e ISISA) PROBABILIDAD CONDICIONAL 1. Dados P (A) = 0.4, P (B A) = 0.3 y P (B c A c ) = 0.2, determine: a) P (A c ). b) P (B A c ). c) P (B). d) P
Más detallesApuntes 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 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 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 detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesObjetivos. 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 detalles0 si x<0. si 1 x<2 1 si x 2. si 4 x 6 1 si x>6. 1 e x si x 0
Probabilidades y Estadística (M) Práctica 3 2 cuatrimestre 2004 Variables Aleatorias. Sea X una v.a. con función de distribución (a) F X (x) = 0 si x< 3 4 si 3 x< 3 4 si x
Más detallesNº 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 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 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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento
Más 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 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 detallesJuan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES
Juan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES BIBLIOGRAFÍA Walpole, Ronal E., Myres, Raymond H., Myres, Sharon L.: Probabilidad y Estadística para Ingenieros. McGraw Hill-Interamericana. Canavos
Más detallesProbabilidad Condicional
Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:
Más detallesPROBABILIDAD Y DISTRIBUCIÓN BINOMIAL
Matemáticas 1º CCSS 1 RESUMEN PROBABILIDAD Y DISTRIBUCIÓN BINOMIAL Algunas definiciones La probabilidad es una medida de la posibilidad de que acontezca un suceso aleatorio determinado, asignándosele un
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más 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 detallesMODELOS 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 detallesM. Wiper Estadística 1 / 17. Variables discretas. Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid
M. Wiper Estadística 1 / 17 Variables discretas Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 17 Objetivo Intropducir las variables discretas más importantes
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 detalles1. 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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesMÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PRIMERA CONVOCATORIA Usando el modelo de probabilidad clásico de Laplace:
MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PRIMERA CONVOCATORIA 2011-2012 EJERCICIO 1 (1º) Calcular la probabilidad de que al lanzar dos dados la puntuación de uno de ellos sea menor que la del otro. Usando
Más detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más 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 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 detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2017 Agenda 1 Concepto de probabilidad
Más detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
Más 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 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 detalles10 0,1 12 0,3 14 0, , ,15
1. Una variable aleatoria X puede tomar los valores 30, 40, 50 y 60 con probabilidades 0.4, 0., 0.1 y 0.3. Represente en una tabla la función de probabilidad P(X=x), y la función de distribución de probabilidad,
Más detallesMÓDULO I. TEORÍA DE LA PROBABILIDAD
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
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 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 detallesDISTRIBUCIONES DE PROBABILIDAD. es una representación gráfica que permite visualizar un experimento de pasos múltiples.
es una representación gráfica que permite visualizar un experimento de pasos múltiples. Considere un experimento que consiste en lanzar dos monedas. Defina los resultados experimentales en términos de
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 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 detallesETSI de Topografía, Geodesia y Cartografía
Distribuciones (discretas y continuas) EVALUACIÓN CONTINUA (Tipo I) 14-XII-11 1. Una prueba del examen de Estadística consiste en un cuestionario de 10 preguntas con tres posibles respuestas, solamente
Más detallesBioestadística: Variables Aleatorias. Distribuciones de Probabilidad II
Bioestadística: Variables Aleatorias. Distribuciones de Probabilidad II M. González Departamento de Matemáticas. Universidad de Extremadura 3. El periodo de incubación de una determinada enfermedad se
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 detallesPrincipales leyes de distribución de variables aleatorias
Capítulo 6 Principales leyes de distribución de variables aleatorias 6.1. Introducción Como complemento al capítulo anterior en el que definimos todos los conceptos relativos a variables aleatorias, describimos
Más detallesPROBLEMAS DE ESTADISTICA
ESTADÍSTICA, CURSO 2008 2009 1 PROBLEMAS DE ESTADISTICA 2. DISTRIBUCIONES DE PROBABILIDAD 2 1. Una urna contiene 6 bolas blancas, 4 rojas y 2 azules. Si se extraen 3 bolas sucesivamente sin reemplazamiento,
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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Variables aleatorias Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es
Más detallescontablemente 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 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 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 detallesVariables Aleatorias
Objetivos de la práctica: Variables Aleatorias Objetivo general: Al finalizar la práctica, el estudiante deberá conocer el concepto de variable aleatoria discreta y continua, el concepto de distribución
Más detalles1. 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 detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
Más detallesOPCIÓN A. A1. Se ha realizado un test de habilidad espacial a un grupo de niños y se han obtenido los resultados reflejados en la siguiente tabla:
Bloque III Solucionario Actividades de síntesis: Estadística y probabilidad OPCIÓN A A1. Se ha realizado un test de habilidad espacial a un grupo de niños y se han obtenido los resultados reflejados en
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 detalles6-1 y. Sec Distribuciones de probabilidad discreta Pearson Prentice Hall. All rights reserved
Sec. 6-1 y 3 6-2 Distribuciones de probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio Su valor se determina al
Más detallesAlgunas 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 detallesAPUNTES DE PROBABILIDAD Y ESTADISTICA ING. GUILLERMO CASAR MARCOS
CAPITULO III VARIABLES ALEATORIAS. DEFINICION.- UNA VARIABLE ALEATORIA ES UNA FUNCION DE LOS VALORES DEL ESPACIO MUESTRAL. ESTO ES, EL DOMINIO DE DEFINICION DE UNA VARIABLE ALEATORIA ES UN ESPACIO MUESTRAL,
Más detalles3.3 Ejercicios propuestos
Francisco M. Ocaña Peinado y Paula R. Bouzas 81 3.3 Ejercicios propuestos 1. La variable aleatoria X representa el intervalo de tiempo que transcurre entre dos llegadas consecutivas de pacientes a una
Más detallesVARIABLES 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 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 detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos
Más detallesCAPÍTULO 5 DISTRIBUCIONES TEÓRICAS
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS Hugo Grisales Romero Profesor titular CONCEPTOS BÁSICOS Experimento: Variable aleatoria: Clasificación: Proceso por medio del cual una medición se obtiene. Aquella que
Más detallesVariables 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 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 detalles