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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

Transcripción

1 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 Uniforme discreta. Bernoulli, binomial, geométrica y binomial negativa. Hipergeométrica Poisson. Tema 8. Modelos probabiĺısticos continuos

2 2 Tema 7. Modelos probabiĺısticos discretos Los contenidos a desarrollar en este tema son los siguientes: La distribución uniforme discreta. Ensayos de Bernoulli. Distribuciones binomial, geométrica y binomial negativa. La distribución hipergeométrica. Sucesos raros y la distribución de Poisson. Aproximación a la binomial con p pequeño. Lecturas recomendadas: Capítulo 16 del libro de Peña y Romo (1997) y las secciones 4.5 a 4.7 de Newbold (2001).

3 Distribución uniforme discreta 3 Una variable aleatoria X se dice que tiene una distribución uniforme discreta sobre n puntos {x 1, x 2,..., x n } si su función de probabilidad es: Pr(X = x i ) = 1, para todo i {1, 2,..., n}. n Media: E[X] = n i=1 x i Pr(X = x i ) = 1 n n i=1 x i = x. Momento de orden p: E[ X p ] = 1 n n i=1 x i p. Varianza: V [X] = E[X 2 ] E 2 [X] = 1 n n i=1 x2 i x2 = 1 n n i=1 (x i x) 2. Si {x 1, x 2,..., x n } es a su vez una muestra aleatoria, el proceso de tomar muestras de la variable X es lo que se conoce en la literatura como bootstrap. Como vemos, en ese caso, la variable X reproduce las características (media, varianza, momentos) de la muestra original.

4 Distribución uniforme discreta - Ejemplo 4 Ejemplo 1. Suponga que tiramos una vez un dado no trucado. Defina una variable aleatoria que modele el resultado de la tirada y diga su función de masa, media y varianza. X = i si en la tirada del dado sale el número i, con i {1, 2, 3, 4, 5, 6}. Pr(X = i) = 1/6, es decir, todos los resultados son igualmente probables. E[X] = = 3,5. V [X] = ,5 2 2,9167.

5 El modelo de Bernoulli 5 Supongamos que hacemos un experimento simple de lanzar una vez una moneda sesgada con p = Pr(cruz). Definimos una variable X como X = { 1 si sale cruz 0 si sale cara es decir que X = el número de cruces. En este caso, se dice que X tiene una distribución de Bernoulli con parámetro p. Una variable con sólo dos posibles resultados (cruz / cara, éxito / fracaso,...) donde se da un valor de 1 en caso de cruz (éxito) y 0 en caso de cara (fracaso) tiene una distribución de Bernoulli. El experimento se llama un ensayo de Bernoulli.

6 Media y varianza de una variable Bernoulli 6 Sea X una variable Bernoulli con parámetro p: E[X] = p 1 + (1 p) 0 = p E [ X 2] = p (1 p) 0 2 = p V [X] = E [ X 2] E[X] 2 = p p 2 = p(1 p) DT [X] = p(1 p)

7 7 Ejemplo 2. Se sabe que una máquina produce un 3 % de piezas defectuosas. Elegimos una pieza al azar para comprobar si no presenta defectos. Cómo se distribuye la variable X que vale 1 si la pieza no es defectuosa y 0 si es defectuosa? Cuáles son su media y su varianza? X sigue una distribución Bernoulli con parámetro 0,97. Su media y varianza son E[X] =,97 V [X] =,97,03 =,0291 Ejemplo tomado de Pe~na y Romo (1997).

8 Distribución binomial 8 Supongamos ahora que se repite un ensayo de Bernoulli n veces de forma independiente. Por ejemplo, se tira n veces una moneda con p = Pr(cruz), y que se quiere la distribución de X = el número de cruces. Esta distribución se llama la distribución binomial con parámetros n y p. Definición 1. Una variable X tiene distribución binomial con parámetros n y p si ( ) n Pr(X = x) = p x (1 p) n x x ( ) n n! para x = 0, 1,..., n donde = x x!(n x)!. En este caso, se escribe X B(n, p). Por tanto, la distribución Bernoulli es el caso especial X B(1, p).

9 9 Ejemplo 3. La probabilidad de que Ronaldo marque un gol de penalti es 0,8. Cuál es la distribución del número de goles que marca en los siguientes 6 penaltis? Supuestos X B(6, 0,8) Cuál es la probabilidad de que marque todos los 6 penaltis? ( ) 6 Pr(X = 6) = 0,8 6 (1 0,8) 6 6,262 6 Y la probabilidad de que falle por lo menos uno? Pr(X < 6) = 1 Pr(X = 6) =,738

10 10 Ejemplo 4. Volviendo al Ejemplo 2, supongamos que se eligen 10 piezas al azar. Si X es el número de piezas defectuosas, cuál es la distribución de X? X B(10, 0,03) Igualmente, si Y es el número de piezas buenas, Y B(10, 0,97) Cuál es la probabilidad de que se encuentre por lo menos una pieza defectuosa? Pr(X 1) = 1 Pr(X = 0) ( ) 10 = 1 0,03 0 (1 0,03) ,263

11 Media y varianza de una variable binomial Teorema 1. Sea X B(n, p). Entonces, E[X] = np V [X] = np(1 p) DT [X] = np(1 p) 11 Demostración Propiedades de E[ ] y V [ ] Escribimos X = X 1 + X X n donde cada X i es un ensayo de Bernoulli. E[X] = E[X 1 + X X n ] = E[X 1 ] E[X n ] = p p = np V [X] = V [X 1 + X X n ] = V [X 1 ] V [X n ] = np(1 p).

12 12 Ejemplo 5. Volvemos a con el ejemplo de Ronaldo. El número medio de goles en 6 penaltis es E[X] = 6 0,8 = 4,8 La desviación típica es DT [X] = 6 0,8 0,2 0,98. Ejemplo 6. El número medio de piezas defectuosas en una muestra de 10 es 10 0,03 = 0,3 La desviación típica es 10 0,03 0,97 0,54.

13 Uso de tablas de la distribución binomial 13 Calcular directamente probabilidades binomiales a través de la fórmula puede ser trabajoso. Más fácil es usar tablas de la distribución binomial. En Peña y Romo (1997), se proporcionan tablas de las probabilidades de k éxitos en una distribución binomial con n ensayos y probabilidad p de éxito: Ejemplo 7. Sea X B(15, 0,2). Hallar Pr(X = 3) y Pr(X 3). Pr(X = 3) = 0,2501 Pr(X 3) = 3 x=0 Pr(X = x) =,0352 +,1319 +,2309 +,2501 =,6481 Estas tablas sólo consideran el caso p 0,5. Qué hacemos si p > 0,5?

14 Distribución geométrica 14 Hemos visto que si se tira una moneda (con p = Pr(cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a seguir tirando la moneda hasta que veamos la primera cruz Cuántas tiradas necesitamos? Sea X el número de tiradas. Pr(X = 1) = p Pr(X = 2) = (1 p)p Pr(X = 3) = (1 p) 2 p. =. Pr(X = x) = (1 p) x 1 p La distribución de X se llama la distribución geométrica.

15 15 Definición 2. Una variable X tiene una distribución geométrica con parámetro p si Pr(X = x) = (1 p) x 1 p para x = 1, 2,... En este caso, se escribe X G(p). Teorema 2. Si X G(p), entonces E[X] = 1 p, V [X] = 1 p DT [X] = p 2 1 p p 2. y

16 16 Ejemplo 8. Volvemos al Ejemplo 3. Supongamos que Ronaldo está ensayando tiros de penalti y que dejará de ensayar cuando marque por primera vez. Cuál es la probabilidad de que Ronaldo marque por primera vez en su quinto penalti? Sea X el número de penaltis que necesita para marcar su primer gol, suponemos que X G(0,8). Pr(X = 5) = 0,2 4 0,8 =,00128 Cuál es el número esperado de penaltis que necesita para marcar? La esperanza de X es 1/0,8 = 1,2 penaltis. Se irá pronto a casa...

17 17 Ejemplo 9. En el Ejemplo 2, supongamos que se inspeccionarán piezas hasta encontrar la primera pieza defectuosa. Cuál es la probabilidad de que se necesiten inspeccionar 4 o menos piezas para encontrar la primera pieza defectuosa? Sea Y el número de inspecciones necesarias, suponemos que Y G(0,03). Pr(Y 4) = = 4 Pr(Y = y) y=1 4 0,97 y 0,03 y=1 0,115 Cuál es el número esperado de inspecciones necesarias? El número esperado de inspecciones necesarias es 1/0,03 =

18 18 Ejemplo 10. (Junio de 2003) Andrés y Pedro se plantean el siguiente juego: se lanza al aire un dado equilibrado con seis caras numeradas de uno a seis. Se considera que el jugador gana cuando el resultado del dado es cuatro o seis, y recibe diez euros. En otro caso, no recibe nada. Cada apuesta (un lanzamiento) es de cinco euros. 1) Si Andrés juega en cinco ocasiones, cuál es la probabilidad de que acierte a lo sumo una vez? 2) Cuál es el número medio de aciertos en esas cinco ocasiones? 3) Pedro jugará tantas veces como sea necesario hasta conseguir acertar una vez. Calcular la probabilidad de que tenga que jugar al menos tres veces. Obtener el número medio de veces que tiene que jugar para conseguir su objetivo. 4) Cuál será el beneficio medio obtenido por cada jugador?

19 19 1) Sea X el número de aciertos de Andrés. ( X B 5, 1 ) 3 ( ) ( ) 1 ( ) Pr(X = 1) = = ,329. 2) El número medio de aciertos es ,67. 3) Sea Y el número de jugadas necesarios. Y G(1/3) Pr(Y 3) = 1 Pr(Y < 3) = 1 {Pr(Y = 1) + Pr(Y = 2)} { 1 = } = = 0,4 4 El número medio de jugadas necesarias es 1 1/3 = 3.

20 20 4) El beneficio medio de Andrés sería E[10X] 5 5 = = 25 3 es decir que en promedio, Andrés pierde 8,33 euros. El beneficio medio de Pedro es 10 E[5Y ] = = 5 y entonces, en promedio, Pedro pierde 5 euros. La estrategia de Pedro es mejor, en promedio, que la de Andrés.

21 Distribución binomial negativa 21 Hemos visto que si se tira n veces una moneda con p = Pr(cruz), entonces el número de cruces se distribuye como una binomial. Consideramos otro experimento relacionado. Vamos a seguir tirando la moneda hasta que obtengamos exactamente n cruces. Cuántas caras (fallos) se observan? Sea X el número de fallos. Para que X = x se necesita que: En las primeras x + n 1 tiradas haya exactamente n 1 éxitos. La n-ésima tirada sea un éxito. La variable X sigue una distribución binomial negativa.

22 22 Definición 3. Una variable X tiene una distribución binomial negativa con parámetros p y n si Pr(X = x) = ( n + x 1 n 1 En este caso, se escribe X BN(p, n). ) p n (1 p) x para x = 0, 1, 2,... Teorema 3. Si X BN(p, n), entonces E[X] = V [X] = DT [X] = n(1 p), p n(1 p) p 2 n(1 p) p 2. y

23 Ejemplo 11. Volvemos al Ejemplo 3. Supongamos que Ronaldo está ensayando tiros de penalti y que dejará de ensayar cuando marque 20 veces. Cuál es el número esperado de tiros que fallará antes de irse a casa? Sea X es el número de fallos, suponemos que X BN(0,8, 20). La esperanza de X es 20(1 0,8) 1/0,8 = 5 penaltis. 0,8 Cuál es la probabilidad de que Ronaldo tire exactamente 25 veces? ( ) Pr(X = 5) = 0,8 20 (1 0,8) 5 = 0, Cuál es la probabilidad de que falle más de 5 veces? Pr(X > 5) = 1 Pr(X 5) = 1 5 x=0 Pr(X = x) 0,6167 Excel: NEGBINOMDIST(núm fracasos;núm éxitos;prob éxito)

24 Distribución hipergeométrica 24 Supongamos que tenemos una población de N individuos, D poseen una característica dada (por ejemplo, están empleados) y N D no la poseen (desempleados). Consideremos el experimento de obtener una muestra simultanea de n individuos. Equivalentemente, podemos ir extrayendo la muestra uno a uno hasta tener los n individuos pero no devolvemos los individuos a la población: Muestreo sin reemplazamiento. Denotamos por X el número de individuos que poseen la característica de interés en la muestra de n. La variable X sigue una distribución hipergeométrica.

25 Definición 4. Una variable X tiene una distribución hipergeométrica con parámetros N, D y n si ( ) ( ) D N D x 25 Pr(X = x) = ( N n n x ), con máx(0, n N + D) x mín(d, n). Teorema 4. Si X HG(N, D, n), entonces E[X] = Dn N D(N D)n(N n), y V [X] = N 2. (N 1) Si llamamos p = D N, entonces E[X] = np y V [X] = np(1 p)n n N 1 Qué nos recuerda el ĺımite N de E[X] y V [X]? Qué distribución aproxima a la HG(N, D, n) cuando N y D/N p?

26 26 Ejemplo 12. En estudio sobre la relación entre el nivel de estudio y paro, se realiza una encuesta de 100 personas (sin reemplazamiento) en una comunidad con personas en edad laboral y una tasa de paro del 5 %. Sea X el número de personas encuestadas que están en paro. a) Proponga una distribución para X y diga su función de masa, media y varianza. b) Calcule la probabilidad de obtener exactamente 5 personas en paro. a) X HG(10000, 500, 100) cuya media es 5 y la varianza es 4,7030 b) ( ) ( ) Pr(X = 5) = 5 95 ( ) = 0, Si, incorrectamente hubiésemos utilizado una B(n = 100, p = 0,05) los resultados habrían sido: Media = 5, Varianza = , Pr(X = 5) = 0,1800.

27 Sucesos raros y la distribución de Poisson 27 La distribución del número de sucesos raros (llamadas de teléfono, emisiones de partículas radioactivos, accidentes de tráfico, número de erratas) que ocurren en un periodo fijo del tiempo (una hora, un segundo, un año, una página) es la llamada distribución Poisson. Definición 5. Una variable X tiene distribución Poisson con parámetro λ si Pr(X = x) = λx e λ para x = 0, 1, 2,... x! En este caso, se escribe X P oisson(λ). Teorema 5. Si X P oisson(λ), entonces E[X] = λ, V [X] = λ y DT [X] = λ.

28 28 Ejemplo 13. El número medio de erratas por transparencia es 0,2. Cuál es la probabilidad de que en una transparencia no haya erratas? Sea X el número de erratas. Supondremos que X P oisson(0,2) Pr(X = 0) = 0,20 e 0,2 0! = e 0,2 0,8187 Y la probabilidad de que haya 2 o más erratas? Pr(X 2) = 1 Pr(X < 2) = 1 Pr(X = 0) Pr(X = 1) ( 0,2 0 e 0,2 = 1 + 0,21 e 0,2 ) 0! 1! 1 (0, ,1637) = 0,0176.

29 Teorema 6. Si X Pr(λ) es el número de sucesos raros en una unidad de tiempo e Y representa el número de sucesos raros en un tiempo t, entonces Y Pr(tλ). 29 Ejemplo 14. En promedio, hay 50 incendios serios cada año en una localidad a) Cuál es la probabilidad de que no haya ningún incendio mañana? El número medio de incendios serios al t = año es 50. El número medio de incendios serios en un día es ,137, y si suponemos que el número de incendios es P oisson(0,137) tenemos que la probabilidad de cero incendios mañana es 0,137 0 e 0,137 0,872. 0! b) Dada la suposición anterior, cuál es la distribución del número de incendios en un año? P oisson(365 0,137) = P oisson(50).

30 30 Ejemplo 15. Volvemos al Ejemplo 13. Este tema tiene 40 transparencias Cuál es el número medio de erratas en el tema? Sea Y el número de erratas en el tema. Si X P oisson(0,2), entonces Y P oisson(40 0,2) y E[Y ] = 8. Cuál es la probabilidad de que el tema contengan por lo menos una errata? Pr(Y > 0) = 1 Pr(Y = 0) = 1 80 e 8 0! 1 0,00034 = 0,99966 Ejercicio importante: Detectarla(s) antes del examen.

31 Tablas de la distribución Poisson 31 Igual que con la distribución binomial, en el libro de Peña y Romo (1997) hay tablas de la distribución Poisson para varios valores de λ. Ejemplo 16. Si X P oisson(3). Hallar Pr(X = 2) y Pr(X 2). Pr(X = 2) = 0,2240 Pr(X 2) = 1 Pr(X < 2) = 1 Pr(X = 0) Pr(X = 1) = 1 0,0498 0,1494 = 0,8008 Excel: POISSON(x;media;acumulado)

32 Aproximación de la distribución binomial mediante la distribución Poisson 32 Sea X B(n, p) donde p es pequeña y n es grande. Llamemos λ = np, Pr(X = x) = = ( n x ) p x (1 p) n x = n(n 1)... (n x + 1) n x = n (n 1) n n... (n x + 1) n ( n! λ (n x)! x! n λ x ( 1 λ x! n λ x x! ) n x ( 1 λ ) n x n ) x ( 1 λ ) n x n λx x! e λ. El resultado implica que para n grande (n > 50) y p pequeño, (p < 0,1) entonces se pueden aproximar probabilidades binomiales a través de la distribución Poisson.

33 Aproximación de la distribución binomial mediante la distribución Poisson B(100, 1/100) B(200, 1/200) B(300, 1/200) B(400, 1/400) B(500, 1/500) B(600, 1/600) B(700, 1/700) B(800, 1/800) B(900, 1/900) B(1000, 1/1000) Poisson(1) B(50, 0.01) P(0.5) B(50, 0.02) P(1.0) B(50, 0.03) P(1.5) B(50, 0.04) P(2.0) B(50, 0.05) P(2.5) B(50, 0.06) P(3.0) B(50, 0.07) P(3.5) B(50, 0.08) P(4.0) B(50, 0.09) P(4.5) B(50, 0.10) P(5.0)

34 34 Ejemplo 17. Sea X B(100, 0,05). Estimar Pr(X 3). E[X] = 100 0,05 = 5 Aproximando y usando las tablas de la distribución Poisson, se tiene Pr(X 3) = 3 Pr(X = x) x=0 0, , , ,1404 = 0,2650 La solución exacta usando la distribución binomial es 0,2578, la diferencia es 0,0072. Excel: POISSON(x;media;acumulado) DISTR.BINOM(núm éxito;ensayos;prob éxito;acumulado)

35 Recapitulación 35 Tema 7. Modelos probabiĺısticos discretos Ensayos de Bernoulli. Distribuciones binomial, geométrica y binomial negativa. Distribución hipergeométrica. V.A. Bernoulli y asociadas. Muestreo en poblaciones finitas. Distribución de Poisson. Aproximación a la binomial con p pequeño. Modelo para contar sucesos poco frecuentes

36 36 Tema 7. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos Bernoulli, binomial, hipergeométrica, Poisson, etcétera. discretos Tema 8. Modelos probabiĺısticos continuos Uniforme, exponencial, Pareto, Normal, etcétera.

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. La distribución geométrica Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a

Más detalles

Modelos de distribuciones discretas y continuas

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

Más detalles

Introducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.

Introducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos

Más detalles

9 APROXIMACIONES DE LA BINOMIAL

9 APROXIMACIONES DE LA BINOMIAL 9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X

Más detalles

Definición de probabilidad

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

Más detalles

Tema 5 Algunas distribuciones importantes

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

Más detalles

Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.

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

Más detalles

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

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

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

Más detalles

Tema 3. Probabilidad y variables aleatorias

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

Más detalles

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

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

Más detalles

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

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

Más detalles

Distribuciones de probabilidad más usuales

Distribuciones de probabilidad más usuales Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la

Más detalles

5 DISTRIBUCIONES BINOMIAL Y DE POISSON

5 DISTRIBUCIONES BINOMIAL Y DE POISSON 5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria

Más detalles

MODELOS DISCRETOS DE PROBABILIDAD

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

Más detalles

Modelos de distribuciones discretas y continuas

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

Más detalles

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

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

Más detalles

6. VARIABLES ALEATORIAS

6. VARIABLES ALEATORIAS 6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

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

Más detalles

Curso de Probabilidad y Estadística

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

Más detalles

La distribución normal

La distribución normal La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10

Más detalles

Variables aleatorias discretas

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

Más detalles

Tema 6: Modelos de probabilidad.

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

Más detalles

CÁLCULO DE PROBABILIDADES

CÁLCULO DE PROBABILIDADES CÁLCULO DE PROBABILIDADES 1. Regla de Laplace. Ejercicio 1. (2005) Ejercicio 2. (2004) María y Laura idean el siguiente juego: cada una lanza un dado, si en los dos dados sale el mismo número, gana Laura;

Más detalles

Probabilidad Condicional

Probabilidad 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 detalles

Probabilidad Condicional. Teorema de Bayes para probabilidades condicionales:

Probabilidad 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 detalles

VARIABLES ALEATORIAS CONTINUAS

VARIABLES ALEATORIAS CONTINUAS VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p

Más detalles

Tema 13. Distribuciones de Probabilidad Problemas Resueltos

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

Más detalles

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

Ejemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }. Si la moneda no está trucada, p = 1. Capítulo 4 Modelos de probabilidad 4.1 Modelos discretos 4.1.1 Pruebas de Bernoulli Definición 4.1.1. Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados se agrupan en dos conjuntos

Más detalles

DISTRIBUCIONES DE PROBABILIDAD. es una representación gráfica que permite visualizar un experimento de pasos múltiples.

DISTRIBUCIONES 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 detalles

Bioestadística. Curso Capítulo 3

Bioestadística. 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 detalles

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas

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

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)

INTRODUCCIÓN 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 detalles

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución

Más detalles

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

Definición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,... Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme

Más detalles

Unidad 1: Espacio de Probabilidad

Unidad 1: Espacio de Probabilidad Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar

Más detalles

TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...

TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer... TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones

Más detalles

Nombre: Distribuciones de probabilidad discreta. Segunda parte. A qué nos referimos con probabilidad discreta?

Nombre: Distribuciones de probabilidad discreta. Segunda parte. A qué nos referimos con probabilidad discreta? Estadística 1 Sesión No. 9 Nombre: Distribuciones de probabilidad discreta. Segunda parte. Contextualización A qué nos referimos con probabilidad discreta? En la presente sesión analizarás y describirás

Más detalles

Probabilidades: Variables aleatorias y distribuciones discretas de probabilidad. Estadísca Tamara Burdisso

Probabilidades: Variables aleatorias y distribuciones discretas de probabilidad. Estadísca Tamara Burdisso Probabilidades: Variables aleatorias y distribuciones discretas de probabilidad Variable aleatoria Una variable aleatoria es una regla para asignar un número a todos los resultados posibles de un eperimento

Más detalles

contablemente infinito.

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

Más detalles

La distribución bionomial negativa se emplea para determinar el enésimo éxito en la enésima oportunidad o evento

La distribución bionomial negativa se emplea para determinar el enésimo éxito en la enésima oportunidad o evento La distribución bionomial negativa se emplea para determinar el enésimo éxito en la enésima oportunidad o evento Hay que considera que esta distribución es lo contrario de la distribución binomial ya que

Más detalles

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme

Más detalles

Variables aleatorias

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

Más detalles

Tema 8. Muestreo. Indice

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

Más detalles

TEMA 3: Probabilidad. Modelos. Probabilidad

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

Más detalles

Algunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

Variable Aleatoria. Relación de problemas 6

Variable Aleatoria. Relación de problemas 6 Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es

Más detalles

APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y LAS TIC

APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y LAS TIC APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y LAS TIC SIGMA 28 Abel Martín (*) y Rosana Álvarez García (**) En dos artículos anteriores ya hemos estudiado la distribución Binomial

Más detalles

Reporte de práctica. Materia: Procesos Estócasticos. Facilitador: Ing. Pedro Martín García Vite. Integrantes: Armendáriz Flores Adrián

Reporte de práctica. Materia: Procesos Estócasticos. Facilitador: Ing. Pedro Martín García Vite. Integrantes: Armendáriz Flores Adrián Reporte de práctica Materia: Procesos Estócasticos Facilitador: Ing. Pedro Martín García Vite Integrantes: Armendáriz Flores Adrián Cruz Hernández Emmanuel González Manuel Ana Silvia Tema: Gráficas de

Más detalles

Familias de distribuciones

Familias de distribuciones Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra

Más detalles

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

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

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA Universidad de la República Facultad de Ingeniería PROBABILIDAD Y ESTADÍSTICA Curso 2016 - Segundo Semestre Práctico 5: Variables Aleatorias I Actividad 1 Razonando por improbable Actividad En su libro

Más detalles

Lanzamos 1 dado y comprobamos cuál es el resultado que aparece en la cara superior.

Lanzamos 1 dado y comprobamos cuál es el resultado que aparece en la cara superior. Curso ON LINE Tema 01 SÓLO ENUNCIADOS. PROBABILIDADES I Lanzamos 1 dado y comprobamos cuál es el resultado que aparece en la cara superior. 001 002 003 004 005 Lanzamos 1 dado y comprobamos cuál es el

Más detalles

Probabilidad Condicional

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

Más detalles

Tema 6. Variables Aleatorias Discretas

Tema 6. Variables Aleatorias Discretas Presentación y Objetivos. Tema 6. Variables Aleatorias Discretas En esta unidad se presentan algunos ejemplos estándar de variables aleatorias discretas relacionadas de diversas formas dependiendo de su

Más detalles

Grupo 23 Semestre Segundo examen parcial

Grupo 23 Semestre Segundo examen parcial Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige

Más detalles

Variables aleatorias continuas, TCL y Esperanza Condicional

Variables 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 detalles

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1

Más detalles

Tema 7. Variables Aleatorias Continuas

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

Más detalles

Elementos de Probabilidad y Estadística. Primer Examen. Parte 2

Elementos de Probabilidad y Estadística. Primer Examen. Parte 2 Elementos de Probabilidad y Estadística Primer Examen Parte 2 Para entregar antes de las 2:30 pm del jueves 3 de marzo de 204. Este examen es estrictamente individual. Puedes consultar libros o notas de

Más detalles

Prof. Eliana Guzmán U. Semestre A-2015

Prof. 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 detalles

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA FÍSICA ESTADÍSTICA

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA FÍSICA ESTADÍSTICA INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA DIPLOMA DE ESPECIALIZACIÓN EN FÍSICA (ANEP UDELAR) FÍSICA ESTADÍSTICA Curso 013 Práctico II Fundamentos de Probabilidad y Estadística. Fecha de Entrega: 13 de

Más detalles

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo

Más detalles

Solución.- Ej erci ci o s: TE O RE MA CE NTR A L D EL L ÍMI T E. ) cuando:

Solución.- Ej erci ci o s: TE O RE MA CE NTR A L D EL L ÍMI T E. ) cuando: EJERCICIOS RESUELTOS Ejercicio 1 Representa grá camente las funciones de probabilidad de una distribución ( 1 ) cuando: y emite conclusiones al respecto. ) = 5 ) = 10 ) = 5 ) = 100 CURSO EIR-003 c A. Gámez,

Más detalles

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

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

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2001 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 5: PROBABILIDAD

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2001 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 5: PROBABILIDAD PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 00 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA : PROBABILIDAD Junio, Ejercicio 3, Parte I, Opción A Junio, Ejercicio 3, Parte I, Opción B Reserva, Ejercicio

Más detalles

Estadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri

Estadística 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 detalles

Cálculo de Probabilidades II Preguntas Tema 1

Cálculo de Probabilidades II Preguntas Tema 1 Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga

Más detalles

Distribuciones Discretas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 6.

Distribuciones Discretas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 6. Distribuciones Discretas de Probabilidad 1 Contenido 1. Variables Aleatorias. 2. Distribuciones Discretas de Probabilidad. 3. Valor Esperado y Varianza. Propiedades. 4. Distribución de Probabilidad Binomial.

Más detalles

Estadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10

Estadistica 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 detalles

Ejercicios resueltos

Ejercicios resueltos UNIDAD TEMÁTICA 4 Lección 4 VARIABLE ALEATORIA ENUNCIADO 1 Se hacen n lanzamientos independientes con un dado ordinario de 6 lados. Calcula la probabilidad que: (a El mayor de los números obtenidos sea

Más detalles

Aprender el concepto de la probabilidad y las reglas básicas de probabilidades para sucesos. Entender la probabilidad condicionada.

Aprender el concepto de la probabilidad y las reglas básicas de probabilidades para sucesos. Entender la probabilidad condicionada. 5. PROBABILIDAD Objetivo Aprender el concepto de la probabilidad y las reglas básicas de probabilidades para sucesos. Entender la probabilidad condicionada. Bibliografia recomendada Peña y Romo (1997),

Más detalles

Hoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b).

Hoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b). Hoja 2 Probabilidad 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, se define A A = {B Ω : B = A C con C A}. Demostrar que A A P(A) es σ-álgebra. 2.- Sea {A n : n 1} A una sucesión

Más detalles

Probabilidad del suceso imposible

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

Más detalles

SESION 12 LA DISTRIBUCIÓN BINOMIAL

SESION 12 LA DISTRIBUCIÓN BINOMIAL SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:

Más detalles

La distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:

La distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por: Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara

Más detalles

Bioestadística. El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.

Bioestadística. El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica. Bioestadística Tema 5: Modelos probabilísticos Variable aleatoria El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica. En estos casos aparece la noción de

Más detalles

Probabilidad, Variables aleatorias y Distribuciones

Probabilidad, Variables aleatorias y Distribuciones Prueba de evaluación continua Grupo D 7-XII-.- Se sabe que el 90% de los fumadores llegaron a padecer cáncer de pulmón, mientras que entre los no fumadores la proporción de los que sufrieron de cáncer

Más detalles

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

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que

Más detalles

Variables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Tema 4: Ejercicios de Modelos de Probabilidad

Tema 4: Ejercicios de Modelos de Probabilidad Tema 4: s de Modelos de Probabilidad Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 12 - I.T.I.G. Otros Se considera una v.a. Bernoulli que toma el valor 1 con probabilidad

Más detalles

TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD

TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD A partir de un experimento aleatorio cualquiera, se obtiene su espacio muestral E. Se llama variable aleatoria a una ley (o función) que a cada elemento del espacio

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

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

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

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

Más detalles

Cálculo de probabilidad. Tema 1: Combinatoria y probabilidad

Cálculo de probabilidad. Tema 1: Combinatoria y probabilidad Cálculo de probabilidad Tema 1: Combinatoria y probabilidad Guión Guión 1.1. Análisis combinatorio Regla de multiplicación Este es el método de conteo más sencillo que existe. Supongamos que realizamos

Más detalles

Objetivo: Entender la diferencia entre una desviación y una distribución. Reconocer los tipos de desviaciones y distribuciones.

Objetivo: Entender la diferencia entre una desviación y una distribución. Reconocer los tipos de desviaciones y distribuciones. PROBABILIDAD Y ESTADÍSTICA Sesión 2 2 MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS DISCRETOS 2.1 Definición de variable aleatoria discreta 2.2Función de probabilidad y de distribución 2.3 Valor esperado

Más detalles

Teorema del límite central

Teorema 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 detalles

TEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07

TEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07 TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.

Más detalles

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos

viii 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 detalles

Cuáles son las características aleatorias de la nueva variable?

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

Más detalles

TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS

TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS 4.1 Distribución binomial 4.1.1 Definición. Ejemplos 4.1.2 La media y la varianza 4.1.3 Uso de tablas 4.1.4 Aditividad 4.2 Distribución de Poisson 4.2.1 Definición.

Más detalles

Distribuciones Paramétricas

Distribuciones Paramétricas Distribuciones Paramétricas Objetivo: Estudiar el uso de formas matemáticas particulares, llamadas distribuciones paramétricas, para representar las variaciones en los datos. Una distribución paramétrica

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,

Más detalles

4 Variables aleatorias discretas

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 detalles

Distribuciones de Probabilidad

Distribuciones 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 detalles

8 Resolución de algunos ejemplos y ejercicios del tema 8.

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

Más detalles

Modelado de la aleatoriedad: Distribuciones

Modelado de la aleatoriedad: Distribuciones Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:

Más detalles