INGENIERIA de TELECOMUNICACION
|
|
- Juan Antonio Acuña Torregrosa
- hace 6 años
- Vistas:
Transcripción
1 INGENIERIA de TELECOMUNICACION ESTADISTICA PRACTICA 3. MODELOS DE PROBABILIDAD OBJETIVOS: Introducción a modelos de probabilidad discretos y contínuos más comunes. Caracterización, representación gráfica. Resolución mediante simulación con MATLAB/Octave de ejercicios propuestos. 1. Introducción En general, para generar variables aleatorias contínuas utilizaremos el método de la transformación inversa de la función de distribución (siempre que exista inversa). Para el caso de v.a. s discretas utilizaremos una condición booleana. No obstante, MATLAB/Octave, dispone de funciones propias para generar variables aleatorias de modelos de probabilidad conocidos. La siguienta tabla resume algunas de las funciones más importantes para la generación de números aleatorios de modelos de probabilidad para variables contínuas y discretas en MATLAB/Octave: Función Descripción Sintaxis normrnd n o aleatorios N(µ, σ) normrnd(mu,sigma,m,n) randn n o aleatorios N(0, 1) randn(m,n) exprnd n o aleatorios Exp(λ) exprnd(1/lambda,m,n) binornd n o aleatorios Bin(n, p) binornd(n,p,m,n) poissrnd n o aleatorios Poiss(λ) poissrnd(lambda,m,n) donde m y n, son respectivamente en n o de filas y columnas a generar. 2. Caso contínuo Distribución normal Recordemos que la distribución Normal tiene como función de densidad: X N (µ, σ) : f(x) = 1 σ 1 2π exp 2σ 2 (x µ)2, donde x R, σ > 0 y µ R. 1. Crea una función en MATLAB/Octave que proporcione los valores de la función de densidad de una variable aleatoria con distribución normal N (µ, σ). Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 1
2 %% creamos la función fd_normal.m function y = fd_normal(x, mu, sigma) for i=1:length(x) y(i) = exp(-0.5*((x(i)-mu)/sigma)^2) / (sigma*sqrt(2*pi)); end %% 2. Utilizando la función creada en el apartado anterior, representa gráficamente la función de densidad de la v.a. normal para distintos valores de los parámetros de la distribución: a) Manteniendo σ y variando µ Considera 3 distribuciones Normales con desviación típica constante (σ = 1) y con diferentes medias (µ =-1,0,1). Cómo afectan los parámetros a la forma de la distribución? y a su posición en los ejes? b) Mantiendo µ y variando σ Considera 3 distribuciones Normales con media constante (µ = 0) y variando la desviación típica (σ =0.3,0.5,1.2). Analizar cómo afecta a la forma de la distribución y cómo afecta a su posición en los ejes. % a) >> x = -5:0.01:5; >> y1 = fd_normal(x,-1,1); % y1 es Normal con media -1 y desv. 1 >> y2 = fd_normal(x, 0,1); % y2 es Normal con media 0 y desv. 1 >> y3 = fd_normal(x, 1,1); % y2 es Normal con media +1 y desv. 1 % b) >> y4 = fd_normal(x, 0, 0.3); % y4 es Normal con media 0 y desv. 0.3 >> y5 = fd_normal(x, 0, 0.5); % y5 es Normal con media 0 y desv. 0.5 >> y6 = fd_normal(x, 0, 1.2); % y6 es Normal con media 0 y desv. 1.2 Una vez generadas las 6 variables aleatorias normales, vamos a compararlas gráficamente usando la funciones subplot 1 ; plot y hold on, hold off. 1 mediante la función subplot podemos crear varios gráficos a la vez. En el ejemplo, subplot(1,2,i), significa que dibujamos en 1 fila y en 2 columnas el gráfico i = 1 y 2 Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 2
3 % GRAFICO CASO a) >> subplot(1,2,1) % 1 fila, 2 columnas, gráfico n o 1 >> hold on % esta opcion permite superponer gráficos >> plot(x,y1, b ) % gráfico x/y1 en color azul ( blue ) >> plot(x,y2, g ) % gráfico x/y2 en color verde ( green ) >> plot(x,y3, r ) % gráfico x/y2 en color rojo ( red ) >> hold off % deshabilitamos la opción para superponer gráficos % GRAFICO CASO b) >> subplot(1,2,2) % 1 fila, 2 columnas, gráfico n o 2 >> hold on >> plot(x,y4, b ) >> plot(x,y5, g ) >> plot(x,y6, r ) >> hold off % Otro modo de hacerlo es: >> subplot(1,2,1) >> plot(x,y1, b,x,y2, g,x,y3, r ) >> subplot(1,2,2) >> plot(x,y4, b,x,y5, g,x,y6, r ) mu = -1, sigma = 1 mu = 0,sigma = 0.3 mu = 0, sigma = 1 mu = 0, sigma = mu = 1, sigma = mu = 0,sigma = NOTA: Otra manera de representar un gráfico de una distribución normal (µ = 0 y σ = 2,5) para x ( 10, 10) sería: >> fplot( fd_normal(x, 0, 2.5), [-10 10], g ) Con la sentencia disttool de MATLAB sobre el Command Window, podemos ver gráficamente Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 3
4 la densidad de diferentes distribuciones, seleccionando en Function Type/PDF. 3. Genera en MATLAB/Octave números aleatorios de la distribución normal. En MATLAB/Octave es posible generar números aleatorios de una distribución normal (µ, σ), a través de funciones propias de la librería estadística stats. Así, podemos crear datos normales (n filas y m columnas) de la siguiente manera: >> x= normrnd(mu,sigma,m,n); El comando randn, permite generar números aleatorios de una distribución normal estándar (es decir, de media µ = 0 y σ = 1). A partir de randn, es posible generar números aleatorios N (µ, σ). Del siguiente modo: sea Z N (0, 1), podemos obtener X N (µ, σ), dada la siguiente relación: X = Z σ + µ >> z= randn(m,n); >> x= z*sigma + mu; Podemos comprobar, que los números generados son N (µ, σ) representando el histograma: >> m=1000; n=1; >> sigma=0.75; mu=1; >> z=randn(m,n); x=z*sigma + mu; >> hist(x) Función de distribución acumulada. En MATLAB/Octave, el comando normcdf(x,mu,sigma) devuelve la probabilidad p = P (X x) de una distribución normal de parámetros µ y σ. Representa la función de distribución acumulada, para los valores de x [ 3, 3], siendo X una normal estándar. Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 4
5 >> x = [-3:0.01:3]; >> mu=0; sigma=1; >> p = normcdf(x,mu,sigma); % p = normcdf(x) proporciona % la f. distr. acum. de % una N(0,1) % Su inversa es x = norminv(p,mu,sigma) >> plot(x,p) >> grid on Caso discreto Distribución binomial La función de probabilidad p(x) de la distribución binomial Bin(n, p) es: ( ) n X Bin(n, p) : p(x) = p x (1 p) n x donde x = 0, 1,..., n y 0 p < 1. x Siendo n el número de intentos o de ensayos y el parámetro p la probabilidad de que el suceso éxito ocurra. 1. Crea una función en MATLAB/Octave que permita representar funciones de probabilidad de una distribución binomial. %% creamos la función fp_binomial.m function y=fp_binomial(x,n,p) for i=1:length(x) y(i)=(nchoosek(n,x(i)))*(p^x(i))*((1-p)^(n-x(i))) ; end %% NOTA: la función nchoosek(n,x) permite calcular ( n x), sin embargo, para un tamaño de n grande, el resultado puede no ser exacto. Por ello, para un tamaño n grande, emplearemos Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 5
6 la función Gamma Γ: Γ(p) = + 0 e x x p 1 dx, donde p > 0 Propiedades de la función Gamma (Γ): a) Γ(1) = 0! = 1 b) Γ(p) = (p 1)Γ(p 1), p > 0 y entonces Γ(p) = (p 1)!, p N. c) ( ) n x = Γ(n+1) d) Γ( 1 2 ) = π. Γ(x+1) Γ(n x+1) 2. Crea en MATLAB/Octave que permita representar funciones de probabilidad de una distribución binomial para tamaños de n grandes. %% creamos la función fp_binomialn.m %% utilizando la propiedad 3) de la función Gamma function y = fp_binomialn(x,n,p) for i=1:length(x) y(i)=(gamma(n+1)*(p^x(i))*((1-p)^(n-x(i))))/ (gamma(x(i)+1)*gamma(n-x(i)+1)); end %% 3. Utilizando la función creada anteriormente, representa gráficamente la función de probabilidad de una variable aleatoria binomial, para los siguientes casos: a) Dejando constante p y variando n creamos 3 distribuciones binomiales: Bin(5,0.2), Bin(10,0.2), Bin(20,0.2) b) Dejar n constante y variar p creamos otras 3 distribuciones binomiales: Bin(100,0.1), Bin(100,0.5), Bin(100,0.8) Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 6
7 % Caso a): >> x5=0:5 % creamos una secuencia de 0 a 5 >> y5=fp_binomial(x5,5,0.2) % llamamos a la función fp_binomial.m >> sum(y5) % comprobamos que la suma de las probabilidades es 1 >> x10=0:10; >> y10=fp_binomial(x10,10,0.2); >> x20=0:20; >> y20=fp_binomial(x20,20,0.2); % Caso b): >> x100 = 0:100; >> y1 = fp_binomialn(x100, 100, 0.1); % llamamos a la función >> y2 = fp_binomialn(x100, 100, 0.5); % fp_binomialn.m >> y3 = fp_binomialn(x100, 100, 0.8); Podemos comparar ambos gráficos, como vimos en el caso de la distribución Normal. >> subplot(1,2,1) >> plot(x5,y5,., x10,y10, +, x20, y20, * ); >> legend( n=5, p=0.2, n=10, p=0.2, n=20, p=0.2 ) >> subplot(1,2,2) >> plot(x100, y1,., x100, y2, +, x100, y3, * ); >> legend( n = 100, p = 0.1, n = 100, p = 0.5, n = 100, p = 0.8 ); n=5, p=0.2 n=10, p=0.2 n=20, p= n = 100, p = 0.1 n = 100, p = 0.5 n = 100, p = Sabiendo que la distribución Bin(n, p) es la suma de n variables aleatorias Bernouilli inde- Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 7
8 pendientes: Binom(n, p) = Bern(p) Bern(p) }{{} n veces Crea una función en MATLAB/Octave para generar números aleatorios de la distribución binomial. %% creamos la función na_binomial.m function y= na_binomial(n_dat, n, p) % n_dat es el % n o de datos binomiales prob = rand(n,n_dat); % realizamos n experimentos exitos = prob < p; % si se cumple, entonces se ha producido un exito y =sum(exitos); % sumamos todos los exitos producidos %% En el Command Window: % Obtenemos 10 números binomiales obtenidos de sumar el n o % de éxitos de n intentos con una probabilidad de éxito p >> y = na_binomial(10,n,p) Numéricamente, podemos verificar las propiedades de la media y la varianza de la distribución binomial: E[X] = n p Var[X] = n p q >> n=100; p=0.1; >> y = na_binomial(10,n,p) >> mean(y) % aprox. 10 >> var(y) % aprox Generación de variables aleatorias Como se indicó en la práctica anterior, el método de la inversa nos permite generar variables aleatorias contínuas a partir de la función de distribución siempre que ésta admita inversa. Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 8
9 Caso Weibull: Sea X una variable aleatoria Weibull 2, X Weibull(α, β), con función de distribución: { 0 x > 0 F X (x) = 1 e (x/β)α 0 x donde α y β son parámetros dados. Indica cómo generarías en MATLAB/Octave variables aleatorias Weibull. Mediante el método de la inversa, tenemos que considerando u = F X (x), 1 e (x/β)α = u e (x/β)α = 1 u (x/β) α = ln(1 u) x/β = [ ln(1 u)] 1 α x = β[ ln(1 u)] 1 α Por tanto: >> u = rand(n,1); >> x = beta*(-log(1-u))^(1/alpha); 4. Función Q La función Q se define como la complementaria a la función de distribución de la N (0, 1), es decir como Q(x) = P (X > x) siendo X N (0, 1) Supongamos una función Q tiene por cotas superiores (cs1) y (cs2) y cota inferior (ci) dadas por Q(x) 1 x2 e 2 para todo x 0 (cs1) 2 Q(x) < 1 e x2 2 para todo x > 0 (cs2) 2πx Q(x) > 1 ( 1 1 ) 2πx x 2 e x2 2 para todo x > 1 (ci) 2 NOTA: Esta distribución se aplica en los análisis de fiabilidad de sistemas, para establecer, por ejemplo el tiempo de vida de un componente hasta que se produce un fallo. Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 9
10 a) La función de MATLAB normcdf(x,mu,sigma) devuelve la función de distribución acumulada de una N (µ, σ). Cómo representarías en MATLAB la función Q? >> Q = 1 - normcdf(x,0,1) b) Escribe el código en MATLAB para representar gráficamente la función Q en el intervalo (0, 5] junto con las cotas superiores cs1 y cs2 y la cota inferior ci. El resultado que se ha de obtener será similar al de la figura 1. NOTA: Representa x (0, 5] como x=[0.01:0.01:5]. Para la cota inferior ci, observa que existe una asíntota vertical en x = 1, por tanto, define xi=[1.01:0.01:5] tan sólo para esta cota. Utiliza una escala logarítmica para representar gráficamente las cotas. >>x1= [1.01:0.01:5]; >>for i=1:length(x1) ci(i) = (1/x1(i)*sqrt(2*pi))*(1- (1/x1(i)^2))*exp(-0.5*x1(i)^2); end >>x = [0.01:0.01:5]; >>for i=1:length(x) cs1(i)=0.5*exp(-0.5*x(i)^2); cs2(i)=(1/(x(i)*sqrt(2*pi))) * exp(-0.5*x(i)^2); end >>q = 1- normcdf(x,0,1); >> plot(x, log(q), black ) >> hold on >> plot(x, log(cs1), r ) >> plot(x, log(cs2), g ) >> plot(x1, log(ci), m ) >> hold off Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 10
11 10 5 log(q) log(cs1) log(cs2) log(ci) Figura 1: Representación gráfica de la función Q con las cotas en escala logarítmica log(cs1), log(cs2) y log(ci). La línea vertical representa la asíntota en x = Ejercicios de interés 1. Si se sabe que una v.a Y del tipo Cauchy se puede obtener como Y = tg (X) con X una U ( π 2, π 2 ), cómo se puede aprovechar esta información para generar una Cauchy? Si se sabe dicha información no hace falta recurrir al método de la inversa de la función de distribución. Simplemente podemos: >> x=unifrnd(-pi/2,pi/2, 100,1); % generar uniformes en intervalo % (-pi/2,pi/2) >> y=tan(x); % aplicar la tangente 2. Sea X N (0, σ = 3). Se construye un círculo con radio un valor x de la v.a. anterior. Calcular en términos de la función Q la probabilidad de que el círculo generado tenga un área mayor o igual que π. Evaluar dicha probabilidad con MATLAB/ Octave de forma exacta y por simulación. Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 11
12 Sea C la v.a. Área del círculo, se trata de calcular P (C π) = P ( πx 2 π ) = P ( X 2 1 ) = P (X 1) + P (X 1) ( X 0 = P 1 0 ) ( X 0 + P 1 0 ) ( ) 1 = 2Q Para evaluarla con MATLAB/Octave de forma exacta: >> x=2*(1-normcdf(1/3)) Para resolverlo con MATLAB/Octave de forma simulada: >> x=normrnd(0,3,1000,1); >> area=pi*x.>2; >> c=(area>=pi); >> prob=sum(c)/ Sea X la v.a. horas que se dedica a realizar una actividad, cuya función de densidad es Se pide: f (x) = { 1 4 (x + 1) 0 < x < 2 0 resto a) Calcular, de forma analítica y con MATLAB/Octave, la probabilidad de que el tiempo empleado sea superior a una hora y media. b) Si se realizan 10 actividades según la v.a. X, calcular, de forma analítica y con MATLAB/Octave, la probabilidad de que exactamente en tres de ellas, el tiempo que se emplee en realizar cada una sea superior a una hora y media. Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 12
13 a) De forma analítica, se tiene que: P (X > 1,5) = = x=1,5 f (x) dx = 2 x=1,5 ( 4 9 ) + 1 ( 2 3 ) (x + 1) dx = = = = 0,3438 [ x 2 ] 2 1, [x]2 1,5 Para resolverlo con MATLAB/Octave, hay que utilizar el método de la inversa, con lo que hay que calcular previamente la función de distribución, que es 0 x < 0 x 1 F (x) = 0 4 (y + 1) dy = 1 8 x x 0 x < x Y ahora hay que invertir la función de distribución: 1 8 x x = u x 2 + 2x 8u = 0 x = 2 ± u 2 Dada la definición de la v.a. X la solución negativa no es válida, con lo que el procedimiento para generarla es: u U (0, 1) x = u 2 El código MATLAB/Octave para resolver este apartado es: >> u=rand(1000,1); >> x=(-2+sqrt(4+32*u))/2; >> prob=sum(x>1.5)/ b) De forma analítica, si se define Y como la v.a. número de actividades entre las 10 realizadas en las que el tiempo que se emplea es superior a una hora y media, se tiene que Y Bin ( n = 10, p = 11 32) hay que calcular P (Y = 3) = ( 10 3 ) ( ) 3 ( ) 21 7 = 0, Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 13
14 El código MATLAB/Octave para resolver este apartado es: >> u=rand(1000,10); >> x=(-2+sqrt(4+32*u))/2; >> conta=(x>1.5); >> suma=sum(conta,2); >> prob=sum(suma==3)/ Ex. FEB 2004 Ing. Tel. (C1a) (link). El objetivo de este problema es analizar un canal de comunicaciones. Cuando el canal transmite un 1, el receptor recibe una variable aleatoria que sigue una distribución Normal de media 1 y varianza 0, 5. Si el canal binario transmite un 2, el receptor recibe una variable aleatoria Normal con media 2 y varianza 0, 5. Sea P (1) la probabilidad de transmitir un 1. a) Si P (1) = 0, 75. Cuál es la probabilidad de que un 1 haya sido transmitido cuando el receptor ha recibido una señal superior a 2? T 1 = transmitir un 1, P (T 1 ) = 0,75, R T 1 N(1, 0,5) T 2 = transmitir un 2, P (T 2 ) = 0,25, R T 2 N(2, 0,5) P (T 1 R > 2) = P (R > 2 T 1)P (T 1 ) = P (R > 2) P (R > 2 T 1 )P (T 1 ) = P (R > 2 T 1 )P (T 1 ) + P (R > 2 T 2 )P (T 2 ) Sean Z 1 = R T 1 1 0,5 y Z 2 = R T 2 2 0,5, P (Z 1 > 1,41) 0,75 P (T 1 R > 2) = P (Z 1 > 1,41) 0,75 + P (Z 2 > 0) 0,25 0,0793 0,75 = 0,0793 0,75 + 0,5 0,25 = 0,3224 En MATLAB/Octave, podemos aproximar la probabilidad mediante: >> n=10000; >> u=rand(n,1); % simulamos n experimientos aleatorios >> p=0.75; % es la probabilidad de transmitir un 1 % transmision del mensaje por el canal >> t=1*(u<=p)+2*(u>p); % recepción del mensaje >> r=(t==1).*normrnd(1,sqrt(0.5),n,1)+(t==2).*normrnd(2,sqrt(0.5),n,1); >> r=2*(r>2)+1*(r<=2); Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 14
15 % creamos una tabla de doble entrada transmitidos/recibidos (SOLO EN MATLAB) >> a=crosstab(t,r) >> a = % a(1,1) a(1,2) % a(2,1) a(2,2) % nos piden la probabilidad P(t==1 r>2), en la simulación >> a(1,2)/(a(1,2)+a(2,2)) Ex. SEP 2007 Ing. Téc. Tel. (P2b). (link). La duración en días de un tipo de sensores sigue un modelo Weibull con ( ( ) ) t 1/2 F (t) = 1 exp α ( f (t) = 1/2 ( ) ) t 1/2 α 1/2 t 1/2 exp α con α > 0. a) Se supone que se tiene una caja de 60 sensores sin usar cuya duración siguen el modelo Weibull con α = 1 4 días que verifica que E [T ] = 1 2 días y V [T ] = 5 4 días2. Si se comienza con un sensor de dicha caja y se va reemplazando instantáneamente según se vaya fundiendo con un sensor de la misma caja, cuál es la probabilidad de que cuando haya fallado el último sensor de la caja hayan pasado menos de 47 días? Utilizar alguno de los siguientes valores de la función x 1,64 1,64 1,96 1, Q (x) 0,05 0,95 0,025 0, b) Comentar línea a línea el siguiente código de MATLAB y decir el valor aproximado que tomará prob. >> u=rand(60,1000); >> w=0.25*(-log(1-u)).^(1/0.5); >> s=sum(w); >> prob=sum(s<47)/1000 Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 15
16 a) Si se define la v.a. T i como el tiempo hasta que falla el sensor i, se tiene que se pide P ( 60 ) T i 47 i=1 Como las T i verifican las condiciones del teorema central del límite, se tiene que (60 12 ), Si se estandariza P ( Z < P ( 60 i=1 T i i=1 ) T i N = P i=1 T i < ) = P (Z < 1, 96) = 1 Q (1, 96) = 1 0, 025 = 0, , 66 b) En primer lugar hay que saber generar un modelo Weibull. Para ello se aplica el método de la inversa de la función de distribución. Por lo que ( ( ) ) t β F (t) = 1 exp = u α ( ) t β ln (1 u) = α t = α [ Ln (1 u)] 1/β La primera línea genera una matriz de dimensiones con números U (0, 1). La segunda línea genera una matriz de dimensiones con números Weibull con α = 1 4 días, (se está generando los tiempos en los que van fallando los sensores). La tercera línea suma la duración total de los 60 sensores. La cuarta línea mira cuántas veces de las 1000, la duración total de los sensores es menor que 47. Eso lo hace con la ayuda de la variable booleana (s < 47). Por tanto, este código está contestando a la misma pregunta que el apartado a). El resultado de prob debería ser próximo al valor teórico calculado de 0, Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 16
17 6. Ejercicios Propuestos 1. Indica el código de MATLAB/Octave para resolver el problema: Ex. SEP 2005 Ing. Téc. Tel. C3b (link). 2. Indica el código de MATLAB/Octave para resolver el problema: Ex. JUN 2002 Ing. Inf. (P1b) (link). 3. Indica el código de MATLAB/Octave para resolver el problema: Ex. SEP 2007 Ing. Téc. Tel. (C4a y C4b). (link). Ingeniería de Telecomunicación - Estadística ( ), PRÁCTICA 3. MODELOS DE PROBABILIDAD 17
GRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 29-21 PRACTICA 3. MODELOS DE PROBABILIDAD OBJETIVOS: Introducción a modelos de probabilidad discretos y contínuos más comunes. Caracterización, representación gráfica.
Más detallesGRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 2009-2010 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad y a las variables aleatorias 1. Probabilidad 1. Simular 1000
Más detallesGRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática)
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 2008-2009 PRACTICA 2. VARIABLES ALEATORIAS OBJETIVOS: Introducción a las variables aleatorias:
Más detallesINGENIERIA de TELECOMUNICACION
INGENIERIA de TELECOMUNICACION ESTADISTICA 2010-2011 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad mediante experimentos aleatorios. Introducción a las variables
Más detallesINGENIERÍA de TELECOMUNICACIONES
INGENIERÍA de TELECOMUNICACIONES ESTADÍSTICA 2015-2016 PRÁCTICA 2: PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad mediante experimentos aleatorios. Introducción a las variables
Más detallesEjercicios de Modelos de Probabilidad
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 66 GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES 16/03/2009 Las llamadas de teléfono recibidas en una casa siguen un
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesOBJETIVOS: Simular en MATLAB/Octave procesos estocásticos sencillos.
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 8-9 PRACTICA 5. PROCESOS ESTOCÁSTICOS OBJETIVOS: Simular en MATLAB/Octave procesos estocásticos
Más detallesEjercicios de Simulación
Ejercicios de Simulación Investigación Operativa Ingeniería Informática, UC3M Curso 07/08 1. Escribe un código (por ejemplo en Matlab, Fortran, C,... ) que genere m secuencias de n números Bernoulli con
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más 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 detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más 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 detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
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 detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesEstadística. Soluciones ejercicios: Modelos de probabilidad. Versión 8. Emilio Letón
Estadística Soluciones ejercicios: Modelos de probabilidad Versión 8 Emilio Letón. Nivel. Durante los nes de semana, un servidor web recibe una media de accesos cada minutos, considerándose estos un proceso
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
Más detallesEstadística. Grado en Biología. Universidad de Alcalá. Curso Capítulo 5: El Teorema Central del Límite. Parte 2: distribución normal.
Grado en Biología. Universidad de Alcalá. Curso 2017-18. C Fernando San Segundo. Actualizado: 2017-10-26 C La curva normal. Empezamos recordando que al estudiar las binomiales con n grande y p moderado
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMÁTICAS TEMA 1 (20 puntos): RUBRICA La magnitud de temblores registrados en una región de América
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 detallesEjercicios de Modelos de Probabilidad
Ejercicios de Modelos de Probabilidad Elisa M. Molanes-López, Depto. Estadística, UC3M Binomial, Geométrica, Exponencial, Uniforme y Normal Ejercicio 1. En un canal de comunicación la probabilidad de error
Más detallesDónde estamos? VARIABLES ALEATORIAS
Dónde estamos? VARIABLES ALEATORIAS DESCR. CÁLC. P. INFERENCIA CONCEPTOS BÁSICOS DE V.A. V.A. DISCRETAS V.A. CONTINUAS MEDIDAS CARACTERÍSTICAS TRANSFORMACIÓN DE V.A. 98 Probabilidad 988 Variables aleatorias
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 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 detallesFigura 1. Generación de variables aleatorias.
PRÁCTICA 3. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Generación de variables aleatorias. El programa nos permite generar variables aleatorias especificando
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 detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
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 detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2016) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2016) Selectividad-Opción A Tiempo: 90 minutos k 1 0 Problema 1 (2 puntos) Se considera la matriz A = 7 k k 1 1 k a) Estudíese para qué
Más detallesPráctica 4 TEOREMA CENTRAL DEL LÍMITE
Práctica 4. Teorema Central del Límite 1 Práctica 4 TEOREMA CENTRAL DEL LÍMITE Objetivos: En esta práctica utilizaremos el paquete SPSS para ilustrar el Teorema Central del Límite. Además calcularemos
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
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 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 detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesDistribuciones discretas. Distribución binomial
Variables aleatorias discretas y continuas Se llama variable aleatoria a toda función definida en el espacio muestral de un experimento aleatorio que asocia a cada elemento del espacio un número real.
Más detallesHoja de Problemas Tema 3 (Variables aleatorias multidimensionales)
Depto. de Matemáticas Estadística (Ing. de Telecom.) Curso 2004-2005 Hoja de Problemas Tema 3 (Variables aleatorias multidimensionales) 1. Consideremos dos variables aleatorias independientes X 1 y X 2,
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesPrueba 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,
Más detallesApellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva:
Cátedra: Probabilidad y Estadística Apellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva: Atención! Para aprobar el examen se debe alcanzar
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 detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesLaboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN
Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables
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 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 detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
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 detallesProgramación MATLAB: Ficheros de Comandos y Gráficos.
Programación MATLAB: Ficheros de Comandos y Gráficos. Curso: Métodos Numéricos en Ingeniería Profesor: Dr. José A. Otero Hernández Correo: j.a.otero@itesm.mx web: http://metodosnumericoscem.weebly.com
Más detallesobservar que la distribución colapsa y que las medias calculadas usando 1000 iteraciones están muy próximas a 0.
EJERCICIOS BLOQUE I Ejercicio 1.- Para cada una de las distribuciones comentadas realizar un gráfico ilustrativo de la PDF y la CDF. Elije valores comunes para los parámetros que definen a cada distribución:
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesExamen de Estadística Grado en Ingeniería de Telecomunicación
Cuestiones Examen de Estadística Grado en Ingeniería de Telecomunicación 3 de Junio de 5 solución h 45m C (.5 puntos). Una multinacional realiza operaciones comerciales en 3 mercados (A, B y C). El % de
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesPráctica 2. Números y variables aleatorias
Práctica. Números y variables aleatorias OBJETIVOS DE LA PRÁCTICA 1. Realizar varios contrastes empíricos sobre la bondad de ajuste de generadores de números aleatorios. Analizar la aleatoriedad de un
Más detallesDistribuciones normales. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso F. San Segundo.
Distribuciones normales. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso 2014-2015. F. San Segundo. Función de densidad de la familia de distribuciones normales. Empezamos recordando
Más detallesDistribución de Probabilidad
Distribución de Probabilidad Variables continuas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Distribuciones de probabilidad continuas
Más detallesEXAMEN DE ESTADÍSTICA Junio 2008
EXAMEN DE ESTADÍSTICA Junio 2008 Apellidos: Nombre: DNI GRUPO: 1. a) Sean A y B sucesos incompatibles. Obtener una condición que asegure que también son independientes. Si X sigue una distribución normal
Más detallesTeorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso F. San Segundo.
Teorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso 2014-2015. F. San Segundo. Variables de Bernouilli. Una de las familias de variables aleatorias más básicas
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
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 detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
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 detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detallesEstadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística
Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables
Más detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesEjercicios de Modelos de Probabilidad
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 67 GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES 10/03/2009 Se considera una v.a. Bernoulli que toma el valor 1 con probabilidad
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesProbabilidad para una V.A. Continua. P( a X b) = f ( x)
Tema 4: Variables Aleatorias Contínuas Prof. Heriberto Figueroa S. Capítulo 4 Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 4.1. Variables Aleatorias Continuas Una variable aleatoria
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesSOLUCIÓN: Al realizar el histograma de frecuencias, se obtiene:
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SOLUCIÓN SEGUNDO EXAMEN FINAL A
Más detallesINGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
Más detallesCoordinación de Matemática I (MAT021) Taller 10
Coordinación de Matemática I MAT01 Taller 10 Primer semestre de 01 Semana 11: Lunes 0 viernes 08 de junio Ejercicios Ejercicio 1 Calcular las derivadas de las siguientes funciones: 1. cos x ln x. x + x
Más detallesEjercicios para auto evaluación Variables continuas y Teorema de Límite Central
Ejercicios para auto evaluación Variables continuas y Teorema de Límite Central Enero 2008. Sea f(u) = ce u, u R. Determine el valor de c para que f sea una función de densidad de probabilidad y calcule
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más detalles1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES
1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMAS 14 y 15.- DISTRIBUCIONES DISCRETAS. LA DISTRIBUCIÓN BINOMIAL. DISTRIBUCIONES CONTINUAS. LA DISTRIBUCIÓN NORMAL 1 1.- VARIABLES ALEATORIAS DISCRETAS Concepto
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más 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 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 detalles