Cap. 3 : Variables aleatorias
|
|
|
- Juan José Belmonte Soto
- hace 6 años
- Vistas:
Transcripción
1 Cap. 3 : Variables aleatorias Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 16 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas, producción y ambiental A. Blondin Massé (UQAC) Capítulo 3 1 / 42
2 Tabla de contenidos 1. Definiciones 2. Típos de variables aleatorias 3. Esperanza 4. Varianza A. Blondin Massé (UQAC) Capítulo 3 2 / 42
3 Variables aleatorias (1/3) Definición Una variable aleatoria X es una función entre el espacio muestra S y R, es decir X : S R. Lanzamos dos dados regulares. Recordemos que S = {(i, j) i, j {1, 2, 3, 4, 5, 6}}. Sea X la variable aleatoria igual a la suma de los dados. Entonces X(1, 1) = 2 X(1, 2) = X(2, 1) = 3 X(1, 3) = X(2, 2) = X(3, 1) = 4 X(1, 4) = X(2, 3) = X(3, 2) = X(4, 1) = 5. A. Blondin Massé (UQAC) Capítulo 3 3 / 42
4 Variables aleatoria (2/3) En el ejemplo anterior, los valores posibles son 2, 3,..., 12; Se denota por P (X = i) (o P {X = i}) la probabilidad que X sea igual a i. Entonces P (X = 2) = 1/36; P (X = 3) = 2/36; Nota: P (X = 0) = P (X = 3,1415) =... = 0.. También, 12 i=2 P (X = i) = 1. A. Blondin Massé (UQAC) Capítulo 3 4 / 42
5 Ejemplo Se compran dos componentes electrónicos, que son defectuosos o funcionales. Suponemos que los resultados (d, d), (d, f), (f, d), (f, f) ocurren con probabilidad 0,09, 0,21, 0,21 y 0,49, respectivamente. Sea X el número de componentes funcionales. Entonces los valores posibles de X son 0, 1, 2, y P (X = 0) = 0,09, P (X = 1) = 0,42, P (X = 2) = 0,49. A. Blondin Massé (UQAC) Capítulo 3 5 / 42
6 Función indicatriz Ahora estudiamos el evento A : Al menos uno de los componentes es funcional. Sea I la variable aleatoria que vale 1 si es el caso, 0 si no (como una variable booleana). Entonces I = { 1, si X = 1 o X = 2; 0, si X = 0. La variable I se llama variable indicatriz del evento A. En el ejemplo, obtenemos P (I = 1) = P (A) = 0,91, P (I = 0) = P (A) = 0,09. A. Blondin Massé (UQAC) Capítulo 3 6 / 42
7 Función de distribución acumulada Definición Sea X una variable aleatoria. La función de distribución acumulada (FDA) F : R [0, 1] de X es F (x) = P (X x). Notación Si F es la FDA de X, se escribe X F. Por ejemplo, estudiaremos la distribución normal y se escribirá X N (0, 1) para indicar que X tiene una distribución normal de media 0 y de varianza 1. A. Blondin Massé (UQAC) Capítulo 3 7 / 42
8 Ejemplo Sea X la variable aleatoria que describe la suma de dos dados regulares. Cuál es la forma del gráfico de la FDA de X? Función de distribución acumulada de la suma X de dos dados F (x) = P (X x) x A. Blondin Massé (UQAC) Capítulo 3 8 / 42
9 Probabilidades y intervalos Sea X una variable aleatoria. Si conocemos la FDA F de X, entonces es fácil calcular probabilidades. De hecho, tenemos P(X a) = F (a) P(X > a) = 1 P (X a) = 1 F (a) También, si a < b, entonces de tal manera que P (X b) = P (X a) + P (a < X b) P(a < X b) = F (b) F (a). A. Blondin Massé (UQAC) Capítulo 3 9 / 42
10 Tabla de contenidos 1. Definiciones 2. Típos de variables aleatorias 3. Esperanza 4. Varianza A. Blondin Massé (UQAC) Capítulo 3 10 / 42
11 Variable discreta (1/2) Hay 2 típos: discreta y continua. Definición Una variable se llama discreta si el conjunto de todos los valores a qué puede ser igual es finito o contable. Definición Si X es una variable aleatoria discreta, su función de probabilidad es p(x) = P (X = x). A. Blondin Massé (UQAC) Capítulo 3 11 / 42
12 Variable discreta (2/2) Sea X una variable aleatoria discreta que puede ser solamente 1, 2 o 3. Suponemos que p(1) = 1 2 y p(2) = 1 3. Entonces, p(3) = 1 p(1) p(2) = 1 1/2 1/3 = 1/6. Fúnction de probabilidad de una variable aleatoria discreta p(x) = P (X = x) x A. Blondin Massé (UQAC) Capítulo 3 12 / 42
13 Relación entre función de probabilidad y FDA Si X es una variable aleatoria discreta; F es su función de distribución acumulada y p es su función de probabilidad, entonces F (x) = a x p(a). A. Blondin Massé (UQAC) Capítulo 3 13 / 42
14 Ejemplo Tomamos de nuevo el ejemplo de variable X cuya función de probabilidad es Cuál es la FDA F de X? p(1) = 1 2, p(2) = 1 3, p(3) = 1 6. A. Blondin Massé (UQAC) Capítulo 3 14 / 42
15 Ejemplo Tomamos de nuevo el ejemplo de variable X cuya función de probabilidad es Cuál es la FDA F de X? p(1) = 1 2, p(2) = 1 3, p(3) = 1 6. Obtenemos 0, si x < 1; 1/2, si 1 x < 2; F (x) = 5/6, si 2 x < 3; 1, si x 3. A. Blondin Massé (UQAC) Capítulo 3 14 / 42
16 Variable aleatoria discreta infinita (1/2) Una variable aleatoria discreta puede tomar un número infinito de valores; Por ejemplo, sea X la variable aleatoria cuya función de probabilidad es Función de probabilidad de una variable aleatoria discreta infinita p(1) = 1/2 p(2) = 1/4 p(3) = 1/8 p(4) = 1/16. p(x) = P (X = x) x A. Blondin Massé (UQAC) Capítulo 3 15 / 42
17 Variable aleatoria discreta infinita (1/2) Una variable aleatoria discreta puede tomar un número infinito de valores; Por ejemplo, sea X la variable aleatoria cuya función de probabilidad es Función de probabilidad de una variable aleatoria discreta infinita p(1) = 1/2 p(2) = 1/4 p(3) = 1/8 p(4) = 1/16. p(x) = P (X = x) x En general, p(x) = 1, para x = 1, 2, 3, 4,.... 2x A. Blondin Massé (UQAC) Capítulo 3 15 / 42
18 Variable aleatoria discreta infinita (2/2) Para que sea una función de probabilidad, hay que p(i) = 1. En este caso, tenemos n p(i) = i=1 i=1 A. Blondin Massé (UQAC) Capítulo 3 16 / 42
19 Variable aleatoria discreta infinita (2/2) Para que sea una función de probabilidad, hay que p(i) = 1. En este caso, tenemos i=1 n p(i) = i=1 n i=1 ( ) 1 n 2 = A. Blondin Massé (UQAC) Capítulo 3 16 / 42
20 Variable aleatoria discreta infinita (2/2) Para que sea una función de probabilidad, hay que p(i) = 1. En este caso, tenemos i=1 n p(i) = i=1 = n ( ) 1 n 2 i=1 [ n ( ) ] 1 n 1 2 i=0 = A. Blondin Massé (UQAC) Capítulo 3 16 / 42
21 Variable aleatoria discreta infinita (2/2) Para que sea una función de probabilidad, hay que En este caso, tenemos n p(i) = i=1 = cuando n. p(i) = 1. i=1 n ( ) 1 n 2 i=1 [ n ( ) ] 1 n 1 2 i=0 = (1/2)n+1 1 1/ /2 1 = 2 1 = 1, A. Blondin Massé (UQAC) Capítulo 3 16 / 42
22 Variable aleatoria continua Definición Una variable aleatoria continua es une variable aleatoria que puede tomar un número incontable de valores. En general, los valores son intervalos reales. Definición Sea X una variable aleatoria continua. La función de densidad de X es la única función f que satisface P (X A) = f(x)dx para cualquier subconjunto real A R. A A. Blondin Massé (UQAC) Capítulo 3 17 / 42
23 Ejemplo Sea X una variable aleatoria cuya FDA es { 0, si x 0; F (x) = 1 e x2 si x > 0. Cuál es la probabilidad que X > 1? Tenemos F (x) FDA de una variable continua P (X > 1) = 1 P (X 1) = 1 F (1) = 1 e 12 0, x A. Blondin Massé (UQAC) Capítulo 3 18 / 42
24 Función de densidad Sea X una variable aleatoria continua; Para que f sea una función de densidad de X, hay que f(x)dx = 1. A. Blondin Massé (UQAC) Capítulo 3 19 / 42
25 Función de densidad Sea X una variable aleatoria continua; Para que f sea una función de densidad de X, hay que f(x)dx = 1. También, P (a X b) = b a f(x)dx. Entonces, tenemos que evaluar una integral definida. A. Blondin Massé (UQAC) Capítulo 3 19 / 42
26 Relación entre función de densidad y FDA Si X es una variable aleatoria continua; F es su FDA y f es su función de densidad, A. Blondin Massé (UQAC) Capítulo 3 20 / 42
27 Relación entre función de densidad y FDA Si X es una variable aleatoria continua; F es su FDA y f es su función de densidad, entonces F (x) = x F (x) = f(x). f(t)dt A. Blondin Massé (UQAC) Capítulo 3 20 / 42
28 Ejemplo (1/2) Sea la función f(x) = { e x, si x 0; 0, si x < 0. (a) Demostren que es una función de densidad. (b) Calculen P (1 X 2). 1 Función de densidad de f f(x) P (1 X 2) x A. Blondin Massé (UQAC) Capítulo 3 21 / 42
29 Parámetro incógnito (1/3) Sea X una variable aleatoria continua cuya densidad es { C(4x 2x 2 ) si 0 < x < 2; f(x) = 0 sinon. Cuál es el valor del parámetro C? Cuál es el valor de P (X > 1)?. A. Blondin Massé (UQAC) Capítulo 3 22 / 42
30 Parámetro incógnito (2/3) Hay que el área bajo la curva sea igual a 1. A. Blondin Massé (UQAC) Capítulo 3 23 / 42
31 Parámetro incógnito (2/3) Hay que el área bajo la curva sea igual a 1. Entonces 1 = f(x)dx = 2 0 ( ) 4x C(4x 2x 2 2 )dx = C 2 2x A. Blondin Massé (UQAC) Capítulo 3 23 / 42
32 Parámetro incógnito (2/3) Hay que el área bajo la curva sea igual a 1. Entonces 1 = f(x)dx = Consecuamente, = C lo que implica que C = 3/8. ( ) 4x C(4x 2x 2 2 )dx = C 2 2x3 2 3 ( 8 16 ) 0 = C. 0 A. Blondin Massé (UQAC) Capítulo 3 23 / 42
33 Parámetro incógnito (3/3) Ahora, tenemos P (X > 1) = A. Blondin Massé (UQAC) Capítulo 3 24 / 42
34 Parámetro incógnito (3/3) Ahora, tenemos P (X > 1) = 1 f(x)dx = A. Blondin Massé (UQAC) Capítulo 3 24 / 42
35 Parámetro incógnito (3/3) Ahora, tenemos P (X > 1) = = f(x)dx 3 8 (4x 2x2 )dx = A. Blondin Massé (UQAC) Capítulo 3 24 / 42
36 Parámetro incógnito (3/3) Ahora, tenemos P (X > 1) = = f(x)dx 3 8 (4x 2x2 )dx = 3 ( ) 4x x3 2 3 = 1 A. Blondin Massé (UQAC) Capítulo 3 24 / 42
37 Parámetro incógnito (3/3) Ahora, tenemos P (X > 1) = = f(x)dx 3 8 (4x 2x2 )dx = 3 ( ) 4x x = 3 ( ) 3 = A. Blondin Massé (UQAC) Capítulo 3 24 / 42
38 Parámetro incógnito (3/3) Ahora, tenemos P (X > 1) = = f(x)dx 3 8 (4x 2x2 )dx = 3 ( ) 4x x = 3 ( ) 3 = 0,5. A. Blondin Massé (UQAC) Capítulo 3 24 / 42
39 Tabla de contenidos 1. Definiciones 2. Típos de variables aleatorias 3. Esperanza 4. Varianza A. Blondin Massé (UQAC) Capítulo 3 25 / 42
40 Esperanza de una variable aleatoria discreta Definición Sea X una variable aleatoria discreta. La esperanza de X es E[X] = i x i P (X = x i ). Si p es la función de probabilidad de X, entonces E[X] = x p(x), x dom(x) donde dom(x) es el dominio de X. A. Blondin Massé (UQAC) Capítulo 3 26 / 42
41 Ejemplo Sea X la variable aleatoria que describe el resultado cuando se lanza un dado. Calculamos E[X]. Tenemos que dom(x) = {1, 2, 3, 4, 5, 6}. También, p(x) = 1/6 para cada x dom(x). Entonces E[X] = 6 i=1 ( i 1 ) = = 3, Es importante notar que 3,5 no es un resultado posible, pero la media esperada si se lanza un dado varias veces es 3,5. A. Blondin Massé (UQAC) Capítulo 3 27 / 42
42 Esperanza de una variable continua Definición Sea X una variable aleatoria continua. La esperanza de X es E[X] = xf(x)dx. Es posible que no existe, por ejemplo en el caso donde la integral no converge. A. Blondin Massé (UQAC) Capítulo 3 28 / 42
43 Ejemplo Esperamos una llamada entre 5:00PM y 6:30PM hoy. Sea X la variable aleatoria que cuenta (en hora) el tiempo a partir de 5:00PM hasta que haya la llamada. Suponemos que la densidad de X es { 2/3, si 0 < x < 3/2; f(x) = 0, de otra manera. Cuánto tiempo vamos a esperar? A. Blondin Massé (UQAC) Capítulo 3 29 / 42
44 Ejemplo Esperamos una llamada entre 5:00PM y 6:30PM hoy. Sea X la variable aleatoria que cuenta (en hora) el tiempo a partir de 5:00PM hasta que haya la llamada. Suponemos que la densidad de X es { 2/3, si 0 < x < 3/2; f(x) = 0, de otra manera. Cuánto tiempo vamos a esperar? Obtenemos E[X] = 3/2 0 x 2 3 dx = A. Blondin Massé (UQAC) Capítulo 3 29 / 42
45 Ejemplo Esperamos una llamada entre 5:00PM y 6:30PM hoy. Sea X la variable aleatoria que cuenta (en hora) el tiempo a partir de 5:00PM hasta que haya la llamada. Suponemos que la densidad de X es { 2/3, si 0 < x < 3/2; f(x) = 0, de otra manera. Cuánto tiempo vamos a esperar? Obtenemos E[X] = 3/2 0 x 2 x2 dx = 3 3 3/2 0 = A. Blondin Massé (UQAC) Capítulo 3 29 / 42
46 Ejemplo Esperamos una llamada entre 5:00PM y 6:30PM hoy. Sea X la variable aleatoria que cuenta (en hora) el tiempo a partir de 5:00PM hasta que haya la llamada. Suponemos que la densidad de X es { 2/3, si 0 < x < 3/2; f(x) = 0, de otra manera. Cuánto tiempo vamos a esperar? Obtenemos E[X] = 3/2 0 x 2 x2 dx = 3 3 3/2 0 = 3 4. A. Blondin Massé (UQAC) Capítulo 3 29 / 42
47 Propiedades de la esperanza Teorema Sea X una variable aleatoria y g una función real. Si X es discreta con función de probabilidad p(x), entonces E[g(X)] = g(x)p(x), x dom(p) Si X es continua con densidad f(x), entonces E[g(X)] = g(x)f(x)dx. Corolario E[aX + b] = ae[x] + b, para cualquieras constantes a, b R. A. Blondin Massé (UQAC) Capítulo 3 30 / 42
48 Sumas de variables aleatorias Teorema Si X 1, X 2,..., X n son variables aleatorias, entonces [ n ] n E X i = E[X i ], i=1 i=1 incluso si las variables no son independientes. Sin el símbolo Σ, se escribe E[X 1 + X X n ] = E[X 1 ] + E[X 2 ] + + E[X n ]. A. Blondin Massé (UQAC) Capítulo 3 31 / 42
49 Ejemplos (1/4) Una empresa de construcción presenta 3 ofertas totalizando 10K$, 20K$ y 30K$ de beneficio respectivamente. Suponemos que las probabilidades de obtener el contrato son 0,2, 0,8 y 0,3. Cuál es el beneficio esperado para los 3 contratos? A. Blondin Massé (UQAC) Capítulo 3 32 / 42
50 Ejemplos (1/4) Una empresa de construcción presenta 3 ofertas totalizando 10K$, 20K$ y 30K$ de beneficio respectivamente. Suponemos que las probabilidades de obtener el contrato son 0,2, 0,8 y 0,3. Cuál es el beneficio esperado para los 3 contratos? Para i = 1, 2, 3, sea X i la variable aleatoria que cuenta el beneficio para la oferta i y P = X 1 + X 2 + X 3 una otra variable aleatoria. A. Blondin Massé (UQAC) Capítulo 3 32 / 42
51 Ejemplos (2/4) Entonces E[X 1 ] = A. Blondin Massé (UQAC) Capítulo 3 33 / 42
52 Ejemplos (2/4) Entonces E[X 1 ] = 0 P (X 1 = 0) P (X 1 = 10000) A. Blondin Massé (UQAC) Capítulo 3 33 / 42
53 Ejemplos (2/4) Entonces E[X 1 ] = 0 P (X 1 = 0) P (X 1 = 10000) = ,2 A. Blondin Massé (UQAC) Capítulo 3 33 / 42
54 Ejemplos (2/4) Entonces E[X 1 ] = 0 P (X 1 = 0) P (X 1 = 10000) = ,2 = A. Blondin Massé (UQAC) Capítulo 3 33 / 42
55 Ejemplos (2/4) Entonces E[X 1 ] = 0 P (X 1 = 0) P (X 1 = 10000) = ,2 = De maniera similar, E[X 2 ] = et E[X 3 ] = A. Blondin Massé (UQAC) Capítulo 3 33 / 42
56 Ejemplos (2/4) Entonces E[X 1 ] = 0 P (X 1 = 0) P (X 1 = 10000) = ,2 = De maniera similar, E[X 2 ] = et E[X 3 ] = Entonces, E[P ] = E[X 1 ] + E[X 2 ] + E[X 3 ] = = A. Blondin Massé (UQAC) Capítulo 3 33 / 42
57 Ejemplos (3/4) En une habitación, hay N personas que tienen un sombrero. Suponemos que estas personas lanzan su sombrero en el medio de la habitación. Luego, cada persona recoge al azar un sombrero. Cuántas personas pueden esperar recoger su proprio sombrero? A. Blondin Massé (UQAC) Capítulo 3 34 / 42
58 Exemples (4/4) Sea X el número de sombreros que son con la persona correcta. A. Blondin Massé (UQAC) Capítulo 3 35 / 42
59 Exemples (4/4) Sea X el número de sombreros que son con la persona correcta. Para i = 1, 2,..., N, sea X i la variable aleatoria definida por { 1, si la persona i tiene su propio sombrero, X i = 0, de otra manera. A. Blondin Massé (UQAC) Capítulo 3 35 / 42
60 Exemples (4/4) Sea X el número de sombreros que son con la persona correcta. Para i = 1, 2,..., N, sea X i la variable aleatoria definida por { 1, si la persona i tiene su propio sombrero, X i = 0, de otra manera. Tenemos E[X i ] = 1 P (X i = 1)+0 P (X i = 0) = 1 1 N +0 N 1 N = 1 N. A. Blondin Massé (UQAC) Capítulo 3 35 / 42
61 Exemples (4/4) Sea X el número de sombreros que son con la persona correcta. Para i = 1, 2,..., N, sea X i la variable aleatoria definida por { 1, si la persona i tiene su propio sombrero, X i = 0, de otra manera. Tenemos E[X i ] = 1 P (X i = 1)+0 P (X i = 0) = 1 1 N +0 N 1 N = 1 N. Entonces, E[X] = E[X 1 ] + E[X 2 ] + + E[X n ] = 1 N N = 1. Así, sin importar el número de personas, esperamos que exactamente una de ellas tiene su proprio sombrero. A. Blondin Massé (UQAC) Capítulo 3 35 / 42
62 Tabla de contenidos 1. Definiciones 2. Típos de variables aleatorias 3. Esperanza 4. Varianza A. Blondin Massé (UQAC) Capítulo 3 36 / 42
63 Definición Definición Sea X una variable aleatoria de media (o de esperanza) µ = E[X]. Entonces la varianza de X, denotada por Var(X), es Var(X) = E[(X µ) 2 ]. A. Blondin Massé (UQAC) Capítulo 3 37 / 42
64 Fórmula para la varianza Teorema Sea X una variable aleatoria. Entonces Var(X) = E[X 2 ] E[X] 2. Demostración Var(X) = E[(X µ) 2 ] A. Blondin Massé (UQAC) Capítulo 3 38 / 42
65 Fórmula para la varianza Teorema Sea X una variable aleatoria. Entonces Var(X) = E[X 2 ] E[X] 2. Demostración Var(X) = E[(X µ) 2 ] = E[X 2 2µX + µ 2 ] A. Blondin Massé (UQAC) Capítulo 3 38 / 42
66 Fórmula para la varianza Teorema Sea X una variable aleatoria. Entonces Var(X) = E[X 2 ] E[X] 2. Demostración Var(X) = E[(X µ) 2 ] = E[X 2 2µX + µ 2 ] = E[X 2 ] E[2µX] + E[µ 2 ] A. Blondin Massé (UQAC) Capítulo 3 38 / 42
67 Fórmula para la varianza Teorema Sea X una variable aleatoria. Entonces Var(X) = E[X 2 ] E[X] 2. Demostración Var(X) = E[(X µ) 2 ] = E[X 2 2µX + µ 2 ] = E[X 2 ] E[2µX] + E[µ 2 ] = E[X 2 ] 2µE[X] + µ 2 A. Blondin Massé (UQAC) Capítulo 3 38 / 42
68 Fórmula para la varianza Teorema Sea X una variable aleatoria. Entonces Var(X) = E[X 2 ] E[X] 2. Demostración Var(X) = E[(X µ) 2 ] = E[X 2 2µX + µ 2 ] = E[X 2 ] E[2µX] + E[µ 2 ] = E[X 2 ] 2µE[X] + µ 2 = E[X 2 ] 2E[X] E[X] + E[X] 2 A. Blondin Massé (UQAC) Capítulo 3 38 / 42
69 Fórmula para la varianza Teorema Sea X una variable aleatoria. Entonces Var(X) = E[X 2 ] E[X] 2. Demostración Var(X) = E[(X µ) 2 ] = E[X 2 2µX + µ 2 ] = E[X 2 ] E[2µX] + E[µ 2 ] = E[X 2 ] 2µE[X] + µ 2 = E[X 2 ] 2E[X] E[X] + E[X] 2 = E[X 2 ] E[X] 2. A. Blondin Massé (UQAC) Capítulo 3 38 / 42
70 Ejemplo Lanzamos un dado regular. Sea X la variable aleatoria que indica el resultado. Deseamos calcular Var(X). Ya sabemos que E[X] = 7/2 = 3,5. Calculamos ahora E[X 2 ]: E[X 2 ] = = La varianza es Var(X) = E[X 2 ] E[X] 2 = 91 6 ( ) 7 2 = ,92 A. Blondin Massé (UQAC) Capítulo 3 39 / 42
71 Esperanza y varianza de una variable indicatriz Sea A un evento y I la variable indicatriz de A: { 1 si A ocurre; I = 0 de otra manera. A. Blondin Massé (UQAC) Capítulo 3 40 / 42
72 Esperanza y varianza de una variable indicatriz Sea A un evento y I la variable indicatriz de A: { 1 si A ocurre; I = 0 de otra manera. Obtenemos E[I] = 1 P (A) + 0 P (A) = P(A). A. Blondin Massé (UQAC) Capítulo 3 40 / 42
73 Esperanza y varianza de una variable indicatriz Sea A un evento y I la variable indicatriz de A: { 1 si A ocurre; I = 0 de otra manera. Obtenemos También, E[I] = 1 P (A) + 0 P (A) = P(A). Var(I) = E[I 2 ] E[I] 2 A. Blondin Massé (UQAC) Capítulo 3 40 / 42
74 Esperanza y varianza de una variable indicatriz Sea A un evento y I la variable indicatriz de A: { 1 si A ocurre; I = 0 de otra manera. Obtenemos También, E[I] = 1 P (A) + 0 P (A) = P(A). Var(I) = E[I 2 ] E[I] 2 = E[I] E[I] 2 A. Blondin Massé (UQAC) Capítulo 3 40 / 42
75 Esperanza y varianza de una variable indicatriz Sea A un evento y I la variable indicatriz de A: { 1 si A ocurre; I = 0 de otra manera. Obtenemos También, E[I] = 1 P (A) + 0 P (A) = P(A). Var(I) = E[I 2 ] E[I] 2 = E[I] E[I] 2 = E[I](1 E[I]) A. Blondin Massé (UQAC) Capítulo 3 40 / 42
76 Esperanza y varianza de una variable indicatriz Sea A un evento y I la variable indicatriz de A: { 1 si A ocurre; I = 0 de otra manera. Obtenemos También, E[I] = 1 P (A) + 0 P (A) = P(A). Var(I) = E[I 2 ] E[I] 2 = E[I] E[I] 2 = E[I](1 E[I]) = P(A)[1 P(A)]. A. Blondin Massé (UQAC) Capítulo 3 40 / 42
77 Propriedades de la varianza Teorema Sean X una variable aleatoria de esperanza µ = E[X] y a, b R. Entonces Var(aX + b) = a 2 Var(X). Demostración Var(aX + b) = E[(aX + b E[aX + b]) 2 ] = E[(aX + b aµ b) 2 ] = E[(aX aµ) 2 ] = E[a 2 (X µ) 2 ] = a 2 E[(X µ) 2 ] = a 2 Var(x). A. Blondin Massé (UQAC) Capítulo 3 41 / 42
78 Écart-type d une variable aléatoire Definición Sea X una variable aleatoria. Entonces la desviación estándar de X es σ(x) = Var(x). Nota Las unidades de medida de la esperanza y de la desviación estándar son las mismas que la de la variable aleatoria. Para la varianza, las unidades son elevadas al cuadrado. A. Blondin Massé (UQAC) Capítulo 3 42 / 42
VARIABLES 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:
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Variables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Distribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Definición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Variables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Variable 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
Unidad 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
Objetivo: 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
Tema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Variables aleatorias. Función de distribución y características asociadas
Índice 3 Variables aleatorias. Función de distribución y características asociadas 3.1 3.1 Introducción.......................................... 3.1 3.2 Concepto de variable aleatoria................................
1. 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
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).
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
Tema 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
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Capítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Tema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Maestría 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
Formulario. 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
Técnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Tema 2: Magnitudes aleatorias
Facultad de Economía y Empresa 1 Prácticas Tema.- Magnitudes aleatorias Tema : Magnitudes aleatorias DEMANDA La demanda de cierto artículo es una variable aleatoria con la siguiente distribución: Número
LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
DISTRIBUCIÓN 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
Distribuciones Continuas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 7.
Distribuciones Continuas de Probabilidad 1 Contenido 1. Ejemplo. 2. Diferencia entre variables aleatorias discretas y continuas. 3. Diferencia de f(x) entre variables aleatorias discretas y continuas.
Tema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Tema 3. Variables aleatorias. Inferencia estadística
Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable
Cálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Curso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Probabilidad, Variables aleatorias y Distribuciones
Prueba de evaluación continua Grupo D 7-XII-.- Se sabe que el 90% de los fumadores llegaron a padecer cáncer de pulmón, mientras que entre los no fumadores la proporción de los que sufrieron de cáncer
Prueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Distribuciones de Probabilidad Para Variables Aleatorias Continuas
Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable
X = beneficio del jugador = (ganancia neta) (recursos invertidos) Cuántos euros debo poner yo para que el juego sea justo?
Ejemplo: el valor esperado y los juegos justos. En los juegos de azar es importante la variable aleatoria X = beneficio del jugador = (ganancia neta) (recursos invertidos) El juego consiste en una caja
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Tema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
MODELO DE RESPUESTAS Objetivos del 1 al 9
PRUEBA INTEGRAL LAPSO 05-764 - /9 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 6 Fecha: 0-04-06 MODELO DE RESPUESTAS Objetivos del al 9 OBJ
Inducción Matemática Conjuntos Funciones. Matemática Discreta. Agustín G. Bonifacio UNSL. Repaso de Inducción, Conjuntos y Funciones
UNSL Repaso de Inducción, y Inducción Matemática (Sección 1.7 del libro) Supongamos que queremos demostrar enunciados del siguiente tipo: P(n) : La suma de los primeros n números naturales es n(n+1)
Unidad 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,
PROBABILIDAD. 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
Tema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Prof. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Distribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta
Distribución Normal La distribución normal (O Gaussiana) se define como sigue: En donde y >0 son constantes arbitrarias. Esta función es en realidad uno de las más importantes distribuciones de probabilidad
Unidad 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
5 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
TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
FACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
DISTRIBUCIÓN 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
Distribuciones 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,
1.1. 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 -
Teorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Tema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Variables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
INTRODUCCIÓN 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
Tema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Generación de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Distribuciones de probabilidad con la calculadora científica Classwiz FX-570/991 SP XII
Distribuciones de probabilidad con la calculadora científica Classwiz FX-570/99 SP XII José Mª Chacón Íñigo IES Llanes, Sevilla Te explicamos como realizar la operación de distribución de probabilidad
Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Variables aleatorias continuas
Probabilidades y stadística Computación Facultad de Ciencias actas y Naturales Universidad de uenos ires na M ianco y lena J Martínez 004 Variables aleatorias continuas jemplo: Con el in de realizar un
Tema 4: Variable aleatoria. Métodos Estadísticos
Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función
2. 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
Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
4. 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
Variables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
En muchos estudios no estamos interesados en saber cual evento ocurrió, sino en
Capítulo 3 Variable Aleatoria 3.. Introducción En muchos estudios no estamos interesados en saber cual evento ocurrió, sino en el número de veces que ha ocurrido un evento. Por ejemplo, al lazar dos monedas,
Tema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
TEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Variable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
PAU Madrid. Matemáticas II. Año Examen modelo. Opción A. Ejercicio 1. Valor: 2 puntos.
PAU Madrid. Matemáticas II. Año 22. Examen modelo. Opción A. Ejercicio 1. Valor: 2 puntos. Se considera una varilla AB de longitud 1. El extremo A de esta varilla recorre completamente la circunferencia
Unidad III Variables Aleatorias Unidimensionales
Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos
3 PROBABILIDAD Y DISTRIBUCION NORMAL
3 PROBABILIDAD Y DISTRIBUCION NORMAL La probabilidad puede ser considerada como una teoría referente a los resultados posibles de los experimentos. Estos experimentos deben ser repetitivos; es decir poder
TEOREMA DEL LÍMITE CENTRAL
Material de clase n 2 Domingo 13 Junio TEOREMA DEL LÍMITE CENTRAL A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media x = µ
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una
OPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.
PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:
Tema 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,
Teoría de la decisión
Teoría de la decisión Repaso de Estadística Unidad 1. Conceptos básicos. Teoría de. Espacio muestral. Funciones de distribución. Esperanza matemática. Probabilidad condicional 1 Teoría de la decisión Teoría
Algunas 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
ALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO I LOGICA Y CONJUNTOS.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO I LOGICA Y CONJUNTOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas Universidad de Concepción 1 La lógica es
Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.
Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución
SESIÓN 3 SERIES, SUCESIONES Y LÍMITES
SESIÓN SERIES, SUCESIONES Y LÍMITES I. CONTENIDOS: 1. Sucesiones y series. Idea intuitiva de límite. Ejercicios resueltos.- Estrategias Centradas en el Aprendizaje: Ejercicios propuestos II. OBJETIVOS:
Variables aleatorias múltiples
Chapter 4 Variables aleatorias múltiples 4.. Distribución conjunta y marginal Definición 4.. Un vector aleatorio n-dimensional es una función que va de un espacio muestral S a un espacio euclediano n-dimensional
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Se considera el sistema de ecuaciones dependiente del parámetro real a:
matemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2014) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2014) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Considérese el siguiente sistema de ecuaciones dependiente del parámetro
Tema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
En matemáticas el concepto de conjunto es considerado primitivo y no se da una definición de este, por lo tanto la palabra CONJUNTO debe aceptarse
En matemáticas el concepto de conjunto es considerado primitivo y no se da una definición de este, por lo tanto la palabra CONJUNTO debe aceptarse lógicamente como un término no definido. Un conjunto se
b) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7
EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho
Repaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Distribuciones de Probabilidad Normal [Gaussiana]
![Distribuciones de Probabilidad Normal [Gaussiana]](/thumbs/48/24246416.jpg "Distribuciones de Probabilidad Normal [Gaussiana]")
Distribuciones de Probabilidad Normal [Gaussiana] Distribución Normal o Gaussiana Una variable aleatoria X es llamada variable aleatoria normal (guassiana) si su pdf está dado por, 1 2 2 x / 2 f X x e
Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)
Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos
Tema 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
Distribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.