Distribución de probabilidad
|
|
- Lourdes Montoya Lozano
- hace 6 años
- Vistas:
Transcripción
1 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 el local Por otro lado, del resultado del lanzamiento de una moneda se puede definir qué candidato debe declararse ganador en caso de que hayan obtenido igual votación Sin embargo, a pesar de que el propósito sea distinto cuando se lleva a cabo un experimento aleatorio, éste no cambia su comportamiento por el simple hecho que los propósitos cambien
2 Así, al llevar a cabo un experimento aleatorio, nuestro interés está en lo que denominaremos variable aleatoria Una variable aleatoria es aquella que asume valores de acuerdo con los resultados de un experimento aleatorio Por ejemplo, si lanzamos una moneda dos veces sabemos que el espacio muestral correspondiente a este experimento aleatorio es S = {cc, cs, sc, ss} Si de los resultados del lanzamiento de la moneda nos interesa el número de caras que se obtienen en los lanzamientos, entonces, definimos la variable aleatoria X = número de caras en los dos lanzamientos
3 Los valores posibles de esta variable son: X = 0, que se identifica con ss o lo que es lo mismo con el evento, A: se obtienen dos sellos X = 1, que se identifica con cs, sc o lo que es lo mismo con el evento, B: se obtiene una cara X = 2, que se identifica con cc o lo que es lo mismo con el evento, C: se obtienen dos caras Por lo anterior, se tiene que P(X = 0) = P(A) = 1/4, P(X = 1) = P(B) = 1/2, P(X = 2) = P(C) = 1/4 Estos resultados se pueden resumir en una tabla denominada distribución de probabilidad
4 En general, una distribución de probabilidad relaciona los valores que toma la variable aleatoria (X) con sus probabilidades respectivas (P) X P = P(X = x) 1/4 1/2 1/4 En general, para cualquier distribución de probabilidad discreta, la suma de las probabilidades de todos los valores que pueda asumir la variable debe ser igual a 1 Una variable aleatoria discreta es aquella asociada a experimentos en que los distintos resultados se pueden dar de manera discreta, por lo tanto, sólo puede tomar algunos valores entre dos números dados
5 Por ejemplo, son variables aleatorias discretas: X = número de puntos que muestra la cara superior de un dado después de su lanzamiento Y = número de trabajadores que registran atrasos durante un mes determinado La distribución de probabilidad de una variable aleatoria discreta es una tabla, gráfica, fórmula o cualquier otro medio que se usa para especificar todos los valores posibles de la variable, junto con sus respectivas probabilidades La tabla del ejemplo de la moneda que se lanza dos veces es una ilustración de este tipo de distribuciones
6 Una distribución de probabilidad de una variable aleatoria discreta X, que puede tomar los valores x i, i = 1,..., n; debe satisfacer lo siguiente: Todos los P i = P(X = x i ) 0 Y, como ya se había planteado, La probabilidad P(X x) = P(X i n = P 1 i 1 i = = x ); x Por ejemplo, la probabilidad de obtener 1 cara o menos es P(X 1) = P(X = 0) + P(X = 1) = 1/4 + 1/2 = 3/4 Esta probabilidad motiva el concepto de función de distribución acumulada (F X (x)), que es de suma importancia, especialmente cuando se estudian variables aleatorias continuas, y se define como: F X (x) = P(X x) k k k x i
7 La distribución de las variables discretas que se emplean en el estudio de problemas de interés se da generalmente mediante una fórmula y, en particular, la más frecuentemente usada es la distribución binomial Una variable aleatoria continua es aquella asociada a experimentos cuyos resultados se pueden dar de forma continua, por ejemplo, el peso de los seres humanos Por lo tanto, a diferencia de una variable aleatoria discreta, que puede tomar un número finito de valores, una variable aleatoria continua puede tomar cualquier valor dentro de un intervalo dado
8 Para el ejemplo de los pesos de los seres humanos, al tomar X como la variable aleatoria que representa el peso de una persona escogida al azar, su peso real puede ser cualquier número perteneciente al rango entre 0 y 200 kg. (problemas de medición) Como la variable aleatoria continua puede tomar un infinito número de valores, la probabilidad no se puede obtener por conteo (n = P(X = x) = 0) Así, es necesario recurrir a otros niveles superiores de la matemática para estudiar el comportamiento de la variable, con lo cual se obtienen distintos modelos
9 Estos modelos indican que para hacer tales cálculos debemos evaluar la integral definida de una cierta función (una diferente para cada modelo) llamada función de densidad La función de densidad (f X (x)) se dice que es la distribución de probabilidad de la variable aleatoria continua X La función de densidad f X (x) de una variable aleatoria continua X [a, b] debe satisfacer las siguientes propiedades básicas: No puede tomar valores negativos, i.e. f X (x) 0; x
10 El área total bajo la curva debe igualar a 1, i.e. b fx(x) dx= a P(a X b) = 1 P(X = c) = c fx(x) dx= 0 c P(X c) = P(X < c) = c fx(x) dx = F X (c) a P(c < X < d) = P(c X d) = P(c < X d) = P(c X < d) = P(X d) - P(X c) = F X (d) - F X (c) = f (x) dx Cuando trabajamos con variables aleatorias continuas, sólo tiene sentido la probabilidad que X caiga dentro de algún rango particular y no que tome un valor dado Es importante resaltar que la distribución de probabilidad de una población es análoga a la distribución de frecuencia relativa de los datos muestrales d c X
11 Por lo tanto, cada distribución de probabilidad tiene asociada medidas (parámetros) similares a las medidas descriptivas que se han señalado para los datos muestrales (estadísticas) Así, la distribución de probabilidad de una población posee una medida que es equivalente al concepto de media muestral y se denomina valor esperado, además, el equivalente de la varianza también existe y la llamamos varianza poblacional El valor esperado de una variable aleatoria discreta X que asume los valores x 1,..., x n con probabilidades respectivas P 1,...,P n es: n E (X) = µ X = = xi P(X = xi) i 1
12 En el ejemplo del lanzamiento de la moneda dos veces se tiene que µ X = 0(1/4) + 1(1/2) + 2(1/4) = 1 La interpretación de este valor esperado es: Si lanzamos dos veces la moneda un número grande de veces y tomamos la media del número de caras que se van obteniendo, entonces la media tenderá a 1 Por otro lado, la varianza de una variable aleatoria discreta X que asume los valores x 1,..., x n con probabilidades respectivas P 1,...,P n es: 2 2 n 2 σx = V (X) = E[(X µ X) ] = = (xi µ X) P(X = xi) La desviación estándar (σ X ) está dada por i 1 σ = 2 X σ X
13 En el ejemplo del lanzamiento de la moneda dos veces tenemos que la varianza de X es: V(X) = (0-1) 2 (1/4) + (1-1) 2 (1/2) + (2-1) 2 (1/4) = 0,5 La desviación estándar es σ X = 0,5 = 0,71 La varianza es una medida del grado de concentración de los valores de la variable aleatoria alrededor de su media µ X, mientras más dispersos estén éstos respecto de la media, mayor será la varianza La distribución binomial está ligada los experimentos aleatorios llamados ensayos de Bernoulli, los cuales pueden sólo concluir de 2 formas distintas mutuamente excluyentes e independientes (éxito o fracaso)
14 Ejemplos de ensayos de Bernoulli son: Seleccionar un artículo para clasificarlo como bueno o defectuoso Seleccionar una persona para clasificarla como apta o no apta para algún trabajo de acuerdo con algún criterio Los ensayos de Bernoulli dan origen a un variable aleatoria (Y) que sólo toma dos valores y cuyas probabilidades (distribución de Bernoulli) son: p, y = 1 P(Y = y) = q = 1 p, y = 0 0, otro caso
15 Donde, p es la probabilidad de que se dé un éxito y q la probabilidad de que ocurra un fracaso Un proceso de Bernoulli es una sucesión de ensayos de Bernoulli con las características siguientes: En cada ensayo, el éxito tiene una probabilidad p y el fracaso una probabilidad q = 1 - p de ocurrir Las probabilidades de éxito y fracaso permanecen constantes durante el proceso Los ensayos son independientes, es decir, el resultado de un ensayo no es afectado por el resultado de otro Supongamos que se lleva a cabo un proceso de Bernoulli y sea la variable X = número de éxitos en n ensayos
16 Como la sucesión de éxitos (E) y fracasos (F) puede expresarse mediante la sucesión y 1,..., y n de valores de una variable con distribución de Bernoulli, se tiene que X = Y Y n = Número de veces que se da 1 (i.e., el número de éxitos) Pero, existen distintas formas en que x unos pueden aparecer al realizar n experimentos Por ejemplo, si tenemos n = 2 y x = 1, existen 2 resultados posibles, éstos son EF y FE Por lo tanto, debemos determinar de cuántas formas pueden aparecer x unos en n experimentos?
17 Así, en general, se puede determinar que el número de formas como pueden colocarse x unos dentro de n espacios está dado por: n n! = x (n x)!(x)! Donde, n! = n n 1 n Por ejemplo, si x = 3 y n = 10 se tiene que: 10 = 10! (10 3)!(3)! (7)!(3 2 1) Por lo tanto, existen 120 resultados posibles en que x = 3 cuando n = 10 = (7)! = =
18 Cada uno de estos resultados del proceso son independientes entre sí y tienen asignada una probabilidad, resultante del producto de x factores iguales a p y (n - x) factores iguales a q Así, la variable aleatoria, X = número de éxitos en los n ensayos de Bernoulli, tiene una distribución binomial, dada como sigue: P(X = x) = n x n x p q, x = 0,1, K,n x 0, para cualquier otro valor de x
19 Por ejemplo, si el 10% de las piezas que produce una máquina automática es defectuoso y se toma al azar una muestra de 20 piezas cuál es la probabilidad de encontrar 2 piezas defectuosas? Definiendo la variable aleatoria X = número de piezas defectuosas y dado que p = 0,1, la respuesta es: P(X = 2) = (0,1) (0,9) = 190 0,1 0,9 = 0,285 2 La media y la varianza de una variable que sigue una 2 distribución binomial son µ X = np y σx = npq = np(1 p) respectivamente
20 Respecto del ejemplo anterior, cuántas piezas defectuosas se espera encontrar en la muestra? Esta información la proporciona el valor esperado, por lo tanto, la respuesta es np = 20(0,1) = 2 Ya vista la distribución binomial, en el contexto de las variables aleatorias discretas, ahora dirigimos la mirada hacia las variables aleatorias continuas Una de las distribuciones continuas, y tal vez la más importante, es la distribución normal, la cual ocupa un lugar destacado en la inferencia estadística La gráfica de la función de densidad normal se llama curva normal y tiene forma de campana
21 La curva normal describe de forma aproximada muchos fenómenos que suceden en la naturaleza, tales como la estatura de los seres humanos y el cociente de inteligencia de los niños, la industria y la investigación Respecto a la inferencia estadística, las distribuciones de muchas estadísticas muestrales tienden a la distribución normal conforme crece el tamaño de la muestra Así, muchas distribuciones en economía, control de calidad y ciencias sociales, no se asemejan a la normal; pero en todo caso la distribución de la media muestral se puede tratar como normal, y así se hace por lo general siempre y cuando la muestra sea grande
22 La función de densidad de la variable aleatoria normal X, con media µ y varianza σ 2, es: 1 2 (x µ ) f (x) e 2 2σ X = ; x R 2πσ Cuando nos referimos a una variable aleatoria con distribución normal de media µ y varianza σ 2, escribimos de manera simbólica X ~ N(µ, σ 2 ) La curva normal presenta la siguiente apariencia: σ µ x
23 La curva normal posee las siguientes propiedades: La moda, que es el punto sobre el eje horizontal donde la curva tiene su máximo, ocurre en x = µ La curva es simétrica, por lo tanto, en x = µ también se encuentra la mediana La curva tiene sus puntos de inflexión en x = µ ± σ, fuera del intervalo [µ - σ, µ + σ] es convexa, y es cóncava dentro de ese intervalo La curva normal se acerca al eje horizontal en forma asintótica en cualquiera de las dos direcciones El área total limitada por la curva y el eje horizontal es igual a 1
24 Aunque teóricamente el dominio de la función de densidad normal es infinito, en la práctica los valores de la variable se consideran reducidos a un intervalo finito De hecho el 99,73% de las observaciones quedan incluidas en el intervalo [µ - 3σ, µ + 3σ], esto es, P(µ - 3σ < X < µ + 3σ) = 0,9973 Además, el 68,45% de las observaciones quedan incluidas en el intervalo [µ - σ, µ + σ], mientras que el intervalo [µ - 2σ, µ + 2σ] incluye el 95,45% de ellas Como la curva normal depende de µ y σ, las probabilidades asociadas a cada distribución normal dependerán del valor de estos parámetros
25 Sin embargo, esta tarea se ve simplificada por la estandarización Es decir, una variable aleatoria X distribuida normalmente con media µ y varianza σ 2 (X ~ N(µ, σ 2 )) siempre puede transformarse en una Z que posea una distribución normal estándar, esto es, Z ~ N(0, 1) La estandarización consiste en la transformación: Z = X µ σ De esta forma, todo cálculo de probabilidades puede ser realizado usando la distribución normal estándar solamente, una vez hecha la estandarización requerida
26 Por ejemplo, supongamos que cierta pieza de automóvil tiene un promedio de duración de 3 años, con desviación estándar de 0,5 años. Si las duraciones de las piezas son normalmente distribuidas cuál es la probabilidad de que una pieza tenga una duración de 3,5 años? Definiendo la variable aleatoria X = años de duración de una pieza, se pide P(X > 3,5) dado que X ~ N(3, 0,5) P(X > 3,5) 3 3,5 x
27 Si empleamos la distribución normal estándar debemos encontrar el valor estandarizado Z = (3,5-3)/0,5 = 1 Ahora el problema se reduce a encontrar P(Z > 1), dado que Z ~ N(0, 1) Luego, la probabilidad P(Z 1) = 0,8413, por lo tanto, P(Z > 1) = 1-0,8413 = 0,1587 Cuál es la probabilidad de que una pieza tenga una duración entre 2,5 y 3,75 años? Se está pidiendo P(2,5 < X < 3,75) = P(X < 3,75) - P(X < 2,5) = 0,9332-0,1587 = 0,7745 En términos de la distribución normal estándar tenemos P(-1 < X < 1,5) = P(X < 1,5) - P(X < -1) = 0,7745
28 Gráficamente se tiene: P(2,5 < X < 3,75) 2,5 3 3,75 Qué duración debe tener una pieza que dura más que el 80% de las piezas actuales? En este caso no se pregunta la probabilidad a partir de un valor de la variable, sino por el contrario, partiendo de una probabilidad se debe determinar el valor de la variable x
29 Es decir, se pide P(X < x p ) = 0,80 x p = 3,42, por lo tanto, una pieza debe tener una duración de 3,42 años para durar más que el 80% de las piezas Empleando la distribución normal estandarizada tenemos que resolver P(Z < z p ) = 0,80 z p = 0,84 y, dado que x p = z p σ + µ, se tiene que x p = 3,42 En términos gráficos se tiene: P(X < x p ) 3 3,42 x
30 Las probabilidades asociadas con experimentos binomiales se pueden obtener fácilmente cuando n es pequeño, mediante la distribución binomial Cuando n es grande resulta más práctico calcular las probabilidades asociadas a una variable aleatoria binomial por procedimientos de aproximación, empleando la distribución normal Si X es una variable aleatoria con distribución binomial de media µ = np y varianza σ 2 = npq, entonces la distribución límite (cuando n ) de X está dada por: Z = X np npq ~N(0,1)
31 Por ejemplo, si se seleccionan aleatoriamente 100 artículos de un proceso que produce el 10% de artículos defectuosos, cuál es la probabilidad de que el número de defectuosos exceda de 10? Dado que n = 100, se tiene que µ = np = 100(0,1) = 10 y σ 2 = npq = 100(0,1)(0,9) = 9 Así, el valor de la variable normal estandarizada, considerando la corrección por continuidad (P(X = a) es aproximada por P(a - 0,5 < X < a + 0,5)), es: 10,5 10 0,5 z = = = 0,17 P(Z > 0,17) = 1 P(Z 0,17) = 9 3 0,43
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
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 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 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 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 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 detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
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 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
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 detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 6 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas
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 detallesDistribuciones 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.
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 detallesDISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π
DISTRIBUCIÓN NORMAL. Es la más importante de las distribuciones teóricas, es también conocida con los nombres de curva normal y curva de Gauss. De Moivre publico en 1773 su trabajo sobre la curva normal
Más detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más 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 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 detallesCAPÍTULO 6: VARIABLES ALEATORIAS
Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos
Más detallesNº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00
U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más 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 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 detallesVARIABLES ALEATORIAS
VARIABLES ALEATORIAS Ejemplo: lanzar dos dados y sumar lo que sale en las dos caras. El espacio muestral está formado por los 36 resultados posibles (de lanzar los dados) Y el resultado del experimento
Más 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 detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más 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 detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
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 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 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 detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
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 detallesAlgunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.
Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución
Más detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más 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 detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detalles5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD
Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina
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 detallesCAPITULO 8 MUESTRAS ALEATORIAS Y NUMEROS ALEATORIOS
Teoría elemental de muestreo CAPITULO 8 TEORIA DE MUESTREO La teoría de muestreo es el estudio de las relaciones existentes entre una población y las muestras extraídas de ella. Es de gran utilidad en
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesTema 13. Distribuciones de Probabilidad Problemas Resueltos
Tema 3. Distribuciones de Probabilidad Problemas Resueltos Distribución de Probabilidad. Una variable aleatoria discreta, X, se distribuye como se indica en la siguiente tabla: ( ) a) Halla el valor de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más 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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesDistribución normal. Resumen. Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 5, Mayo Open Access, Creative Commons.
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 5, Mayo 2011. Open Access, Creative Commons. Distribución normal Autor: Fernando Quevedo Ricardi (1) Filiación: (1) Departamento de
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
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 detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detalles( x) Distribución normal
Distribución normal por Oliverio Ramírez La distribución de probabilidad más importante es sin duda la distribución normal (o gaussiana), la cual es de tipo continuo. La distribución de probabilidad para
Más detallesT. 2 Modelos teóricos de distribución de probabilidad
T. 2 Modelos teóricos de distribución de probabilidad 1. La distribución binomial 2. La distribución o curva normal El conocimiento acumulado en Psicología ha permitido evidenciar como algunas variables
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 detallesUNIDAD Nº 4 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
UNIDAD Nº DISTRIBUCIONES CONTINUAS DE PROBABILIDAD Reportaje a Steve Hanke, Ex? Asesor de Domingo Cavallo. El Gobierno no continúa las reformas, y todo es confusión. El especialista en convertibilidad
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesTEMA 2: DISTRIBUCIÓN DE PROBABILIDAD
TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD A partir de un experimento aleatorio cualquiera, se obtiene su espacio muestral E. Se llama variable aleatoria a una ley (o función) que a cada elemento del espacio
Más detallesProbabilidad Condicional
Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesUnidad Temática 1: Unidad 3 Distribución de Probabilidad Tema 9
Unidad Temática 1: Unidad 3 Distribución de Probabilidad Tema 9 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
Más detallesDistribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
Más detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
Más detalles1. Experimentos aleatorios
1. Eperimentos aleatorios La eperimentación es útil porque si se supone que llevamos a cabo ciertos eperimentos bajo condiciones esencialmente idénticas se llegará a los mismos resultados. En estas circunstancias,
Más 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 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 detallesProbabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD
Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
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 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 detallesDISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña
DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL Variable discreta.- Es aquella que casi siempre asume solamente un conjunto
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 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 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 detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
Más detallesTEOREMA 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
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
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 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 detallesDistribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio
Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),
Más detallesLECTURA 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
Más detallesNombre: Distribuciones de probabilidad discreta. Segunda parte. A qué nos referimos con probabilidad discreta?
Estadística 1 Sesión No. 9 Nombre: Distribuciones de probabilidad discreta. Segunda parte. Contextualización A qué nos referimos con probabilidad discreta? En la presente sesión analizarás y describirás
Más detallescontablemente infinito.
III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesDisponible en el sitio OCW de la Universidad Nacional de Córdoba.
OCW - UNC OpenCourseWare I UNC Curso: Estadística I U 4. Variables Aleatorias Autora: Rosanna Casini Cómo citar el material: Disponible en el sitio OCW de la Universidad Nacional de Córdoba. Casini, Rosanna
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más 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 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 detallesBioestadística Probabilidad 1. La población es el conjunto de elementos en los que se desea investigar la ocurrencia de una característica
Bioestadística Probabilidad 1 Probabilidad Introducción a la probabilidad La población es el conjunto de elementos en los que se desea investigar la ocurrencia de una característica o propiedad. Son experimentos
Más detallesAlgunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detalles