Probabilidades: Variables aleatorias y distribuciones discretas de probabilidad. Estadísca Tamara Burdisso
|
|
- Virginia Ana Isabel Poblete Toledo
- hace 7 años
- Vistas:
Transcripción
1 Probabilidades: Variables aleatorias y distribuciones discretas de probabilidad
2 Variable aleatoria Una variable aleatoria es una regla para asignar un número a todos los resultados posibles de un eperimento aleatorio, i.e. una variable aleatoria asocia un valor numérico con cada resultado posible del eperimento aleatorio. Por lo general se usan letras mayúsculas para designar a la variable aleatoria y minúscula para indicar los posibles resultados que toma la variable aleatoria, i.e. P( ) Ejemplo 1: Arrojo una moneda. = sale cara. 1 0 si sale cara en caso contrario P( 1) P(salga cara) P( 0) P(salga ceca)
3 Variable aleatoria Ejemplo : Arrojo dos dados. Sea = la suma de los valores de las caras de los dados Asociación entre los lanzamiento de dos dados y la vaiable aleatoria que representa la Casos posibles suma de las caras Valor de la variable aleatoria Número de ocurrencias Probabilidad (1,1) 1 1/36 (1,) (,1) 3 /36 (1,3) (,) (3,1) 4 3 3/36 (1,4) (,3) (3,) (4,1) 5 4 4/36 (1,5) (,4) (3,3) (4,) (5,1) 6 5 5/36 (1,6) (,5) (3,4) (4,3) (5,) (6,1) 7 6 6/36 (,6) (3,5) (4,4) (5,3) (6,) 8 5 5/36 (3,6) (4,5) (5,4) (6,3) 9 4 4/36 (4,6) (5,5) (6,4) /36 (5,6) (6,5) 11 /36 (6,6) 1 1 1/36
4 Variable aleatoria Se dice que una variable aleatoria es discreta si el numero de valores que puede tomar es contable (ya sean estos finitos o infinito). Se dice que una variable aleatoria es continua si puede tomar cualquier valor numérico en un intervalo o conjuntos de intervalos de la recta numérica. Ejemplos: los eperimentos que se basan en escala de medición como el tiempo, peso, altura, distancia, temperatura, etc.
5 Distribuciones de probabilidad de variables aleatorias discretas Sea una variable aleatoria discreta. Se llama p ) a la función de probabilidad de la variable aleatoria satisface las siguientes propiedades ( P( ), si 1. p( ) P( ) 0 para todos los valores. p( ) 1 Distribución de probabilidad de la suma de dos dados de probabilidad valores de
6 Distribuciones de probabilidad de variables aleatorias discretas La función de distribución acumulada de la variable aleatoria es la probabilidad de que sea menor o igual a un valor específico y está dada por F ( ) P( ) p( ) La función de distribución acumulativa F() de una variable aleatoria discreta es una función no decreciente que cumple F( ) 1 F( ) i F( para cualquier j ) si i j i Función de distribución acumulada de la suma de los dados i 3. P( ) 1 P( ) 1 F( ) F() valores de
7 Ejemplo Los datos siguientes describen la cantidad de empleados en cada uno de los 5 niveles ejecutivos de una importante empresa petrolera. Suponga que se desea seleccionar una muestra de empleados a nivel ejecutivo para una encuesta acerca de las condiciones laborales. Sea la variable aleatoria que indica el nivel de un empleado seleccionado. Cantidad de empleados Nivel ejecutivo Total 465 Con estos datos construya la función de probabilidad de. Grafique. Pruebe que la función de probabilidad cumple con las condiciones requeridas Calcule la función de distribución acumulada para los valores de. Grafique.
8 Ejercicio Si es una v.a. discreta la P( ) a. es mayor que b. es menor que P( ) P( ) c. es igual a P( ) d. es menor que o igual a e. es mayor que o igual a P( ) P( ) Dos vs. as. con la misma función de probabilidad son la misma v.a.? Verdadero Falso
9 Valor esperado o esperanza matemática El valor esperado o esperanza de una variable aleatoria (v.a.)es un concepto clave en el estudio de las distribuciones de probabilidad. La esperanza de una v.a. tiene sus orígenes en los juegos de azar, ya que los apostadores quería saber cual era la esperanza que tenían de ganar el juego. En este sentido, la esperanza representa la cantidad de dinero promedio que el jugador está dispuesto a pagar para jugar el juego después de un número grande de apuestas. Esta interpretación también es válida para una v.a.; i.e. el valor promedio de una variable aleatoria después de un número grande de eperimentos es su valor esperado o esperanza matemática. El valor esperado de una v.a. discreta se define como E( ) P( ) p( )
10 Valor esperado o esperanza matemática Ejemplo: Sea = la suma de los valores de las caras de los dados. Mostrar que la esperanza de es 7. Asociación entre los lanzamiento de dos dados y la vaiable aleatoria que representa la Casos posibles suma de las caras Valor de la variable aleatoria Número de ocurrencias Probabilidad (1,1) 1 1/36 (1,) (,1) 3 /36 (1,3) (,) (3,1) 4 3 3/36 (1,4) (,3) (3,) (4,1) 5 4 4/36 (1,5) (,4) (3,3) (4,) (5,1) 6 5 5/36 (1,6) (,5) (3,4) (4,3) (5,) (6,1) 7 6 6/36 (,6) (3,5) (4,4) (5,3) (6,) 8 5 5/36 (3,6) (4,5) (5,4) (6,3) 9 4 4/36 (4,6) (5,5) (6,4) /36 (5,6) (6,5) 11 /36 (6,6) 1 1 1/36 E( ) P( ) p( )
11 Valor esperado de una función de una v.a. Sea una v.a. discreta con función de probabilidad p( ) P( ) y sea g( ) una función de. entonces el valor esperado de g( ) es E g( ) g( ) P( ) g( ) p( ) Ejemplo: Cierta empresa está considerando cambiar una máquina de montaje por su comportamiento defectuoso. De acuerdo con las estadísticas de la empresa, la distribución de probabilidades para el número de veces que la máquina se paraliza en una semana es la siguiente Cantidad de desperfectos en la semana Probabilidad de ocurrencia Hallar la media del número de desperfectos Se ha estimado que cada desperfecto le cuesta a la compañía un abono fijo semanal de $1000 más $1500 en pérdidas de producción. Hallar la media del costo semanal por desperfecto.
12 Varianza y desvío estándar Ya vimos, al analizar un conjunto de datos, que la media o promedio por sí solo, podía resultar muy poco informativo. Por lo tanto, así como usamos la varianza para resumir la dispersión de un conjunto de datos, definimos la varianza de una v.a. para hablar de su variabilidad. El desvío estándar (o desvío típico),, es la raíz cuadrada positiva de la varianza. Recordar que está en las mismas unidades que la variable original. Otra forma de epresar la varianza es ) ( ) ( ) ( ) ( ) ( ) ( p P E Var ) ( p E
13 Varianza y desvío estándar Ejemplo: calcular la varianza y el desvío estándar de la v.a. = la suma de los valores de las caras de los dados Var ( ) E( ) ( ) P( ) ( ) p( ) E p ) ( Asociación entre los lanzamiento de dos dados y la vaiable aleatoria que representa la Casos posibles suma de las caras Valor de la variable aleatoria Número de ocurrencias Probabilidad (1,1) 1 1/36 (1,) (,1) 3 /36 (1,3) (,) (3,1) 4 3 3/36 (1,4) (,3) (3,) (4,1) 5 4 4/36 (1,5) (,4) (3,3) (4,) (5,1) 6 5 5/36 (1,6) (,5) (3,4) (4,3) (5,) (6,1) 7 6 6/36 (,6) (3,5) (4,4) (5,3) (6,) 8 5 5/36 (3,6) (4,5) (5,4) (6,3) 9 4 4/36 (4,6) (5,5) (6,4) /36 (5,6) (6,5) 11 /36 (6,6) 1 1 1/36
14 Varianza y desvío estándar de una función lineal Sea una v.a. con media y varianza y sean a y b dos constantes. Definamos la v.a. Z a b. Entonces la media y la varianza de Z son Z E( Z) E( a b ) a b Z Var ( Z) Var ( a b ) b Y el desvío estándar de Z es Demostrar Z b Calcular la varianza del número de desperfectos y del costo semanal por desperfecto en la máquina.
15 Media y varianza: momentos de primer y segundo orden Tanto a como a se los llama momentos poblacionales para distinguirlos de los momentos muestrales y. s Momentos muestrales Uso de la frecuencia relativa f/n Media muestral i f i n 1 n En particular, Varianza muestral s En particular, f ( i ) i n 1 s ( i ) n 1 i i i Momentos poblacionales Uso de la probabilidad p() Media poblacional i p( i i Varianza poblacional ( i i ) ) p( i )
16 La distribución binomial Se trata de una de las distribuciones discretas más útiles. George Louis Leclerc ( ) lanzó una moneda veces y obtuvo.048; i.e. un 50.69% de caras John Kerrich, matemático inglés apresado durante la II Guerra Mundial, lanzó una moneda veces. La proporción de caras obtenidas fue Jacob Bernoulli ( ) dedicó varias décadas a estudiar el problema y logró demostrar matemáticamente que el porcentaje de caras que se obtendría al lanzar una moneda indefinidamente era del 50%.
17 El proceso de Bernoulli Dio origen a los ensayos de Bernoulli. En que consiste un ensayo de Bernoulli? 1. Un eperimento que tiene sólo dos resultados posibles (v.g. cara y ceca). A uno de ellos se lo llama éito y al otro fracaso.. La probabilidad de éito es p y la de fracaso 1-p. Una v.a. con distribución Bernoulli consiste en un único ensayo en el que el resultado ocurre (éito) o no ocurre (fracaso). Por lo tanto, un ensayo de Bernoulli está unívocamente caracterizado por un único número: la probabilidad de éito p. Ejemplos Lanzo una moneda: cara con probabilidad p(=0.5) y ceca con probabildad q=1-p (=0.5) Nacimiento de un hijo: con probabilidad p (=0.48~1/) es niña y con probailidad q=1-p es varón Multiple choice con 5 opciones y sin conocimiento (puro azar): con probabilidad p (=1/5) la respuesta es correcta y con probabilidad q=1-p (=4/5) es errada.
18 La distribución Binomial Que cualidad presentan los posibles resultados de un ensayo de Bernoulli? Cuando los ensayos de Bernoulli se repiten n veces de manera independiente (independiente idénticamente distribuidos i.i.d), se dice entonces que se tiene un eperimento binomial. En definitiva un eperimento binomial son n ensayos de Bernoulli, i.i.d.. Clásico ejemplo: Arrojo una moneda n veces o n monedas una vez. Cada arrojar de la moneda es un ensayo de Bernoulli. El número total de éitos obtenidos después de n ensayos i.i.d. de Bernoulli es una v.a. binomial
19 La distribución Binomial En un eperimento binomial la v.a. de interés es la cantidad de éitos obtenidos en n ensayos. Sea = número total de éitos obtenidos en n ensayos de Bernoulli puede tomar los valores {0,1,,3,n}. Se trata de una v.a. discreta. La distribución de probabilidades de la v.a. se llama distribución binomial. A diferencia de la distribución de Bernoulli, la distribución binomial tiene dos números (o parámetros) relevantes El número de ensayos: n La probabilidad de éito: p
20 La distribución Binomial Cómo se calcula la probabilidad de tener eactamente k éitos cuando la v.a. es ~Bi(n, p)? Sea una v.a. que representa el nro de éitos en n ensayos de Bernoulli y sea p la probabilidad de éito. Se dice entonces que ~Bi(n, p) ( tiene una distribución binomial) con función de probabilidad n k nk n! k nk P( k) p (1 p) p (1 p) para k k k!( n k)! 0,1,,... n El nombre de distribución binomial proviene de la epansión del binomio 1 p p n
21 La función n tomados de a k Cuál de las siguientes epresiones es falsa? Hay n maneras diferentes de obtener un éito en n n ensayos, n 1 Hay sólo una manera de obtener n éitos en n ensayos, n 1 n Hay sólo una manera de obtener n fracasos en n n ensayos, 0 1 Hay n-1 maneras de obtener n-1 éitos en n ensayos n n 1 n 1
22 La distribución Binomial Ejemplo: Un vendedor de seguros visitas a 10 familias seleccionadas al azar. El resultado a cada familia se clasifica como éito si la familia compra la póliza de seguro y como fracaso en caso contrario. Se sabe que la probabilidad de que una familia seleccionada la azar compre una póliza de seguro es del De que tipo de distribución estamos hablando? Especifique la v.a. y fundamente.. Cuál es la probabilidad de que eactamente 1 familia adquiera la poliza? Y eactamente tres familias? 3. Cuál es la probabilidad de que por lo menos 1 familia adquiera el seguro?
23 La distribución Binomial Diferentes distribuciones binomiales con n= P=0.10 p=0.5 p=0.9
24 Condiciones de una v.a. binomial Cuál de las siguientes no es condición para que una v.a. se distribuya según una binomial? Los ensayos deben ser independientes. El número de ensayos n, debe ser fijo. El resultado de cada ensayo sólo puede ser clasificado como éito o fracaso. El número deseado de éitos, k, debe ser mayor que el número de ensayos. La probabilidad de éito, p, debe ser la misma en cada ensayo.
25 Esperanza de una v.a. binomial Una encuesta de Gallup del año 01, indica que el 6. de los americanos son obesos. En una muestra de 10 americanos, cuál es la probabilidad de que eactamente 8 sean obesos? Bastante pequeña Bastante grande En Ecel =DISTR.BINOM(8,10,0.6,FALSO) 8 a c b. d
26 Esperanza de una v.a. binomial Continuando con el ejemplo anterior, en una muestra de 100 americanos, cuantos obesos esperaría encontrar? Bien fácil Formalmente, el valor esperado de una v.a. binomial np Esto no significa que cada vez que tomemos una muestra al azar de 100 americanos, vamos a encontrar eactamente 6. americanos obesos. De hecho, ese valor esperado es imposible de encontrar. Algunas veces encontraremos más y algunas veces menos. Pero cuanto más o cuanto menos, i.e. que variabilidad podríamos esperar encontrar?
27 Esperanza y varianza de una v.a. binomial np np(1 p) npq np(1 p) npq Volviendo a la encuesta de Gallup sobre la tasa de obesidad np( 1 p) (1 0.6) 4.4 En una muestra de 100 americanos se espera 6. obesos en promedio con un desvío estándar de 4.4
28 Teorema de Chebyshev Chebyshev (1867), establece la desigualdad, también llamada teorema de Chebyshev, que establece una cota o límite inferior para la probabilidad de que la v.a. de interés caiga en un intervalo de la forma k Desigualdad de Chebyshev: Sea una v.a. con media finita y varianza. Entonces para cualquier constante k 1 se tiene que P( 1 k ) 1 k Este resultado vale cualquiera sea la distribución de. Se trata de un resultado muy conservador ó P( k ) 1 k
29 Aplicaciones de la v.a. binomial Suponga que se tomó una muestra de 55 americanos y 8 resultaron obesos. En base a la encuesta de Gallup de 01, consideraría este resultado como inusual? Sea una v.a. Bernoulli con p=0.4. Cuál es la E()? Calcular la esperanza utilizando la definición. Y la Var()? Sea Y~Bi(5,0.4). Cuál es la E(Y)? Y la Var(Y)?
30 La distribución de Poisson La distribución de Poisson (Siméon D. Poisson, probabilista francés S.I) es otra distribución discreta muy utilizada. En este tipo de eperimentos, el número de ocurrencias o éitos se epresan por unidad de tiempo, por unidad de área, por volumen, por pieza, etc. # de personas que sufren un ataque cardíaco por día en CABA. # de individuos alcanzado por un rayo en un año en una comunidad. # de errores de tipeo por página. # de solicitudes de seguros procesadas por una institución en un día cualquiera. # de vacantes durante un año en la Corte Suprema de Justicia. # de defectos en piezas similares (rollos de telas, etc). # de siniestros en determinada compañía de seguros. #de personas de más de 100 años en una comunidad. La distribución de Poisson describe el número de eventos raros que podrían ocurrir en una unidad de tiempo/espacio/volumen, para una población (relativamente) fija y grande, donde los individuos de la población son independientes.
31 La distribución de Poisson Sea una v.a. = número de eventos que ocurren por unidad de tiempo/espacio/. Se dice que sigue una distribución de Poisson con parámetro λ y función de probabilidad dada por k e P( k; ) k 0,1,,3,..., k! 0 El parámetro λ de la distribución de Poisson, representa el número promedio de ocurrencias del evento aleatorio que se observa por unidad de tiempo/espacio/etc. El único parámetro necesario para caracterizar la distribución de Poisson es λ A diferencia de la binomial, en la v.a. de Poisson, el número de ocurrencias no tiene límite superior, aunque las probabilidades se hacen muy pequeñas después de los primeros éitos.
32 Ejemplo: la distribución de Poisson Un banco recibe en promedio 6 cheques sin fondo por día, cuáles son las probabilidades de que reciba a. Cuatro cheques sin fondo en un día dado, b. 10 cheques sin fondo en dos días consecutivos cualesquiera c. Al menos cheques por día. En ecel =POISSON(4,6,FALSO)= En ecel =POISSON(1,6,VERDADERO)=
33 Supuestos de la distribución de Poisson Es posible dividir el intervalo de tiempo (hora, día, año, etc.) en pequeños subintervalos La probabilidad de ocurrencia permanece constante a lo largo de los intervalos. La probabilidad de dos o más ocurrencias en un subintervalo es suficientemente pequeña como para ignorarla. Las ocurrencias son independientes.
34 Ejemplo: la distribución de Poisson A medida que λ (# promedio de ocurrencias) crece la distribución de Poisson se hace más simétrica lamda= lamda=4 lamda=6 lamda=10
35 La aproimación de Poisson a la Binomial La distribución de Poisson es muy reconocida también porque puede ser utilizada para aproimar la distribución Bi(n,p) cuando n es grande y p es lo suficientemente pequeño, de modo que q=1-p es casi 1, entonces la ocurrencia del evento es rara. En este caso la distribución Bi(n,p) puede ser aproimada por la Poisson con parámetro λ=np=μ. Sea ~Bi(n,p). Se puede probar matemáticamente que, bajo las condiciones anteriores, y llamando λ=np se tiene que p lim n pequeño P( k) p lim n pequeño n k p k k k! nk 1 p e
36 Ejemplo: aproimación de Poisson a la binomial Suponga que la probabilidad de que un pasajero de AA pierda su equipaje de acuerdo con los registros de la empresa es del 5%. Se toma una muestra al azar de 00 pasajeros de AA en un día determinado. a. Cuál es la probabilidad de que más de dos pasajeros hayan etraviado su equipaje? b. Y cuál que la hayan etraviado a lo sumo 10 pasajeros? En ecel =POISSON(10,10,VERDADERO)=0.583 La Poisson aproima razonablemente bien a la Binomial cuando n 50 y p 0.05
37 Esperanza y varianza de una Poisson Sea una v.a. con distribución de Poisson con parámetro λ. Entonces E( ) Var ( ) Ejercicio: El número de accidentes promedio que ocurren en una fábrica es de 3 al año. En el último año se registraron 7 accidentes. Este número llamó la atención a los responsables de la seguridad laboral. Cuán probable es que ocurran por lo menos 7 accidentes? Es este valor un indicio de un cambio en la media? En ecel =1- POISSON(6,3,VERDADERO)= =0.033
Distribución de Probabilidad
Distribución de Probabilidad Variables discretas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Modelos probabilísticos Un modelo es una
Más detalles10/04/2015. Ángel Serrano Sánchez de León
0/04/05 Ángel Serrano Sánchez de León 0/04/05 Índice Distribuciones discretas de probabilidad Discreta uniforme Binomial De Poisson Distribuciones continuas de probabilidad Continua uniforme Normal o gaussiana
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
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 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 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 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 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 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 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 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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más 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 detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesTEMA 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 detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más 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 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 detallesESTADÍSTICA I. Unidad 4: Resumen de Contenidos Teóricos 1. Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS
ESTADÍSTICA I Unidad 4: Resumen de Contenidos Teóricos Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS. VARIABLES ALEATORIAS DISCRETAS. Distribución Binomial Definición previa: Prueba
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más 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 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 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 la Información
Análisis de la Información 2do C. 2018 Clase Nº5 Mg. Stella Figueroa Medidas de Dispersión Absolutas Relativas Rango Varianza Desviación estandar Rango intercuartílico Coeficiente de variación El rango
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 detallesProbabilidades: Variables aleatorias continuas. Estadística Prof. Tamara Burdisso
Probabilidades: Variables aleatorias continuas Variable aleatoria continua Una v. a. es continua si puede tomar cualquier valor numérico en un intervalo o conjuntos de intervalos de la recta numérica.
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más 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 detallesPROBABILIDAD 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 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 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 detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más 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 detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #3 Tema: Distribución Discreta Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Definir la función de probabilidad
Más 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 detallesUNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD
UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.
Más detallesMatemáticas II. 2º Bachillerato. Capítulo 12: Distribuciones de probabilidad
Matemáticas II. º Bachillerato. Capítulo : Distribuciones de probabilidad Autora: Raquel Caro Revisores: Leticia González y Álvaro Valdés 475 Distribuciones de probabilidad Índice. DISTRIBUCIONES 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 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 detallesFundamentos de la Teoría de la Probabilidad. Ing. Eduardo Cruz Romero
Fundamentos de la Teoría de la Probabilidad Ing. Eduardo Cruz Romero www.tics-tlapa.com Teoría elemental de la probabilidad (1/3) El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más 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 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 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 detallesCarrera: Ingeniería Zootecnista E S T A D I S T I C A
Carrera: Ingeniería Zootecnista E S T A D I S T I C A DISTRIBUCIONES DE PROBABILIDAD Una función de probabilidad es aquella que surge al asignar probabilidades a cada uno de los valores de una variable
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 detallesGUÍA TEÓRICA TEMA 3 UNIDAD II: INFERENCIA ESTADÍSTICA PARAMÉTRICA BÁSICA. TEMA 3. LA DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS.
Universidad de Los Andes Facultad de Ciencias Forestales y Ambientales Escuela de Ingeniería Forestal Departamento Manejo de Bosques Cátedra de Biometría Forestal Asignatura: ESTADISTICA Y BIOMETRIA Profesor
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 detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesVariables aleatorias
Estadística Variables aleatorias Supongamos que realizamos el experimento: tirar dos veces un dado. Hasta ahora, hemos tratado sucesos, por ejemplo: A2 = la suma de dos tiradas de un dado es 2. Podemos
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 detallesVARIABLES ALEATORIAS
VARIABLES ALEATORIAS Ejemplo: lanzar dos dados y sumar lo que sale en las dos caras. El espacio muestral está formado por los 36 resultados posibles (de lanzar los dados) Y el resultado del experimento
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 detallesVariables 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 detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detallesCAPÍTULO 6: VARIABLES ALEATORIAS
Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más 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 detallesAlgunas 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 detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más 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 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 detalles1. Experimentos aleatorios
1. Eperimentos aleatorios La eperimentación es útil porque si se supone que llevamos a cabo ciertos eperimentos bajo condiciones esencialmente idénticas se llegará a los mismos resultados. En estas circunstancias,
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 detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
Más detallesPor: Dra. Victoria Serrano
Por: Dra. Victoria Serrano Una variable aleatoria es una función que asigna un número real X ζ a cada resultado ζ en el espacio muestral S de un experimento aleatorio S X ζ = x ζ x línea real S X Una moneda
Más detallesTEMA 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 detallesESTADÍSTICA. Facultad Nacional de Ingeniería Oruro - Bolivia
ESTADÍSTICA Facultad Nacional de Ingeniería Oruro - Bolivia José Luis Zamorano Escalante Universidad Técnica de Oruro Presentación El termino estadística proviene del latín statisticum collegium ( consejo
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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más 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 detallesESTADÍSTICA (Química) PRÁCTICA 4 Sumas de variables aleatorias
ESTADÍSTICA (Química) PRÁCTICA 4 Sumas de variables aleatorias 1. Se realizan mediciones independientes del volumen inicial y final en una bureta. Supongamos que las mediciones inicial y final siguen el
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #2 Tema: Esperanza y Decisiones Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Entender los conceptos básicos
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesLA FUNCIÓN VARIABLE ALEATORIA (va.)
LA FUNCIÓN VARIABLE ALEATORIA (va.) Una variable aleatoria X es una función que asocia un número real con cada elemento del espacio muestral. Ej: Se sacan fichas de manera sucesiva sin reemplazo de una
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 detallesPráctica 3: Variables Aleatorias Discretas
: Variables Aleatorias Discretas 1. El gerente de personal estudia la cantidad de accidentes laborales ocurridos en un mes y elaboró la siguiente distribución de probabilidad: (a) Grafique la función de
Más detallesLa 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 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 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 detallesReporte 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