Objetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
|
|
- Veronica Valverde Maidana
- hace 6 años
- Vistas:
Transcripción
1 PROBABILIDAD Tema 2.2: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza y la varianza de una variable aleatoria discreta. Reconocer y aplicar modelos de probabilidad discretos 1. Variable Aleatoria y Función de Distribución Lo que pretendemos en este tema es transformar un espacio de probabilidad general (Ω, S, P ) en un espacio de probabilidad sobre R, de forma que vamos a simplicar el proceso de asignación de probabilidades mediante el uso de funciones reales de variable real, en vez de funciones de conjunto, como son las funciones de probabilidad Denición de Variable aleatoria Una función X : Ω R es una variable aleatoria si para todo subconjunto B R se tiene X 1 (B) S, es decir, si X 1 (B) es un suceso, sea cual sea el conjunto B R. El conjunto X(Ω) = X se le llamará espacio muestral de la variable aleatoria X y es el conjunto de todos los valores posibles de X. Diremos que una variable aleatoria es discreta si su espacio muestral es un conjunto discreto, es decir, un conjunto nito o bien un conjunto innito pero numerable. Si el espacio muestral de la variable es innito no numerable, como el conjunto de puntos de un intervalo real, diremos que la variable aleatoria es continua. En este tema trataremos con variables aleatorias discretas. Ejemplo 1.1 Si lanzamos una moneda al aire dos veces y X es el número de caras obtenidas X transforma el espacio muestral original Ω = {(c, c), (x, c), (c, x), (x, x)} en X = {0, 1, 2}. Página: 1
2 1.2. Función de Distribución de una variable aleatoria discreta Denimos la Función de Distribución de una variable aleatoria X como la función real de variable real F : R [0, 1] x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) Ejemplo 1.2 (Continuación) La función de distribución del ejemplo anterior es 0, si x < 0; 1, si 0 x < 1; F (x) = 4 3, si 1 x < 2; 4 1, si x Propiedades de la Función de Distribución de una variable aleatoria discreta Las más importantes son: 1. Es siempre no decreciente. 2. Tiene dos asíntotas horizontales: lím x F (x) = 0 y lím x F (x) = Es siempre continua por la derecha, sin embargo F (x) es discontinua por la izquierda en aquellos puntos x en donde P (X = x) > 0, es decir, es discontinua en los puntos muestrales de X. En dichos puntos la función F (x) pega un salto de amplitud P (X = x) y F (x) es escalonada. 4. P (a < X b) = F (b) F (a), a, b R. Ejemplo 1.3 [Continuación] En el ejemplo anterior la función F (x) es escalonada y su gráca es la de la gura siguiente. Página: 2
3 1.4. Actividades 1. Comprobar que, siendo F (x) la función de distribución de una variable aleatoria X, cualesquiera que sean los números reales a y b, se verica: a) P (a < X b) = F (b) F (a) b) P (a < X < b) = F (b) F (a) P (X = b) c) P (a X < b) = F (b) F (a) P (X = b) + P (X = a) 2. Estudiar si las siguientes funciones pueden ser funciones de distribución, y representarlas grácamente: a) F (x) = 0 si x < 0 y F (x) = 1 si x 0 b) F (x) = 0 si x < 0, F (x) = 1 3 si x [0, 1), F (x) = 2 5 si x 2 si x [1, 2) y F (x) = 1 2. Función Puntual de Probabilidad La Función de distribución de una variable aleatoria discreta X es una herramienta absolutamente suciente para la asignación de probabilidades a cualquier suceso relacionado con X. Sin embargo vamos a introducir otra función, denominada función puntual de probabilidad que va a asignar probabilidad a cada punto del espacio muestral de X. Si X es una variable aleatoria discreta, la Función Puntual de Probabilidad o simplemente la Función de Probabilidad es la función p : R [0, 1] que asigna probabilidades a cada uno de los puntos muestrales de X. Es decir, { F (x) F (x 1) = P (X = x), si x X ; p(x) = 0, si x / X. es decir F (x) = y x,y X y de las propiedades de la función de distribución se derivan las siguientes propiedades de la función de probabilidad: 1. x X p(x) = 1 2. Si I R, P (X I) = x I,x X p(x) Ejemplo 2.1 Si X =número de caras al tirar dos veces una moneda, su función de probabilidad es p(y) 1/4, si x = {0, 2}; p(x) = 1/2, si x = 1; 0, si x / {0, 1, 2}. Página: 3
4 2.1. Actividades Estudiar si las funciones siguientes pueden ser funciones puntuales de probabilidad, y en su caso, calcular sus funciones de distribución: 1. p(x) = 1 5 si x = 0, 1, 2, 3, 4 y p(x) = 0 en el resto 2. p(x) = k si x = 10, 9,..., 9, 10 y p(x) = 0 en el resto 3. p(x) = 2x si x = 1, 2, 3, 4 y p(x) = 0 en el resto 4. (*) p(x) = 1 si x = 1, 2, 3,... y p(x) = 0 en el resto 2x 3. Esperanza y Varianza de una variable aleatoria discreta Con estos parámetros, que denimos a continuación, pretendemos describir una variable aleatoria respecto a sus características de centralización y dispersión Esperanza Matemática o Media Teórica La Esperanza o Media Teórica de una v.a. E(X) indica un valor teórico al que tendería el valor medio de n realizaciones de X, cuando n tiende a innito. Para aclarar esto supongamos que X es nuestra ganancia cuando jugamos a un juego de lotería en el que podemos ganar un millón de euros con cierta probabilidad o perder lo invertido en el billete. En una realización concreta ganaremos o perderemos y la esperanza de X sería el valor al que tendería el valor medio de mi ganancia cuando juego un número grande de veces. Se dene mediante la siguiente expresión: E(X) = x X xp(x) Ejemplo 3.1 Supongamos que en un juego ganamos 10 euros si al tirar un dado sacamos un cinco o un seis, ganamos 5 si sale un 2 o un 3 o un 4 y perdemos 25 si sale un 1. Si llamamos X a la ganancia obtenida en una jugada, la función de probabilidad de X es 2, si x = 10; 6 3, si x = 5; p(x) = 6 1, si x = 25; 6 0, si x / {10, 5, 25}. cuya esperanza vale: E(X) = = 10 6 que sería el valor medio de nuestras ganancias a largo plazo (en un gran número de jugadas). Página: 4
5 Ejemplo 3.2 La esperanza de la variable del ejemplo (1.3) vale E(X) = = 1 esto signica que en un gran número de experiencias, el valor medio del número de caras tendería a 1. Propiedades de la Esperanza Matemática 1. Si C es una constante E(C) = C 2. E(CX) = CE(X) 3. Si C y D son constantes y X e Y son v.a. E(CX + DY ) = CE(X) + DE(Y ) 4. Si X e Y son independientes se tiene E(X.Y ) = E(X)E(Y ) Varianza y Desviación Típica La varianza de una variable aleatoria X, que representaremos por V (X), y la Desviación Típica, D(X), indicarán el grado de dispersión de los valores de la variable respecto a la esperanza matemática. La Desviación Típica será la raíz cuadrada positiva de la varianza, D(X) = V (X) y tiene la ventaja que se expresa en la misma unidad que la propia variable. Variables con desviación típica pequeña indicará que hay alta probabilidad de observar valores próximos a la esperanza matemática o media teórica E(X). Si denotamos E(X) mediante µ y V (X) mediante σ 2 Denimos V (X) = σ 2 = E((X µ) 2 ) = E(X 2 ) µ 2 y podemos calcularla mediante la siguiente expresión: V (X) = σ 2 = x X x 2 p(x) µ 2 = x X x 2 p(x) ( x X xp(x)) 2 Ejemplo 3.3 La varianza de la variable del ejemplo (1.3) es σ 2 = = 1 2 y su desviación típica es D(X) = σ = 1 2 Propiedades de la Varianza 1. Si C es una constante V (C) = 0 2. V (CX) = C 2 V (X) 3. Si C y D son constantes y X e Y son v.a. e independientes, V (CX + DY ) = C 2 V (X) + D 2 V (Y ) 4. Si E(X) = µ y D(X) = σ, la variable Z = X µ σ cumple E(Z) = 0 y V (Z) = 1. Página: 5
6 3.3. Actividades 1. Calcular la esperanza y la varianza en los casos en donde sea posible de las actividades de las secciones anteriores. 2. Se dispone de una diana de 10cm de radio, formada por tres círculos concéntricos de radios 1cm, 5cm y 10cm. Un disparo recibe la puntuación según la zona de la diana en la que impacta: cuando acierta en el blanco (dentro del círculo menor) recibe 10 puntos, cuando pega en el anillo intermedio recibe 5 puntos y si cae en el anillo exterior recibe 3 puntos, siendo 0 los puntos cuando no impacta en la diana. Suponiendo que la probabilidad de impactar en la diana es 0.5: a) Calcular la probabilidad de obtener cada una de las puntuaciones en un disparo. b) Hallar la puntuación esperada en un disparo. 4. Modelos de probabilidad discretos 4.1. El modelo de Bernoulli Consideremos un experimento con únicamente dos resultados posibles, o puede suceder A (que llamaremos éxito) o bien A y supongamos que la probabilidad de Éxito es conocida, es decir, P (A) = p (con 0 p 1 ). Cuando realizamos un experimento en las condiciones anteriores diremos que hemos realizado una Prueba de Bernoulli. Si llamamos X=número de éxitos obtenidos en una prueba de Bernoulli su espacio muestral es X = {0, 1} y la función puntual de probabilidad de X tiene la siguiente expresión p, si X = 1; p(x) = P (X = x) = q = (1 p), si X = 0; o lo que es igual p(x) = P (X = x) = { p x (1 p) 1 x, si x X = {0, 1}; Podemos, para este modelo, fácilmente calcular su esperanza y su varianza: que son E(X) = 1p + 0(1 p) = p V (V ) = 1 2 p (1 p) p 2 = p(1 p) Si la variable X tiene una distribución de probabilidad como la del modelo de Bernoulli con P (A) = p, lo indicaremos poniendo X B(p) Página: 6
7 Actividades 1. Obtener y dibujar la función de distribución de X B(p) Modelo Binomial Imaginemos un experimento como el anterior, con dos resultados posibles A y A y P (A) = p conocido, pero que lo repetimos n veces en idénticas condiciones. Sea ahora X=número de éxitos en n pruebas de Bernoulli idénticas e independientes El espacio muestral de la variable es X = {0, 1,..., n} y la función puntual de probabilidad es: { ( n ) p(x) = x p x (1 p) n x, si x X = {0, 1,..., n}; 0, si x / X. En este caso la esperanza y la varianza valen: Además: E(X) = np V (X) = np(1 p) La función puntual de probabilidad de X B(n, p) es simétrica si p = 1 2. Si X B(n, p) e Y B(m, p), entonces Z B(n + m, p). Si la variable X tiene una distribución de probabilidad como la del modelo Binomial de parámetros n =número de pruebas y P (A) = p, lo indicaremos poniendo Actividades X B(n, p) 1. (*) Aporta al menos cinco situaciones experimentales en donde la v.a. X siga una distribución Binomial. 2. Demuestra que la función puntual de probabilidad anteriormente denida cumple los requisitos necesarios. 3. (*) Si X B(n, p) y llamamos p k = P (X = k), (k = 0, 1,..., n), encontrar la relación de recurrencia que existe entre p k+1 y p k. 4. Si lanzamos de veces una moneda equilibrada, acotar la probabilidad de que la frecuencia relativa del número de caras no se desvíe de la probabilidad exacta en más de (Utiliza la desigualdad de Tchebychev). 5. Sea A un suceso con probabilidad p y sea n A el número de veces que ha resultado A en n pruebas de Bernoulli. Acotar la probabilidad de que la frecuencia relativa del suceso A no se desvíe de la probabilidad exacta en más de ε. Página: 7
8 4.3. Modelo Geométrico Vamos a considerar ahora un experimento consistente en la realización de repeticiones independientes de pruebas de Bernoulli, donde cada prueba puede resultar A o A con P (A) = p, hasta que que sucede A. Ahora X=número de pruebas de Bernoulli idénticas e independientes hasta que sucede A el espacio muestral es X = {1, 2,...} es innito numerable y su función puntual de probabilidad es { (1 p) p(x) = x 1 p, si x X = {1, 2,...}; En este caso la esperanza y la varianza valen: E(X) = 1/p V (X) = (1 p)/p 2 Si la variable X tiene una distribución de probabilidad como la del modelo Geométrico con P (A) = p, lo indicaremos poniendo X G(p) De forma alternativa el modelo geométrico se dene como la variable Y=número de fracasos antes de que suceda A por primera vez el espacio muestral es Y = {0, 1,...} es innito numerable y su función puntual de probabilidad es { (1 p) p(y) = y p, si y Y = {0, 1,...}; En este caso, y puesto que Y = X 1, la esperanza y la varianza valen: E(Y ) = E(X) 1 = (1 p)/p V (Y ) = V (X) = (1 p)/p Actividades Demostrar que la función puntual de probabilidad denida anteriormente para X cumple los requisitos necesarios. (*) Calcular la función de distribución de X. Si Y G(p) es el número de fracasos antes del primer éxito, demostrar que si k, t Y, se tiene P (Y k + t Y k) = P (Y t). Si X G(p) es el número de pruebas hasta el primer éxito, demostrar que si k, t X, se tiene P (X > k + t X > k) = P (X > t). Interpretar la propiedad anterior, denominada de carencia de memoria del modelo geométrico. Página: 8
9 4.4. Modelo Binomial Negativo El Modelo Binomial Negativo es una generalización del Modelo Geométrico pues terminamos de hacer pruebas de Bernoulli cuando se han conseguido r éxitos, o r veces el suceso A. En las mismas hipótesis anteriores denimos X=número de pruebas de Bernoulli idénticas e independientes hasta que sucede A r veces el espacio muestral es X = {r, r + 1,...} es innito numerable y su función puntual de probabilidad es { ( x 1 p(x) = r 1) (1 p) x r p r, si x X = {r, r + 1,...}; En este caso la esperanza y la varianza valen: E(X) = r/p V (X) = r(1 p)/p 2 Si la variable X tiene una distribución de probabilidad como la del modelo Binomial Negativo, con r =número exigido de éxitos y con probabilidad de éxito P (A) = p, lo indicaremos poniendo Actividades X BN (r, p) 1. Expresar X BN (r, p) como suma de r variables aleatorias X i G(p). A partir de ello obtener E(X) y V (X). 2. (*)Dene cinco situaciones experimentales que se asocien al modelo binomial negativo, expresando en cada caso cuál es el espacio muestral Modelo Hipergeométrico Supongamos una urna con N bolas de dos tipos, por ejemplo N 1 blancas y N 2 = N N 1 negras, y supongamos que denimos la v.a. X =número de bolas blancas obtenidas en una muestra de tamaño n con reemplazamiento. Puesto que las distintas extracciones son independientes y la probabilidad de obtener bola blanca es igual en cada extracción (P (A) = N 1 ) la variable anterior sigue N una distribución Binomial, es decir X B(n, N 1 N ). Pero vamos a suponer ahora que de dicha población se extraen n bolas sin reemplazamiento. El modelo ya no es binomial puesto que las distintas extracciones ni son independientes ni tienen la misma probabilidad de éxito. Si la población consta de N objetos, con N 1 objetos de la clase A y N 2 objetos de la clase A (N 1 + N 2 = N), denimos ahora la variable X=número de objetos de la clase A en una muestra de tamaño n extraída sin reemplazamiento Página: 9
10 el espacio muestral es X = {máx{0, n (N N 1 )},..., mín{n 1, n}} y su función puntual de probabilidad es p(x) = { ( N 1 x )( N N 1 n x ), si máx{0, n (N N ( N 1 )} x mín{n 1, n}; n) En este caso la esperanza y la varianza valen: E(X) = n N 1 N V (X) = n N 1 (1 N 1 ) N n N N N 1 Si la variable X tiene una distribución de probabilidad como la del modelo hipergeométrico lo indicaremos poniendo X H(N, N 1, n) donde N es tamaño de la población, n es el tamaño de la muestra y N 1 es el número de objetos de la clase A en la población. Además es posible demostrar que si N es muy grande y n es pequeño frente a N, las probabilidades hipergeométricas valen aproximadamente las probabilidades binomiales; haciendo p = N 1 N, es decir H(N, N 1, n) B(n, N 1 N ) si N, p = N 1 N lím N ( N1 x )( N N1 n x ) ( N n) = ( ) n p x (1 p) n x x Lo anterior supone que cuando se dan esas circunstancias en problemas de extracción de muestras (N grande y n pequeño), podemos suponer reemplazamiento porque los resultados van a ser muy parecidos y es más cómodo trabajar en este caso Actividades 1. (*) Dene cinco situaciones experimentales que se asocien al modelo hipergeométrico, expresando en cada caso cuál es el espacio muestral. 2. Si una urna contiene 95 bolas blancas y 5 negras y elegimos al azar 3 sin reemplazamiento, calcula la probabilidad de obtener 2 bolas negras. 3. Calcula una aproximación de la probabilidad anterior, mediante la aproximación de la distribución hipergeométrica a la distribución binomial. Página: 10
11 4.6. Modelo de Poisson Supongamos que conocemos el número medio de veces que ocurre el suceso A en una unidad de soporte continuo (tiempo, espacio, volumen, longitud, supercie,...) y que vamos a denotar mediante λ. Decimos que la variable X =número de veces que ocurre A en un intervalo unidad cuyo espacio muestral es X = {0, 1, 2,...}, sigue una distribución de Poisson (también llamada Ley de los Sucesos Raros) de parámetro λ si su función de probabilidad está dada por: { e λ λ x, si x X = {0, 1, 2,...}; p(x) = x! En este caso: E(X) = λ V (V ) = λ Si X es una variable cuya distribución de probabilidad es como la del modelo de Poisson, lo indicaremos poniendo X P(λ) donde λ = E(X) es el número medio de veces que ocurre A en un intervalo unidad. Además las probabilidades Binomiales cuando n es grande y p es pequeño se aproximan a las probabilidades de Poisson, haciendo λ = np. Es decir, )p x (1 p) n x e ( n x Actividades λ λx, si n, λ = np x! 1. Demostrar que la función de probabilidad anterior cumple los requisitos necesarios. 2. Denir cinco situaciones experimentales que se ajusten a un modelo de Poisson. 3. (*) Demostrar que E(X) = λ 4. (*) Demostrar la convergencia de las probabilidades binomiales a las probabilidades de Poisson. Página: 11
Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más 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 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 detallesx R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.
PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesTEMA 3. 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 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 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 detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más 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 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 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 detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más 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 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 detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más 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 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 detalles1 Números reales. Funciones y continuidad.
1 Números reales. Funciones y continuidad. En este tema nos centraremos en el estudio de la continuidad de funciones reales, es decir, funciones de variable real y valor real. Por ello es esencial en primer
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 detallesIntroducción. 1. Algebra de sucesos. PROBABILIDAD Tema 2.1: Fundamentos de Probabilidad Primeras deniciones. M. Iniesta Universidad de Murcia
PROBABILIDAD Tema 2.1: Fundamentos de Probabilidad Introducción Jacob Berooulli (1654-1705), Abraham de Moivre (1667-1754), el reverendo Thomas Bayes (1702-1761) y Joseph Lagrange (1736-1813) desarrollaron
Más detallesCapítulo 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
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 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 detallesTema 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
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 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 detallesProbabilidad 2º curso de Bachillerato Ciencias Sociales
PROBABILIDAD Índice: 1. Experimentos aleatorios. Espacio muestral----------------------------------------------------- 2 2. Suceso aleatorio ------------------------------------------------------------------------------------
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 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 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 detallesHoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b).
Hoja 2 Probabilidad 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, se define A A = {B Ω : B = A C con C A}. Demostrar que A A P(A) es σ-álgebra. 2.- Sea {A n : n 1} A una sucesión
Más 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 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 detallesProbabilidad PROBABILIDAD
PROBABILIDAD La probabilidad es un método mediante el cual se obtiene la frecuencia de un suceso determinado mediante la realización de un experimento aleatorio, del que se conocen todos los resultados
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 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 detallesProbabilidad E x p e r i m e n t o s d e t e r m i n i s t a s E j e m p l o E x p e r i m e n t o s a l e a t o r i o s a z a r E j e m p l o s
Probabilidad Experimentos deterministas Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Ejemplo Si dejamos caer una piedra desde una ventana sabemos, sin lugar a
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 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 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 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 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 detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesGeneración 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:
Más detallesX = 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
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesTeorema 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,
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 detallesTema 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
Más detallesProbabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades
Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,
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 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 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 detallesMOOC UJI: La Probabilidad en las PAU
4. Probabilidad Condicionada: Teoremas de la Probabilidad Total y de Bayes 4.1. Probabilidad Condicionada Vamos a estudiar como cambia la probabilidad de un suceso A cuando sabemos que ha ocurrido otro
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 detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
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 detallesMuchas 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
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
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 detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detallesMétodos 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...............................................................
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 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 detallesTema 6 Probabilidad. 0.-Introducción La probabilidad de un suceso es un número, comprendido entre 0 y
Tema 6 Probabilidad 0.-Introducción La probabilidad de un suceso es un número, comprendido entre 0 y 1, que indica las posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio.
Más detallesEl caballero Mere escribe a Pascal en 1654 y le propone el siguiente problema:
Introducción Los fundamentos del cálculo de probabilidades surgen alrededor del año 1650, cuando sugerido por los juegos de dados, de cartas, del lanzamiento de una moneda, se planteó el debate de determinar
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 detallesLa probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda es. 2) (2) (2) "it^g) = 64
Las distribuciones binomial, normal y de Poisson CAPITULO 7 Wmmr LA DISTRIBUCION B I N O M I A L Si p es la probabilidad de que cualquier evento ocurra en un solo ensayo (denominada probabilidad de éxito)
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 detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesTema 4 Variables Aleatorias
Tema 4 Variables Aleatorias 1 Introducción En Estadística Descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y posteriormente se vimos los fundamentos de la teoría de probabilidades.
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 detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
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 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. 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,
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesIntroducción a la Teoría Analítica de Números
Introducción a la Teoría Analítica de Números Pablo De Nápoli clase 3. Ejemplos de funciones generatrices El teorema que vimos la clase anterior sobre el producto de series de Dirichlet permite determinar
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesEJERCICIOS RESUELTOS TEMA 3
EJERCICIOS RESUELTOS TEMA Observación: En todos los ejercicios se ha puesto A, como notación de contrario de A. Ejercicio nº.- En una urna hay bolas numeradas de al. Etraemos una bola al azar y observamos
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 detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
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 detallesEJERCICIOS DE PROBABILIDAD
EJERCICIOS DE ROBABILIDAD Ejercicio nº 1.- Lanzamos dos dados sobre la mesa y anotamos los dos números obtenidos. a) Cuántos elementos tiene el espacio muestral? b) Describe los sucesos: A "Obtener al
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesPROBLEMAS DE PROBABILIDAD. 3. Calcula la probabilidad de que al lanzar dos dados la suma de sus puntos sea: a) igual a 5 b) mayor que 10
1. Se lanza un dado. Halla la probabilidad: a) de salir el 3 b) de salir un número par c) de salir un número mayor que 2 PROBLEMAS DE PROBABILIDAD 2. Calcula la probabilidad de que al lanzar dos monedas:
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detalles3 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
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detallesPROBABILIDAD. Experiencia aleatoria es aquella cuyo resultado depende del azar.
PROBABILIDAD. 1 EXPERIENCIAS ALEATORIAS. SUCESOS. Experiencia aleatoria es aquella cuyo resultado depende del azar. Suceso aleatorio es un acontecimiento que ocurrirá o no dependiendo del azar. Espacio
Más detallesEjercicios de Cálculo de Probabilidades
Ejercicios de Cálculo de Probabilidades Ejercicio nº 1.- De una bolsa que tiene 10 bolas numeradas del 0 al 9, se extrae una bola al azar. a Cuál es el espacio muestral? b Describe los sucesos: A "Mayor
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detalles