Aprender el concepto de la probabilidad y las reglas básicas de probabilidades para sucesos. Entender la probabilidad condicionada.
|
|
- Monica Henríquez Maldonado
- hace 6 años
- Vistas:
Transcripción
1 5. PROBABILIDAD Objetivo Aprender el concepto de la probabilidad y las reglas básicas de probabilidades para sucesos. Entender la probabilidad condicionada. En el idioma habitual, usamos frases como: Es probable que gane Madrid hoy Mañana lloverá seguro. Es posible que te llamen pero lo dudo. En todas estas frases, explicamos un sentido de incertidumbre sobre sucesos aleatorios. Ahora queremos formalizar la idea del azar y probabilidad. 113
2 Conceptos básicos La probabilidad de un suceso es una medida numérica de la posibilidad de que ocurra. La idea es relevante en situaciones donde el azar juega un papel importante. Se necesita el concepto de un experimento aleatorio y de sus posibles resultados. Definición 19 Un experimento aleatorio es el proceso de observar un fenómeno cuyos posibles resultados son inciertos. Se supone que se saben todos los posibles resultados del experimento de antemano y que se puede repetir el experimento en condiciones idénticas. Ejemplo 50 Lanzar una moneda y observar si sale cruz o cara. 114
3 Definición 20 El espacio muestral (Ω) esel conjunto de todos los posibles resultados del experimento. Ejemplo 51 Si el experimento es lanzar la moneda una vez, el espacio muestral es Ω={C, X} donde C significa cara y X cruz. Si el experimento es lanzar la moneda dos veces, el espacio muestral es {(C, C), (C, X), (X, C), (X, X)} donde (C, X) es el suceso de que la primera tirada sea cara y la segunda cruz. Definición 21 Los posibles resultados del experimento o componentes del espacio muestral (e i ) se llaman sucesos elementales: Ω={e 1,...,e k } 115
4 Ejemplo 52 En el caso de lanzar la moneda dos veces, los sucesos elementales son e 1 = (C, C), e 2 =(C, X), e 3 =(X, C) y e 4 =(X, X). Definición 22 Un suceso es un conjunto de sucesos elementales. Ejemplo 53 En el caso de lanzar la moneda dos veces, el suceso A = sale exactamente una cara es A = {(C, X), (X, C)}. El suceso B = la primera tirada es cara es B = {(C, C), (C, X)}. Dos sucesos importantes son el suceso seguro = Ω, es decir todo el espacio muestral y el suceso imposible = φ, el conjunto vacio. Además, para cada suceso A, podemos definir Ā =el suceso contrario de A, es decir Ā =Ω\ A = {e i : e i / A} Observamos que Ω = A Ā y que A Ā = φ. 116
5 Ejemplo 54 Ā = {(C, C), (X, X)} B = {(X, C), (X, X)} Para dos sucesos, A y B, se define el suceso A B (o A y B) como el conjunto de sucesos elementales contenidos en A y B. Si ocurre el suceso A y B, se han ocurrido ambos sucesos. Dos sucesos A y B que no pueden ocurrir a la vez (A B = φ) se llaman sucesos incompatibles. Al contrario se dice que ha ocurrido el suceso A B (A o B) si se ocurre por lo menos uno de dos sucesos. Ejemplo 55 A y B = {(C, X)} A o B = {(C, C), (C, X), (X, C)} A y B no son sucesos incompatibles. 117
6 Diagramas de Venn Una manera visual de ver los distíntos sucesos es a través del diagrama de Venn. Ω A B 118
7 Ω A Ā Ω A y B 119
8 Frecuencia y probabilidad Aún no hemos definido la probabilidad de un suceso. El método más frecuente es usar la idea de frecuencias relativas. Ejemplo 56 Definimos el experimento de tirar una moneda una vez. Repetimos el experimento un número n de veces y calculamos las frecuencias relativos de cada suceso elemental. f 1 n =1 f n =10 1,5,5 0 f 1 C 0 X C X f n = n = 1000,5,5 0 C X 0 C X 120
9 En el ejemplo, se ve que las frecuencias relativas se acercan a un ĺımite cuando se repite el experimento muchas de veces. El valor del ĺımite es la probabilidad del suceso. Para un suceso A se escribe P (A) pararepresentar su probabilidad. Se han definido las probabilidades como ĺımites de frecuencias, y se puede deducir las siguientes propiedades básicas que poseen las probabilidades. Se tiene: Para cualquier suceso A, 0 P (A) 1. P (A) = i:e i A P (e i) P (Ω) = 1 Si A y B son sucesos incompatibles (es decir que A y B = φ) entonces P (A o B) =P (A)+P (B). 121
10 De estas tres propiedades, se deduce que si Ā es el suceso complementario a A, P (Ā) =1 P (A) Demostración A y Ā son sucesos incompatibles y entonces P (A o Ā) =P (A)+P (Ā) Pero Ω = A o Ā es decir que A o Ā es un suceso seguro y entonces 1=P (A o Ā). Luego el resultado sigue inmediatamente. Inmediatamente podemos concluir que como φ = Ω, entonces P (φ) = 0, es decir que el suceso imposible es de verdad imposible. 122
11 Espacios equiprobables En algunas situaciones, la definición del experimento asegura que todos los sucesos elementales tienen la misma probabilidad de ocurrir. En este caso, se dice que el espacio muestral es equiprobable. Si el espacio muestral es equiprobable y contiene k sucesos elementales, luego se tiene Ω={e 1,...,e k } P (e i )= 1 k para i =1, 2,...,k. Para cualquier suceso A entonces, la probabilidad de A es P (A) = 1 número de sucesos elementales en A. k 123
12 Ejemplo 57 Supongamos que se lanza una moneda equilabrada dos veces. Luego hay cuatro sucesos elementales, (C, C), (C, X), (X, C), (X, X) cada suceso con probabilidad 1 4. Entonces, la probabilidad de observar A = exactamente una cara es P (A) = P ({(C, X), (X, C)}) = = 1 2 Además, la probabilidad de que la primera tiradaseacaraesp (B) = 2 4 = 1 2. Cuál es la probabilidad de que la primera tirada sea cruz? P ( B) =1 P (B) =1 1 2 =
13 La probabilidad subjetiva Se han visto anteriormente dos ideas para definir probabilidades: via frecuencias relativas y además el caso de espacios equiprobables. Existe otra enfoque completemente distínto que define la probabilidad como una medida subjetiva de incertidumbre sobre la aparición de un suceso. Así nuestras probabilidades para algún suceso pueden ser distíntos, ya que tenemos diferentes cantidades de información. En este caso, se pueden definir probabilidades para experimentos irrepetibles. Ejemplo 58 Cuál es la probabilidad de que naciera yo en el 1965? 125
14 La probabilidad P (A o B) Sii A y B son sucesos incompatibles, tenemos el siguiente diagrama de Venn. Ω A B La área en A o B es igual a la suma de las dos áreas. Entonces, interpretando probabilidad como área, concluimos que P (A o B) =P (A)+P (B). 126
15 En el caso más general, tenemos el siguiente diagrama Venn. Ω A B Vemos que la área contenida en el suceso A o B es igual a la área en A más la área en B menos la área en A y B. Entonces, tenemos la fórmula general. Para dos sucesos A y B, se tiene la ley de adición: P (A o B) =P (A)+P (B) P (A y B) 127
16 Observamos también que se tiene P (A y B) mín{p (A),P(B)} y P (A y B) máx{p (A),P(B)}. Ejemplo 59 Hay 15 cĺınicas en una ciudad. De ellas, 6 no cumplen las reglas sanitarias y 8 no cumplen los requisitos de seguridad. 5 cĺınicas no cumplen ni los requisitos de seguridad ni las reglas sanitarias. Si se elige una cĺınica para inspeccionar al azar, cuál es la probabilidad de que cumpla ambos reglamientos? 128
17 Sea A el suceso de que cumple las reglas sanitarias y B el suceso de que cumple los requisitos de seguridad. Si elegimos una cĺınica al azar, tenemos P (Ā) = 6 15 P ( B) = 8 15 P (Ā y B) = 5 15 Deducimos que P (A) =1 P (Ā) = 9 15 ytambién que P (B) =1 P ( B) = Ahora miramos el diagrama de Venn. 129
18 Ω A o B Ā y B Observamos que (A o B) (Ā y B) =Ωytambién los dos sucesos son incompatibles. Luego P (A o B) =1 P (Ā y B) = Ahora necesitamos calcular P (A y B). Recordamos que P (A o B) =P (A)+P (B) P (A y B) que implica que P (A y B) = = 6 15 =
19 Una extensión P (A o B o C) Ω C A B Pensamos en probabilidad como si fuera area. P (A o B o C) = P (A)+P(B)+P(C) P (A y B) P (B y C) P (A y C) +P (A y B y C) 131
20 Probabilidad condicionada Ejemplo 60 Se clasifica un grupo de 100 ejecutivos en acuerdo con su peso y si tienen hipertensión. La tabla de doble entrada muestra el número de ejecutivos en cada categoría. insuficiente normal sobrepeso Total hipertenso normal Total Si se elige un ejecutive al azar, cuál es la probabilidad de que tenga hipertensión (H)? Hay 20 ejecutivos con hipertensión y luego P (H) = =0,2. Igualmente, la probabilidad de que tenga sobrepeso (S) esp (S) = =0,
21 Se elige una persona al azar del grupo y se descubre que tiene sobrepeso. Cuál es la probabilidad de que esta persona sea hipertenso? Escribimos P (H S) para representar la probabilidad de que sea hipertenso sabiendo que sobra peso. Para calcular P (H S), las primeras dos columnas de la tabla son irrelevantes. Hay 25 ejecutivos gordos y de ellos, 10 son hipertensos. Luego P (H S) = =0,4. Observamos también que P (H y S), la probabilidad de que una persona elegida al azar sea gordo y hipertenso es P (H y S) = =0,1. Observamos entonces que P (H S) = P (H y S). P (S) 133
22 Definición 23 Para dos sucesos A y B, sedefine la probabilidad condicionada de A dado B como P (A y B) P (A B) =. P (B) Se entiende la expresión como la probabilidad de A suponiendo que B haya ocurrido. A menudo se escribe esta fórmula de otra manera P (A y B) =P (A B)P (B). En este caso, se llama la fórmula la ley de multiplicación. 134
23 Ejemplo 61 Se dan dos cartas de una baraja espaola. Cuál es la probabilidad de que ambas cartas sean copas? Sea A (B) el suceso de que la primera (segunda) carta sea copa. Queremos P (A y B). Usamos la ley de multiplicación. P (A y B) =P (B A)P (A) Ahora P (A) = y P (B A) = 39 9 porque si la primera carta es copa, quedan 39 cartas, nueve de ellos siendo copas. Luego P (A y B) = =
24 Ejemplo 62 Una urna contiene tres balas rojas y dos verdes. Se quitan dos balas sin reemplazamiento. Cuál es la probabilidad de que la primera bala sea verde (A)? P (A) = 2 5. Observamos también que P (Ā) = 3 5. Cuál es la probabilidad de que la segunda bala quitada sea verde (B)? P (B) = P (B y A)+P (B y Ā) = P (B A)P (A)+P(B Ā)P(Ā) = =
25 Independencia Definición 24 Se dicen que dos sucesos A y B son independientes si P (A y B) =P (A)P (B). Igualmente, A y B son independientes si P (A B) = P (A) osip (B A) =P (B). Ejemplo 63 En el Ejemplo 62, A y B no son independientes. P (B) = 2 5 P (B A) =
26 En el Ejemplo 62, hemos aplicado otra regla útil de la probabilidad. Teorema 7 Para dos sucesos A y B, setiene P (A) =P (A B)P (B) +P (A B)P ( B). Demostración Ω A y B A y B A B Mirando el diagrama Venn, vemos que A =(A y B) (A y B) 138
27 Luego: P (A) = P (A y B)+P (A y B) = P (A B)P (B) +P (A B)P ( B) aplicando la ley de multiplación en cada caso. Ejemplo 64 El 42 % de la población activa de cierto pais está formada por mujeres. Se sabe que un 24 % de las mujeres y un 16 % de los hombres están en el paro. Cuál es la probabilidad de que una persona elegida al azar de la poblacción activa en esta pais esté enelparo? Cuál es la probabilidad de que tenga trabajo? 139
28 Sea P el suceso de que la persona esté enel paro. Sea M el suceso de que sea mujer y H el suceso de que sea hombre. Luego sabemos que P (M) = 0,42 P (H) = P ( M) = 1 P (M) =0,58 P (P M) = 0,24 P (P H) = 0,16 Entonces, P (P ) = P (P M)P (M)+P(P H)P (H) = 0,24 0,42 + 0,16 0,58 = 0,1936 Ahora P ( P )=1 P (P )=0,8064 es la probabilidad de que tenga trabajo. 140
29 Ejemplo 65 Un 3 % de la población adulta de un pais africano padecen a beri beri. Existe una prueba diagnóstica para detectar si una persona tiene la enfermedad o no, pero es imperfecta. La prueba tiene un 10 % de falsos positivos (es decir que para gente sana, hay una probabilidad de 10 % de que la prueba diga que es enferma) y 5 % de falsos negativos (hay una probabilidad de 5 % de que identifique un enfermo como sano). Si se elige una persona para la prueba aleatoriamente, cuál es la probabilidad de que la prueba le dé un resultado positivo? 141
30 Sea B = tiene beri beri y S = la prueba da un resultado positivo. Luego: Queremos hallar P (S). P (B) = 0,03 P (S B) = 0,10 P ( S B) = 0,05 P (S) =P (S B)P (B) +P (S B)P ( B) Tenemos P ( B) =1 P (B) =0,97 y P (S B) = 1 P ( S B) =0,95. Entonces P (S) =0,95 0,03 + 0,10 0,97 = 0,
31 Una descomposición más general Consideramos el siguiente diagrama de Venn. Ω B 1 B 3 B 2 B 4 Los sucesos B 1,...,B 4 dividen el espacio muestral en 4 partes distíntas. Definición 25 Un conjunto de sucesos B 1,...,B k donde B i B j = φ para todo i j y Ω=B 1 B 2...B k se llama una partición del espacio muestral. 143
32 Ahora supongamos que introducimos otro suceso A Ω B 1 B 3 A B 2 B 4 Tenemos A =(A B 1 ) (A B 2 ) (A B 3 ) (A B 4 ) LuegocomolosB i son incompatibles, P (A) =P (A B 1 )+P(A B 2 )+P(A B 3 )+P(A B 4 ) y usando la ley de multiplicación, P (A B i ) = P (A B i )P (B i ) para i =1,...,4 4 P (A) = P (A B i )P (B i ) i=1 144
33 La ley de la probabilidad total Teorema 8 (Ley de la probabilidad total) Para un suceso A y sucesos B 1,...,B k, donde B 1 B 2... B k =Ωy B i B j = φ para todo i j, entonces P (A) = k i=1 P (A B i )P (B i ) Ejemplo 66 En una fábrica se embalan (en cajas) galletas en 4 cadenas de montaje; A 1, A 2, A 3 y A 4. El 35 % de la producción total se embala en la cadena A 1 yel20%,24%y21% en A 2, A 3 y A 4 respectivamente. Los datos indican que no se embalan correctamente un porcentaje pequeño de las cajas; el 1 % de A 1, el 3 % de A 2,el2.5%deA 3 yel2%dea 4. Cuál es la probabilidad de que una caja elegida al azar de la producción total sea defectuosa? 145
34 Sea D = defectuosa. Luego P (D) = 4 i=1 P (D A i )P (A i ) =,01,35 +,03,20 +,025,24 + +,02,21 =,
35 El teorema (o la regla) de Bayes Teorema 9 Para dos sucesos A y B, setiene P (B A)P (A) P (A B) = P (B) Demostración Por la regla de multiplicación, se tiene P (A y B) = P (A B)P (B) y igualmente P (A y B) = P (B A)P (A) y luego P (A B) = P (B A)P (A) P (B) 147
36 Ejemplo 67 Volvemos al Ejemplo 64. Supongamos que se elige un adulto al azar para rellenar un formulario y se observa que no tiene trabajo.?cuál es la probabilidad de que la persona elegida sea mujer? Necesitamos calcular P (M P ). Mediante el teorema de Bayes, tenemos P (M P ) = = P (P M)P (M) P (P ) 0,24 0,42 0,1936 0,
37 Ejemplo 68 Retomando el Ejemplo 65 supongamos que la prueba le da positivo a la persona. Cuál es la probabilidad de que tenga beri beri? P (B S) = = P (S B)P (B) P (S) 0,95 0,03 0,1255 por el teorema de Bayes 0,2271 Y si la prueba da negativa? P (B S) = P ( S B)P (B) P ( S) 0,05 0,03 = 1 0,1255 0,
38 Ejemplo 69 Volviendo al Ejemplo 66, supongamos que descubrimos que una caja es defectuosa. Calculamos la probabilidad de que la caja provenga de la cadena A 1. P (A 1 D) = P (D A 1)P (A 1 ) P (D),01,35 =,0197,1777 Igualmente P (A 2 D) =,03,20,0197,3046 ytambién, P (A 3 D) =,025,24,0197,3046. Finalmente mediante el teorema de Bayes, P (A 4 D) = omás facilmente,,02,21,0197,2132 P (A 4 D) = 1 P (A 1 D) P (A 2 D) P (A 3 D) = 1,1777,3046,3046,
39 Ejemplo 70 3 prisioneros, Andrés, Bruno y Carlos han solicitado la libertad condicional. Se sabe que el gobernador va a poner en libertad a uno de los tres pero el no va a decir quien hasta finales del mes. El gobernador dice a Andrés que puede informarle del nombre de un solicitante sin exíto dadas las siguientes condiciones. 1. Si se va a liberar a Andrés, el gobernador dirá Bruno o Carlos con la misma probabilidad (1/2). 2. Si se libera a Bruno, dirá el nombre de Carlos. 3. Si Carlos es el que se va a liberar, dirá Bruno. Andrés pide al gobernador que le cuente su rollo y el gobernador creyendo que su información es inútil dice a Andrés que Bruno se va a quedar en la carcel. 151
40 Andrés piensa mi probabilidad de que me pongan en libertad ha cambiado de 1/3 a 1/2. Estoy muy contento. Tiene razón? Sean A, B,C los sucesos de que Andrés, Bruno y Carlos respectivamente estén puestos en libertad. Sea b el suceso de que el gobernador diga el nombre de Bruno. Se tiene: P (A) =P (B) =P (C) =1/3 porque sólo uno de los tres va a salir de la carcel. Además, sabiendo que el gobernador ha dicho el nombre de Bruno, se tiene P (b A) =1/2, P(b B) =0, P(b C) =1. 152
41 Entonces, mediante el teorema de Bayes, P (A b) = P (b A)P (A) P (b) = P (b A)P (A) P (b A)P (A)+P(b B)P(B) +P (b C)P (C) = 1/2 1/3 1/2 1/3+0 1/3+1 1/3 = 1/3 Andrés no tiene razón! 153
42 6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Hasta ahora, hemos tratado de sucesos, por ejemplo A = la suma de dos tiradas de un dado es 7. Ahora queremos generalizar y tratar de variables, por ejemplo la suma de las dos tiradas o el número de llamadas telefónicas en una hora. 154
43 Variables aleatorias Definición 26 Una variable aleatoria es una función que asocia un valor numérica a todos los posibles resultados de un experimento aleatorio. Ejemplo 71 Consideramos el experimento de lanzar un dado equilibrado dos veces. Sea X = suma de las dos tiradas. El espacio muestral es {(1, 1), (1, 2),...,(6, 6)} y para cada suceso elemental, podemos calcular el valor de X. Por ejemplo si el resultado del experimento es (3, 4) luego X =7. La tabla muestra los sucesos elementales asociados con cada posible valor de X. 155
44 x Sucesos elementales 2 (1, 1) 3 (1, 2) (2, 1) 4 (1, 3) (2, 2) (3, 1) 5 (1, 4) (2, 3) (3, 2) (4, 1) 6 (1, 5) (2, 4) (3, 3) (4, 2) (5, 1) 7 (1, 6) (2, 5) (3, 4) (4, 3) (5, 2) (6, 1) 8 (2, 6) (3, 5) (4, 4) (5, 3) (6, 2) 9 (3, 6) (4, 5) (5, 4) (6, 3) 10 (4, 6) (5, 5) (6, 4) 11 (5, 6) (6, 5) 12 (6, 6) Este es un ejemplo de una variable discreta. 156
45 Como en el ejemplo, a menudo, se denotan variables aleatorias por letras mayúsculas, por ejemplo X, y sus posibles valores con letras minúsculas, por ejemplo X = x 1. Observamos que variables pueden ser discretas, como en el ejemplo, o continuas, por ejemplo el tiempo que dure mi siguiente llamada telefónica. El tratamiento de los dos tipos de variable es algo distínto. Para variables discretas, podemos definir directamente la distribución de la variable. 157
46 La distribución de una variable aleatoria Definición 27 Sea X una variable aleatoria discreta con posibles valores x 1,x 2,...Seanp i = P (X = x i ) para i = 1, 2,... las correspondientes probabilidades. Este conjunto de probabilidades se llama la función de probabilidad o la función de masa de la variable. Ejemplo 72 Supongamos que el dado es equilibrado. Entonces la función de probabilidad de la variable X = suma de las dos tiradas es la siguiente. 158
47 La distribución de X La función de probabilidad de X es la siguiente: x P (X = x) Total 1 Para ver la forma de la distribución, es habitual dibujar la función de probabilidad. 159
48 Gráfico de la función de probabilidad de X P (X = x) x Vemos que la distribución es simétrica y unimodal. 160
49 Propiedades de la distribución de una variable discreta X 1. 0 P (X = x i ) 1 para todos los valores x i. 2. i P (X = x i )=1. 3. P (X x) = i, x i x P (X = x i ). 4. P (X >x)=1 P (X x). Ejemplo 73 Volviendo al Ejemplo 71, hallamos las siguientes probabilidades. 1. la suma es menos o igual a la suma es entre 6 y 8 inclusive. 3. la suma es mayor de
50 1. Queremos P (X 4) P (X =4) = P (X =2)+P (X =3)+P (X =4) = P (6 X 8) = P (X =6)+P (X =7)+P (X =8) = P (X >3) = 1 P (X 3) = 1 {P (X =2)+P (X =3)} =
51 Ejemplo 74 En ocasiones, algunas lineas aéreas venden más pasajes que los disponibles en un vuelo. Una compañia ha vendido 205 billetes que corresponden a un avión con 200 plazas. Sea X la variable aleatoria que expresa el número de viajeros que se presentan en el aeropuerto para viajar en el avión. La distribución de X es x P (X = x),05,09,15,20,23,17,09,02 Hallar la probabilidad de que todos los pasajeros que llegan a tomar el vuelo tengan plaza. Cuál es la probabilidad de que se quede sin plaza alguno de los pasajeros que se presentan en el aeropuerto? Ejemplo tomado de Pe~na y Romo (1997). 163
52 Queremos calcular P (X 200). P (X 200) = P (X = 198) + P (X = 199) +P (X = 200) =,05 +,09 +,15 =,29 La probabilidad de que todos los pasajeros tengan viaje es,29. Igualmente, la probabilidad de que se quede sin viaje algún pasajero es P (X >200) = 1 P (X = 200) =,
53 La función acumulada de distribución Definición 28 La función (acumulada) de distribución de una variable X es la función F (x) =P (X x). Para una variable discreta, la función de distribución es una función escalón, es decir que tiene las siguientes propiedades: 1. F ( ) =0 2. F ( ) =1 3. F (x) F (x + ɛ) para cualquier ɛ>0. 165
54 Ejemplo 75 Volviendo al Ejemplo 71, tabulamos la función acumulada de distribución. x P (X = x) F (x) Total 1 Construimos un gráfico de la función de distribución. 166
55 Gráfico de la función acumulada de distribución de X F (x) x 167
56 Ejemplo 76 En el Ejemplo 74, tenemos x P (X = x),05,09,15,20,23,17,09,02 F (x),05,14,29,49,72,89,98 1 F (x) 1,9,8,7,6,5,4,3,2, x 168
57 Media o esperanza de una variable discreta Supongamos que se repite un experimento (tirar un dado 2 veces) n veces y que se observan los resultados (suma de las dos tiradas) cada vez. Supongamos que se observa n i repeticiones del valor x i. Luego, la media muestral es x = 1 n i x i = f i x i n i i donde f i es la proporción de veces que ha ocurrido x i. Si supongamos un número infinito de repeticiones, tenemos f i P (X = x i )y x E[X] = i P (X = x i ) x i Luego E[X] es una medida de localización de la distribución de X. 169
58 Definición 29 La esperanza o media de una variable aleatoria discreta X es E[X] = i P (X = x i ) x i A menudo, también se utiliza la letra griega µ para representar la media de X. Ejemplo 77 Volvemos al Ejemplo 71. La media de X es E[X] = = 7 170
59 Ejemplo 78 En el Ejemplo sobre los pasajeros, el número medio de pasajeros que llegan al aeropuerto es µ =, , , = 201,44 Observamos que la media no siempre es uno de los valores posibles de X. 171
60 Esperanza de una función de X Definición 30 Sea g(x) una función de X. Luego la esperanza de g(x) es E[g(X)] = i P (X = x i ) g(x i ) Ejemplo 79 En el Ejemplo 74 supongamos que la compañia aréa recibe 250 euros por cada billete que vende pero que tiene que devolver el precio del ticket y además pagar una multa de 1000 euros a cada pasajero que no puede montar en el avión. Calcular la cantidad de dinero que espera cobrar la compañia en este vuelo. 172
61 Sea g(x) las ganancias de la compañia. Las ventas totales de tickets son = euros. Si llegan x 200 personas entonces g(x) = Si llegan x > 200 personas, g(x) = (x 200) (1250). Entonces E[g(X)] = 51250, , ,15 + (51250 ( ) 1250),20 + (51250 ( ) 1250), (51250 ( ) 1250),02 = 49212,5 euros 173
62 En particular tenemos los siguientes resultados Teorema 10 E[c] = c para una constante c E[bX] = be[x] E[g(X)+h(X)] = E[g(X)] + E[h(X)] E[a + bx] = a + be[x] Demostración E[c] = i P (X = x i ) c = c i P (X = x i ) = c 1=c E[bX] = P (X = x i ) (bx i ) i = b i P (X = x i ) x i = be[x] 174
63 E[g(X)+h(X)] = i P (X = x i ) (g(x i )+h(x i )) = i i P (X = x i ) g(x i )+ P (X = x i ) h(x i ) = E[g(X)] + E[h(X)] El último resultado es consecuencia de los demás. Ejemplo 80 Volvemos al Ejemplo 74. Supongamos que cada pasajero que se presenta al aeropuerto compra una bebida para 2 euros. Calcular las ganancias en promedio recibido por Coca Cola c. Queremos E[2X] = 2 E[X] = 2 201,44 = 402,88 euros. 175
64 Varianza y desviación típica Recordamos que la desviación típica muestral es una medida de la desviación de la muestra en torno de la media. Podemos definir de manera semejante la desviación típica de una variable. Definición 31 La varianza de una variable X que tiene media µ es V [X] =E [ (X µ) 2] = i P (X = x i ) (x i µ) 2. La desviación típica es DT[X] = V [X]. A menudo se escribe σ 2 para representar la varianza y σ para la desviación típica. 176
65 Ejemplo 81 Retomamos el Ejemplo sobre los dados. Tenemos V [X] = 1 36 (2 7) (3 7) (12 7)2 36 = 6,38 8 6,389 La desviación típica es DT[X] = 6,38 8 2,53. Es lioso calcular la varianza así. Existe una manera más fácil 177
66 Teorema 11 La varianza de X es V [X] = E [ X 2] E[X] 2 = i P (X = x i ) x 2 i E[X]2 Demostración V [X] = E [ (X E[X]) 2] = E [ X 2 2XE[X]+E[X] 2] = E [ X 2] 2E[X]E[X]+E[X] 2 = E [ X 2] E[X] 2 178
67 Ejemplo 82 En el Ejemplo 74, E[X 2 ] =, , = 40580,88 σ 2 = E[X 2 ] µ 2 = 40580,88 201,44 2 = 2,8064 Luego la desviación típica es σ 1,675 pasajeros. 179
68 Variables continuas Si tenemos una variable continua X, podemos definir la función acumulada de distribución de la misma manera que para una variable discreta. F (x) =P (X x). Ahora esta función será una función suave y no una función escalón, pero tendrá las mismas propiedades que la función de distribución para una variable discreta. F ( ) =0,F ( ) =1,F (x + ɛ) F (x) para cualquier ɛ>0. 180
69 Ejemplo 83 Cuáles de las siguientes funciones pueden ser funciones de distribución para una variable continua X? 1. F (x) = 0 si x<0 x 2 4 para 0 x 2 1 para x>2 2. F (x) = 0 para x< 1 x 2 para 1 x 2 1 para x>2 3. F (x) = { 0 si x 0 1 e x para 0 <x< Funciones 1 y 3 pueden ser funciones de distribución. La función 2 es negativa en el rango 1 <x<0. Los siguientes dibujos muestran las funciones de distribución en casos 1 y
70 1) F (x) = x2 4. F(x) x 3) F (x) =1 e x. F(x) x 182
71 La función de densidad Para una variable continua, la función de probabilidad ya no tiene sentido. No obstante, se define otra función con propiedades semejantes. Definición 32 Para una variable continua X con función de distribución F (x), la función de densidad de X es f(x) = df (x) Las propiedades de la función de densidad son: dx f(x) 0paratodox. f(x) dx =1. F (x) = x f(u) du. P (a <X<b)= b a f(x) dx = F (b) F (a). 183
72 Ejemplo 84 Volvemos al Ejemplo 83 y calculamos las funciones de densidad en casos 1 y ( ) x 2 f(x) = d dx 4 = 2x 4 = x { 2 x2 para 0 <x<2 f(x) = 0 si no 2. f(x) = d ( 1 e x ) dx = { e x e f(x) = x para 0 <x< 0 si no Los siguientes dibujos muestran las funciones de densidad. 184
73 1) f(x) = x 2. f(x) x 3) f(x) =e x. f(x) x 185
74 Interpretación de la función de densidad Pensamos en tomar una muestra muy grande y hacer un histograma de los datos (con bastantes barras) con la área normalizada a 1. f(x) x Se ve que el histograma es parecido a la función de densidad. 186
75 Ejemplo 85 Una variable aleatoria Y tiene la función de densidad { cy f(y) = 2 (1 y) si 0 <y<1 0 si no Cuál es el valor de c? 1 = 1 f(y) dy = 0 cy2 (1 y) dy 1 ( = c y 2 y 3) dy = c 0 [ y 3 ( 1 3 y4 4 = c = c 12 c = 12 ) ]
76 Se ve un diagrama de la función de densidad f(y) y La densidad es asimétrica a la izquierda. Hallamos la función de distribución. 188
77 Sea 0 <y<1. Luego F (y) = P (Y y) = = = F (y) = y y [ f(y) dy 0 12u2 (1 u) du 12 = 12 ( u 3 3 u4 4 3 y4 4 ( y 3 12 ) )] y 0 0 si y 0 ( y 3 3 y4 4 ) si 0 <y<1 1 si y 1 189
78 F(y) y Cuál es P (Y 0,5)? P (Y 0,5) = F (0,5) = 12 ( 0, ,54 4 ) =,
79 Media, varianza y desviación típica de una variable continua Recordamos las fórmulas para la media y varianza de una variable discreta: µ = i σ 2 = i P (X = x i ) x i P (X = x i ) (x i µ) 2 En el caso de una variable continua, la función de densidad juega el papel de la función de probabilidad y integramos en lugar de sumar. Definición 33 Si X es una variable continua con función de densidad f(x) entonces, la media de X es E[X] = ylavarianzadex es V [X] = f(x) xdx f(x) (x E[X]) 2 dx 191
80 La desviación típica es DT[X] = V [X]. Igual que con variables discretas, se usan los símbolos µ y σ para representar la media y desviación típica respectivamente. Además, existe una forma más sencilla de expresar la varianza V [X] = E [ X 2] E[X] 2 = f(x) x 2 dx µ 2 Las expresiones derivadas para variables discretas valen también para variables continuas, sustituyendo integración por sumación. 192
81 Ejemplo 86 Volvemos al Ejemplo 83. Calculamos la media y varianza de la variables del apartado f(x) = E[X] = = = = { x2 para 0 <x<2 2 0 si no xf(x) dx 0 2 x 2 0 [ ] x x 2 xdx 2 dx 0 = 23 6 =
82 E [ X 2] = = = x 3 0 [ ] x x 2 x2 dx 2 dx = 24 8 =2 V [X] = E [ X 2] E[X] 2 = 2 0 ( 4 3 ) 2 = 7 9 La desviación típica es DT[X] = 79,
83 Ejemplo 87 Calculamos la media, varianza y desviación típica para la variable del Ejemplo µ = 0 12y2 (1 y) ydy 1 = 0 12y3 (1 y) dy 1 ( = 12 y 3 y 4 ) dy [ = 12 = 12 0 ( y 4 ( 1 4 y ) )] 1 0 =0,6 195
84 1 E [ Y 2] = 0 12y2 (1 y) y 2 dy 1 = 0 12y4 (1 y) dy 1 ( = 12 y 4 y 5) dy [ = 12 0 ( y 5 ( 1 5 y6 6 ) )] 1 = =0,4 6 σ 2 = E [ Y 2] µ 2 = 0,4 0,6 2 =0,04 σ = 0,
85 Otras medidas El coeficiente de variación de una variable con media µ y desviación típica σ es µ σ. El coeficiente de asimetría es E [ (X µ) 3] σ 3 El coeficiente de kurtosis es E [ (X µ) 4] σ 4 197
86 Mediana y Cuartíles Definición 34 Para una variable continua X con función acumulada de distribución F (x), la mediana es el punto M donde F (M) =0,5. Igualmente, si la densidad de X es f(x), se tiene M f(x) dx =0,5. Ejemplo 88 Volvemos al caso 1 del Ejemplo 83. En este caso, la función de distribución es F (x) = x2 4 y la mediana es el punto M para que F (M) = 1 2 M 2 = M = 2 1,
87 (Si X es una variable discreta, entonces, la mediana es el punto mínimo M donde F (M) 0,5.) Se definen los cuartíles de manera semejante. El primer cuartíl es el punto Q 1 donde F (Q 1 )= 1 4 y el tercer cuartíl es el punto Q 3 donde F (Q 3 )= 3 4. Ejemplo 89 En el Ejemplo anterior se tiene Q = 1 4 Q 1 = 1 Q = 3 4 Q 3 = 3 1,73 199
88 Transformaciones de variables Si X es una variable discreta e Y = g(x) es una transformación, se calcula la función de probabilidad de Y mediante P (Y = y) =P (g(x) =y) =P (X = g 1 (y)). No obstante, si X es continua, es más complicada sacar una fórmula general para la densidad de Y. f(y) =f X (g 1 (y)) d dy g 1 (y) Pero hay algunas reglas para la media y varianza de transformaciones lineales. Vimos antes en el Teorema 10 algunos resultados para variables discretas. que también valen para variables continuas. 200
89 Transformación lineal Sea Y = a + bx una transformación lineal. Luego se puede observar que si F Y ( ) es la función de distribución de Y, F Y (y) = P (Y y) = P (a + bx y) ( = P X y a ) si b>0o ( ) b y a = F X b y se a expresado la probabilidad en términos de la función de distribución de X. Además, existen expresiones sencillas para la media y varianza de una transformación lineal. E[Y ] = a + be[x] DT[Y ] = bdt [X] 201
90 La transformación tipificante La transformación lineal más importante consiste en tipificar una variable aleatoria, X, que consiste en restarle la media y dividirla por su desviación típica. En este caso, siendo Y = X µ X σ X se tiene E[Y ]=0yDT[Y ]=1. 202
91 Sumas y diferencias de variables Sean X e Y dos variables con medias µ X y µ Y. Entonces si la suma es Z = X + Y,ela diferencia es S = X Y,setiene µ Z = µ X + µ Y µ S = µ X µ Y Se dice que dos variables X e Y son independientes si P (X = x Y = y) =P (X = x)p (Y = y) para cualquier valor de x e y. En el caso de dos variables independientes, también existe una expresión sencilla para la varianza de la suma. Si X e Y son independientes, se tiene σ 2 Z = σ2 S = σ 2 X + σ2 Y 203
92 7. MODELOS DISCRETAS Objetivo Introducir las distribuciones discretas más importantes: las distribuciones Bernoulli, binomial, geométrica y binomial negativa, la distribución Poisson. Hasta ahora, hemos tratado todos los problemas de probabilidad por separado. No obstante en muchos casos, la fórmula para hallar las probabilidades tiene la misma forma. 204
93 El modelo de Bernoulli Supongamos que hacemos un experimento simple de lanzar una moneda sesgada con p = P (cruz) una vez. Definimos una variable X como { 1 si sale cruz X = 0 si sale cara es decir que X =elnúmero 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. 205
94 Media y varianza de una variable Bernoulli Sea X una variable Bernoulli con parámetro p. Luego: E[X] = p 1+(1 p) 0 = p E [ X 2] = p 1 2 +(1 p) 0 2 = p V [X] = E [ X 2] E[X] 2 = p p 2 = p(1 p) DT[X] = p(1 p) 206
95 Ejemplo 90 Se sabe que una máquina produce un 3 % de piezas defectuosas. Elegimos una pieza al azar para comprobar si no presenta defectos. C ómo 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. La media y varianza son E[X] =,97 V [X] =,97,03 =,0291 Ejemplo tomado de Pe~na y Romo (1997) 207
96 La distribución binomial Supongamos ahora que se repiteun ensayo de Bernoulli n veces de forma independiente, por ejemplo que se tira la moneda con p = P (cruz) n veces, 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 35 Una variable X tiene una distribución binomial con parámetros n y p si ( ) n P (X = x) = p x (1 p) n x x ( n para x =0, 1,...,n donde = n! 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). 208
97 Ejemplo 91 Volviendo al Ejemplo 90, 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? P (X 1) = 1 P (X =0) ( ) 10 = 1,03 0 (1,03) ,
98 La media y desviación típica de una variable binomial Teorema 12 Sea X B(n, p). Luego E[X] = np V [X] = np(1 p) DT[X] = np(1 p) Demostración Escribimos X = X 1 +X X n donde cada X i es un ensayo de Bernoulli. Luego, 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) 210
99 Ejemplo 92 El número medio de piezas defectuosas en una muestra de 10 es La desviación típica es 10 0,03 = 0,3 10 0,03 0,97,54 211
100 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 sequir tirando la moneda hasta que veamos la primera cruz?cuántas caras observamos antes de que ocurra? Sea X el número de caras. Luego P (X =0) = p P (X =1) = (1 p)p P (X =2) = (1 p) 2 p. =. P (X = x) = (1 p) x p La distribución de X se llama la distribución geométrica con parámtero p. 212
101 Definición 36 Una variable X tiene una distribución geométrica con parámetro p si P (X = x) =(1 p) x p para x =0, 1, 2,... En este caso, se escribe X G(p). Teorema 13 Si X G(p), luego E[X] = 1 p p y V [X] = 1 p p 2. Ejemplo 93 En el Ejemplo 90, supongamos que se va a inspeccionar 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? 213
102 Sea Y el número de inspecciones necesarios. Luego Y +1 G(0,03). P (Y 4) = P (Y 1 3) = 3 y=0 0,115 0,97 y 0,03 El número esperado de inspecciones necesarias sería 1+0,97/0,03 =
103 La distribución binomial negativa En el caso de la distribución geométrica, se mide el número de tiradas antes de ver la primera cruz. Ahora se mide el número de tiradas antes de ver el r ésima cruz. Definición 37 Una variable X tiene una distribución binomial negativa con parámetros r y p si ( ) r + x 1 P (X = x) = (1 p) x p r x para x =0, 1, 2,... En este caso, se escribe X NB(r, p). La media y varianza de esta distribución son E[X] =r 1 p p V [X] =r 1 p p 2 215
104 Muestreo sin reemplazamiento y la distribución hipergeométrica Supongamos que una urna contiene N pelotas, R de ellas rojas y los demás blancas. Se decide quitar n pelotas una por una sin reemplazamiento. Sea X el número de pelotas rojas que se quitan. Entonces X tiene una distribución hipergeométrica. Definición 38 Una variable X tiene una distribución hipergeométrica con parámetros N, R, n si P (X = x) = para x =0, 1,...,n ( R x )( N R n x ( ) N n ) Se tiene E[X] =n R N. 216
105 Sucesos raros y la distribución de Poisson La distribución del número de sucesos raros (llamadas de teléfono, emisiones de partículos 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. Esta distribución tiene un parámetro λ que representa el número medio de accidentes por unidad de tiempo. Definición 39 Una variable X tiene una distribución Poisson con parámetro λ si P (X = x) = λx e λ para x =0, 1, 2,... x! En este caso, se escribe X P (λ). 217
106 Teorema 14 Si X P (λ), luego E[X] =λ, V [X] =λ y DT[X] = λ. Ejemplo 94 El número medio de erratas por transparencia es 1,2. Cuál es la probabilidad de que en una transparencia no haya erratas? Sea X el número de erratas. Luego X P (1,2). P (X =0)= 1,20 e 1,2 0! = e 1,2 0,301 Y la probabilidad de que haya 2 o más erratas? P (X 2) = 1 P (X <2) = 1 P (X =0) P (X =1) { 1,2 0 e 1,2 = 1 + 1,21 e 1,2 0! 1! 0,34 } 218
107 Teorema 15 Si X P (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 P (tλ). Ejemplo 95 En promedio, hay 50 incendios serios cada año en la provincia de Chimbomba.?Cuál es la probabilidad de que no haya ningún incendio mañana? El número medio de incendios por día es ,137. Luego, la probabilidad de cero incendios mñana es 0,137 0 e 0,137 0! 0,
108 Ejemplo 96 Volvemos al Ejemplo 94. Supongamos que escribo 10 transparencias para un curso. Cuál es la probabilidad de que contengan por lo menos una errata? Sea Y el número de erratas. Luego e Y P (12). E[Y ]=10 1,2 =12 P (Y > 0) = 1 P (Y =0) = e 12 0! 0,
109 Aproximación de la distribución binomial con una distribución Poisson Sea X B(n, p) donde p es pequeña y n grande. Luego P (X = x) = ( ) n p x (1 p) n x x (np)x e np x! = P (Y = x) donde Y P (np). 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. 221
110 Ejemplo 97 Sea X B(100, 0,05). Estimar P (X 3). E[X] = 100 0,05 = 5 Luego aproximando usando las tablas de la distribución Poisson, se tiene P (X 3) = 3 x=0 P (X = x) 0, , , ,1404 = 0,265 La solución exacta usando la distribución binomial es 0,
111 8. MODELOS CONTINUOS Objetivo Introducir las distribuciones distribuciones continuas más importantes: las distribuciones uniforme, exponencial y normal. Ilustrar el uso de tablas de probabilidades de la distribución normal. Comentar el teorema central del ĺımite y el uso de la distribución normal como aproximación. 223
112 La distribución uniforme Supongamos que una variable X puede tomar valores al azar en un rango (a, b). En este caso, se dice que X tiene una distribución uniforme entre a y b yseescribe X U(a, b). En este caso, la probabilidad de que X caiga en cualquier zona es la misma, y entonces la función de densidad es constante. f(x) 1 b a 0 a b x 224
113 La función de distribución Si X U(a, b), luego, si a<x b, F (x) = P (X x) x 1 = a b a du [ u = b a = x a b a ] x a F (x) 1 0 a b x 225
114 La media y desviación típica Teorema 16 Sea X U(a, b). Luego, E[X] = a + b 2 (b a)2 V [X] = 12 DT[X] = b a 12 Demostración E[X] = b a [ 1 b a xdx x 2 = 2(b a) = b2 a 2 2(b a) = a + b 2 ] b a 226
115 E [ X 2] = b a [ x 2 b a dx x 3 ] b = 3(b a) a = b3 a 3 3(b a) = b2 + ab + a 2 3 V [X] = E [ X 2] E[X] 2 = b2 + ab + a 2 3 = b2 + ab + a 2 3 = a2 2ab + b 2 12 (b a)2 = 12 ( a + b 2 ) 2 a2 +2ab + b
116 La distribución exponencial Anteriormente estudiamos la distribución Poisson X P (λ) comomodeloparaelnúmero de sucesos raros, X, en una unidad del tiempo. Ahora, supongamos que queremos estudiar la distribución del tiempo Y entre un suceso y el siguiente. En este caso, la distribución de Y es una distribución exponencial con parámetro λ. Definición 40 Y tiene una distribución exponencial con parámetro λ si f(y) =λe λy para 0 <y. En este caso se escribe Y Ex(λ). 228
117 La función de distribución de Y es para 0 <y<. F (y) = P (Y y) = y 0 λe λu du = [ e λu] y 0 = 1 e λy 229
118 La media y varianza Teorema 17 Si Y Ex(λ), entonces E[Y ] = 1 λ V [Y ] = 1 λ 2 DT[Y ] = 1 λ 230
119 Ejemplo 98 Volvemos al Ejemplo 95. Sabemos que el número de fuegos por año tiene una distribución Poisson P (50).?Cuál es el tiempo medio entre fuegos? Hallar la probabilidad de que después del último fuego, tarda más de 2 semanas hasta el siguiente. El tiempo medio entre fuegos es 1/50 de un año, es decir 364/50 = 7,28 días. P (T >14) = e 364 dt = e ,
120 Generalizando la distribución exponencial: la distribución gamma Supongamos que en lugar de medir el tiempo entre dos sucesos en un proceso Poisson, se mide el tiempo hasta que ocurran n sucesos, es decir donde X i Ex(λ). X = X 1 + X X n Entonces, la distribución de X se llama la distribución (o Erlang con parámetros n y λ. La distribución Erlang es un caso especial de la distribución gamma. Definición 41 Una variable X se distribuye como gamma con parámetros α y β si para α, β > 0. f(x) = βα Γ(α) xα 1 e βx La media y varianza de X son E[X] =α/β y V [X] =α/β 2 resprectivamente. 232
121 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 ( σ 2π exp 1 2σ2(x µ)2 En este caso, se escribe X N (µ, σ). ) La media de la distribución normal es µ y la desviación típica es σ. El siguiente gráfico muestra la función de densidad de tres distribuciones normales con distíntas medias y desviaciones típicas. 233
122 La función de densidad normal f(x) x Se ve que la densidad es simétrica en torno de la media. 234
123 Una propiedad de la distribución normal Si X N(µ, σ), entonces P (µ σ<x<µ+ σ) 0,683 P (µ 2σ <X<µ+2σ) 0,955 P (µ 3σ <X<µ+3σ) 0,997 f(x) x La regla de Chebyshev dice que para cualquiera variable X P (µ <kσ<x<µ+ kσ) 1 1 k 2. El resultado para la normal justifica la regla empírica del Tema
124 Transformación de una distribución normal Si X N(µ, σ) ey = a + bx es una transformación lineal, luego Y N(a + bµ, bσ). En particular, definiendo la transformación tipificante Z = X µ σ,setiene Z N(0, 1) que es la distribución normal estandár. Existen tablas de esta distribución que se emplean para hallar probabilidades. 236
125 Ejemplo 99 Es difícil etiquetar la carne empaquetada con su peso correcto debido a los efectos de pérdida de ĺıquido (definido como porcentaje del peso original de la carne). Supongamos que la pérdida de ĺıquido en un paquete de pechuga de pollo se distribuye como normal con media 4% y desviación típica 1% Sea X la pérdida de ĺıquido de un paquete de pechuga de pollo elegido al azar. Cuál es la probabilidad de que 3% < X < 5%? Cuál es el valor de x para que un 90 % de paquetes tienen pérdidas de ĺıquido menores de x? En una muestra de 4 paquetes, hallar la probabilidad de que todos tengan pérdidas de peso de entre 3 y 5%. Sexauer, B. (1980). Journal of Consumer Affairs, 14,
126 P (3 <X<5) = ( 3 4 P < X 4 < 5 4 ) = P ( 1 <Z<1) = P (Z <1) P (Z < 1) = 0,8413 0,1587 = 0,6827 Queremos P (X < x)=0,9. Entonces ( X 4 P < x 4 ) = P (Z <x 4) = 0,9 1 1 Mirando las tablas, tenemos x 4 1,282 que implica que un 90 % de las paquetes tienen pérdidas de menos de x =5,282 %. Para un paquete p = P (3 <X<5) = 0,6827. Sea Y el número de paquetes en la muestra que tienen pérdidas de entre 3% y 5%. Luego Y B(4, 0,6827). ( ) 4 P (Y =4)= 0, (1 0,6827) 4 =0,
127 Sumas y diferencias de dos variables normales Si X N(µ X,σ X )ey N(µ, σ Y ) son independientes, entonces la distribución de la suma o diferencia de ambas variables es también normal con las siguientes medias y desviaciones típicas. X + Y N X Y N ( µ X + µ Y, σx 2 + σ2 Y ( µ X µ Y, σx 2 + σ2 Y ) ) 239
128 Aproximación mediante la distribución normal Hacemos el experimento de tirar una moneda con p =1/3 unnúmero n de veces. Dibujamos la función de probabilidad de X = # cruces en los casos n = 5, 20, 50 y 100. p p x x p p x x 240
129 Se ve que para n grande, la función de probabilidad binomial tiene una forma parecida a la densidad normal. p x 241
130 Aproximación de la distribución binomial Teorema 18 Si X B(n, p), entonces si n (y np y np(1 p)) es grande, X np N(0, 1) np(1 p) Esta aproximación funciona bastante bien si tanto n (n >30) como np y n(1 p) son bastante grandes. Si np o n(1 p) es pequeño, (< 5) la aproximación Poisson funciona mejor. Ejemplo 100 Sea X B(100, 1/3). Estimar P (X <40). Calculamos primero a media y varianza de X. E[X] = =33. 3 V [X] = = DT[X] 4,
131 Ahora usamos la aproximación normal P (X <40) = ( X P 4,714 < ) 3 4,714 P (Z <1,414) donde Z N(0, 1) 0,921 La probabilidad correcta es 39 ( ) (1 ) 100 x ( ) x =0,903 x 3 3 x=0 La aproximación no parece gran cosa pero lo podemos mejorar. 243
132 La corrección de continuidad Si X B(n, p), entonces X es una variable discreta y luego P (X x) =P (X <x+1) y igualmente P (X x) =P (X >x 1). Luego cuando implementamos la aproximación normal, usamos la corrección de continuidad P (X x) = P (X <x+0,5) P (X x) = P (X >x 0,5) P (x 1 X x 2 ) = P (x 1 0,5 <X<x 2 +0,5) Ejemplo 101 Volvemos al Ejemplo 100. Ahora usamos la corrección de continuidad. P (X <40) = P (X 39) = P (X <39,5) ( ) P Z< 39, ,714 = P (Z <1,308) = 0,905 La aproximación es algo mejor usando la corrección de continuidad. 244
133 Ejemplo 102 El 35 % de los habitantes de una ciudad votan a cierto partido poĺıtico. Se encuesta a 200 personas. Llamemos X al número de personas que votan a dicho partido. Cuál es la distribución de X? Calcular la probabilidad de que entre la gente de la encuesta haya entre 70 y 80 votantes de ese partido. La verdadera distribución de X es binomial X B(200, 0,35). La media de la distribución es 70 y la desviación típica es 6,745. Para calcular P (70 X 80) usamos una aproximación normal 245
134 P (70 X 80) = P (69,5 <X<80,5) ( 69,5 70 = P < X 70 6,745 6,745 ) 80,5 70 < 6,745 P ( 0,074 < Z < 1,557) = P (Z <1,557) P (Z < 0,074) = 0,940 0,470 = 0,47 La distribución binomial no es la única distribución que se puede aproximar mediante una distribución normal. Cualquiera distribución la que se puede representar como la distribución de una media (o suma) de variables independientes y identicamente distribuidas X = 1 n (X X n ) puede estar aproximada por una normal. 246
135 El teorema central del ĺımite Teorema 19 Sea X 1,...,X n f( ) con media µ y desviación típica σ. Luego si n es grande, X µ σ/ n N(0, 1) El teorema también implica que si n es grande, la suma n i=1 X i tiene aproximadamente una distribución normal n i=1 X i N ( nµ, nσ 2) 247
136 Aproximación de la distribución Poisson Sea X P (λ) elnúmero de sucesos raros en una unidad de tiempo. Definimos Y como el número de sucesos en n unidades de tiempo. Luego podemos escribir Y = X 1 + X X n donde X i P (λ) es el número de sucesos en la i-ésima unidad de tiempo. Así, podemos aplicar el teorema central del ĺımite a aproximar la distribución Poisson con una distribución normal. Teorema 20 Sea X P (λ). Para λ grande (λ >20), entonces X N(λ, λ) 248
137 El gráfico muestra la función de probabilidad de la distribución Poisson con λ = 20 y la densidad normal con media y varianza λ. P(X=x) x La aproximación se mejora si el valor de λ es más grande. 249
138 Cuando se utiliza la aproximación a la distribución Poisson, es importante aplicar la corrección de continuidad. Ejemplo 103 Sea X P (49). Estimar P (45 X 52). P (45 X 52) = P (44,5 <X<52,5) por ( la corrección de continuidad 44,5 49 = P < X 49 ) 52,5 49 < P ( 0,643 <Z<0,5) donde Z N(0, 1) = P (Z <0,5) P (Z < 0,643) = 0,6915 0,2602 0,431 La solución exacta calculada a través de la distribución Poisson es P (45 X 52) = 52 x=45 = 0, x e 49 x! 250
139 Distribuciones asociadas con la distribución normal: 1) La distribución logarítmico normal Si X N(µ, σ) y se define Y = e X, luego se dice que Y se distribuye como logarítmico normal con parámetros µ, σ. La distribución logarítmico normal es un modelo empleado típicamente para tiempos de funcionamiento de máquinas y para variables asímetricas como ingresos o gastos. f(x) x 251
140 2) La distribución ji-cuadrado Definición 43 Sean X 1,...,X n variables normales estandares. Luego si X = n i=1 Xi 2 entonces X tiene una distribución ji-cuadrado con n grados de libertad. Se puede demostrar que esta distribución es un caso especial de la distribución gamma. Teorema 21 ( n X Ga 2, 1 2 Luego E[X] =n y V [X] =2n. ) 252
141 3) La distribución F de Fisher Definición 44 Sean X e Y dos variables jicuadrado con m y n grados de libertad respectivamente. Luego la distribución de la razón F = X/m Y/n es la distribución FdeFishercon m y n grados de libertad. 4) La distribución t de Student Definición 45 Si F es una variable F de Fisher con 1 y n grados de libertad, luego T = F tiene la distribución t de Student con n grados de libertad. 253
Mirando el diagrama Venn, vemos que A =(A y B) (A y B)
En el Ejemplo 122, hemos aplicado otra regla útil de la probabilidad. Teorema 8 Para dos sucesos A y B, setiene P (A) =P (A B)P (B) +P (A B)P ( B). Demostración Ω A y B A y B A B Mirando el diagrama Venn,
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesAprender 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 detallesIntroducción 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 detallesLa 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 detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más 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 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 detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesLos objetivos del aprendizaje de esta unidad temática son los siguientes:
Probabilidad - Introducción Introducción. Tema 1. Análisis de datos univariantes. Tema 2. Análisis de datos bivariantes. Tema 3. Correlación y regresión. Tema 4. Series temporales y números índice. Descripción
Más detallesHemos 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 detallesLa área en A o B es igual a la suma de las dos áreas. Entonces, interpretando probabilidad como área, concluimos que P (A o B) =P (A)+P (B).
La probabilidad P (A o B) Si A y B son sucesos incompatibles, tenemos el siguiente diagrama de Venn. Ω A B La área en A o B es igual a la suma de las dos áreas. Entonces, interpretando probabilidad como
Más detalles4.1. Definición de variable aleatoria. Clasificación.
Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
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 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 detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesTema 1. Probabilidad y modelos probabiĺısticos
1 Tema 1. Probabilidad y modelos probabiĺısticos En este tema: Probabilidad Variables aleatorias Modelos de variables aleatorias más comunes Vectores aleatorios 2 Tema 1. Probabilidad y modelos probabiĺısticos
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesCálculo 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 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 detalles2. CONCEPTOS BÁSICOS DE LA PROBABILIDAD
2. CONCEPTOS BÁSICOS DE LA PROBABILIDAD Un diagrama de Venn Objetivos Introducir los conceptos básicos de experimentos y sucesos, y la definición axiomática y propiedades de la probabilidad. Para leer
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
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 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 detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesDistribuciones 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 detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
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 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 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 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 detallesJUEGO 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 detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesTema 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 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 detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesTema 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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesU D PROBABILIDAD 2º BACHILLERATO Col. LA PRESENTACIÓN PROBABILIDAD
PROBABILIDAD 0. DEFINICIONES PREVIAS 1. DISTINTAS CONCEPCIONES DE PROBABILIDAD a. Definición Clásica b. Definición Frecuentista 2. DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD a. Espacio Muestral b. Suceso Aleatorio
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detalles5. VARIABLES ALEATORIAS Y SUS MOMENTOS
5. VARIABLES ALEATORIAS Y SUS MOMENTOS Una variable aleatoria Objetivos Introducir la idea de una variable aleatoria y su distribución y sus características como la media, la varianza, los cuartíles etc.
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesVariables 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 detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más 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 detalles2.3 PROPIEDADES DE LA PROBABILIDAD
2.3 PROPIEDADES DE LA PROBABILIDAD 1. La probabilidad es positiva y menor o igual que 1. 0 p( 1 2. La probabilidad del suceso seguro es 1. p (E) = 1 3. Si A y B son incompatibles, es decir A B = entonces:
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesPROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.
1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detalles4. CONCEPTOS BASICOS DE PROBABILIDAD
4. CONCEPTOS BASICOS DE PROBABILIDAD 4.1 Introducción La probabilidad y la estadística son, sin duda, las ramas de las Matemáticas que están en mayor auge en este siglo, y tienen una tremenda aplicabilidad
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesAl 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 detallesLa distribución normal
La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10
Más 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 detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesTEMA 1.2: PROBABILIDAD COMPUESTA
TEMA.2: PROBABILIDAD COMPUESTA.- INTRODUCCIÓN. RESULTADOS DE DOS SUCESOS Cuando trabajamos con probabilidades de dos sucesos, es importante ser capaz de identificar todas las posibles alternativas. Veámoslo
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más 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 detalles3.Si A y B son incompatibles, es decir A B = entonces:
Axiomas de la probabilidad 1.La probabilidad es positiva y menor o igual que 1. 0 p(a) 1 2. La probabilidad del suceso seguro es 1. p(e) = 1 3.Si A y B son incompatibles, es decir A B = entonces: p(a B)
Más detallesUnidad Temática 3 UT3-1: Variable Aleatoria
Autoevaluación UT3 Unidad Temática 3 UT3-1: Variable Aleatoria Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza.
Más detallesBioestadística. 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 detallesProbabilidad, 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 detallesPROBABILIDAD. Profesor: Rafael Núñez Nogales CÁLCULO DE PROBABILIDADES. Experimentos y sucesos
PROBABILIDAD CÁLCULO DE PROBABILIDADES Experimentos y sucesos Experimento aleatorio Es aquel cuyo resultado depende del azar, es decir no se puede predecir de antemano qué resultado se va a obtener aunque
Más detalles1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Más detallesProbabilidades. Gerardo Arroyo Brenes
Probabilidades Gerardo Arroyo Brenes Teoría de las Probabilidades Experimento: Es toda acción o proceso que produce resultados bien definidos. Ejemplos: Experimento Resultado: Lanzar una moneda Cara o
Más detallesAlgunas 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 detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTEMA 2: DISTRIBUCIONES DE PROBABILIDAD
ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
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 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 detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detalles