Modelos de probabilidad en R
|
|
- Eva María Belmonte Blázquez
- hace 5 años
- Vistas:
Transcripción
1 Modelos de probabilidad en R Contents Probabilidades Discretas 1 Ejemplo: suma de la cara de dos dados Distribución Binomial: Distribución Poisson: Probabilidades Continuas 11 Ejemplo: una varible distribuida normalmente (estándar) Cambiando los parámetros de una curva normal Distribucion T Student Distribucion Log Normal Chi Cuadrado Distribución Beta Ejemplo: a una variable específica, ajustar la curva normal Estimar los parametros: normal Estimar los parametros: t student Comparamos el ajuste normal y t student En este tutorial vamos a R para reforzar los conceptos de probabilidad vistos en clase y darles un mayor sentido y aplicabilidad. Se abordarán los principales modelos de probabilidad discreta y continua. Más adelante se verá su utilidad en finanzas. Probabilidades Discretas Ejemplo: suma de la cara de dos dados Gráfico de la Función de Masa (o densidad) y la Función de Distribución #Sabemos que la suma de dos dados se encuentra entre 2 y 12 x<-2:12 #Conocemos también la cantidad de casos favorables para cada suma #y lo divimos entre el total de casas (36) p<-c(1:6,5:1)/36 #Graficamos la función de masa f(x) plot(x,p,type="h",ylim=c(0,0.2),xlab=expression(x[i]),ylab=expression(p[i])) points(x,p,pch=19) 1
2 p i x i #Graficamos la función de distribución F(x) plot.ecdf(outer(1:6,1:6,"+"),ylab=expression(f[x](x)),main="") 2
3 F X (x) x Distribución Binomial: Suponga que un gerente de crédito de American Express ha descubierto que históricamente 7.82% (p) de los usurios de tarjetas han experimentado problemas con el róbo o pérdida de su tarjeta. Por lo cual para efectos de preveer la cantidad de reposiciones en el próximo año desea saber la probabilidad de que: De una sucursal que atiende 1,000 personas, exactamente 68 personas necesiten reponer su tarjeta #Identifico los parámetros x<-68 p< n<-1000 #uso la función de masa o densidad (esto es la probabilidad puntual) dbinom(x,size=n,prob=p) ## [1] De una sucursal que atiende 1,000 personas, menos de 80 personas necesiten reponer su tarjeta #Identifico los parámetros x<-80 3
4 p< n<-1000 #uso la función de distribución (acumulada hacia atrás) pbinom(x,size=n,prob=p) ## [1] De una sucursal que atiende 1,000 personas, más de 80 personas necesiten reponer su tarjeta #Identifico los parámetros x<-80 p< n<-1000 #uso la función de distribución 1-pbinom(x,size=n,prob=p) ## [1] De una sucursal que atiende 1,000 personas, entre 25 y 85 personas necesiten reponer su tarjeta #Identifico los parámetros x1<-85 x2<-25 p< n<-1000 #uso la función de distribución p1<-pbinom(x1,size=n,prob=p) p2<-pbinom(x2,size=n,prob=p) p1-p2 ## [1] De una sucursal que atiende 1,000 personas, más de 110 personas necesiten reponer su tarjeta #Identifico los parámetros x<-110 p< n<-1000 #uso la función de distribución 1-pbinom(x,size=n,prob=p) ## [1] Podemos ver graficamente el fenómeno 4
5 #Primer forma es con una función creada por nosotros mismos #Defino los parámetros p< n<-1000 #Uso la función de densidad (que brinda las probabilidades no acumuladas como en pbinom) x<-dbinom(0:n,size=n,prob=p) #Grafico barplot(x,names.arg=0:n,main=sprintf(paste('bin. dist. ',n,p,sep=':')), xlab="personas que reponen tarjeta",ylab="densidad") #Ahora podemos agrupar todo dentro de una nueva función g.bin<-function(n,p){ x<-dbinom(0:n,size=n,prob=p) barplot(x,names.arg=0:n,main=sprintf(paste('bin. dist. ',n,p,sep=':')), xlab="personas que reponen tarjeta",ylab="densidad") } p< n<-1000 g.bin(n,p) bin. dist. :1000: Densidad Personas que reponen tarjeta 5
6 #Ahora puedo reducir el eje x en el gráfico para amplificar el área donde ocurren los casos g.bin<-function(n,p,r){ x<-dbinom(0:n,size=n,prob=p) barplot(x,names.arg=0:n,main=sprintf(paste('bin. dist. ',n,p,sep=':')), xlab="personas que reponen tarjeta",ylab="densidad",xlim=c(0,n/r)) } #La mitad del largo del eje p< n<-1000 r<-2 g.bin(n,p,r) bin. dist. :1000: Densidad Personas que reponen tarjeta #Un quinto del largo del eje p< n<-1000 r<-5 g.bin(n,p,r) 6
7 bin. dist. :1000: Densidad Personas que reponen tarjeta #Un décimo del largo del eje p< n<-1000 r<-10 g.bin(n,p,r) 7
8 bin. dist. :1000: Densidad Personas que reponen tarjeta Distribución Poisson: Suponga que en el mercado cambiario se espera que sucedan en promedio 25 calces o transacciones cada hora. Si se asume que las transacciones siguen una distribución de Poisson. Entonces encuentre la probabilidad de que: En una hora específica, sucedan exactamente 19 transacciones #Identifico los parámetros x<-19 h<-25 #uso la función de distribución (acumulada hacia atrás) dpois(x,lambda=h) ## [1] En una hora específica, suceda al menos 30 transacciones #Identifico los parámetros x<-30 h<-25 #uso la función de distribución (acumulada hacia atrás) 1-ppois(x,lambda=h) 8
9 ## [1] ppois(x,lambda=h,lower=false) ## [1] En una hora específica, sucedan menos de 10 transacciones #Identifico los parámetros x<-10 h<-25 #uso la función de distribución (acumulada hacia atrás) ppois(x,lambda=h) ## [1] Podemos ver graficamente el fenómeno #Creo una nueva función g.poi<-function(y,h){ x<-dpois(0:x,lambda=h) barplot(x,names.arg=0:y,main=sprintf(paste('poi. dist. ',y,h,sep=':')), xlab="calces en el mercado",ylab="densidad") } x<-20 h<-25 g.poi(x,h) 9
10 poi. dist. :20:25 Densidad Calces en el mercado #Ampliamos la cantidad de calces de interés x<-75 h<-25 g.poi(x,h) 10
11 poi. dist. :75:25 Densidad Calces en el mercado Probabilidades Continuas Ejemplo: una varible distribuida normalmente (estándar) #Se fija la "semilla" para la generación de números aleatorios set.seed(3000) #Creamos un vector de los valores para el eje x xseq<-seq(-4,4,0.01) #Creamos un vector de los valores para el eje y de la densidad den<-dnorm(xseq,0,1) #Creamos un vector de los valores para el eje y de la densidad acumulada cumul<-pnorm(xseq,0,1) #Generar numeros aleatorios random<-rnorm(1000,0,1) #1000 numeros aleatorios de una normal estándar (media=0 y sd=1) #Gráfico de la densidad plot(xseq,den,col="darkgreen",xlab="",ylab="densidad",type="l",lwd=2, cex=2,main="f(x) Normal Estándar",cex.axis=.8) 11
12 f(x) Normal Estándar Densidad plot(xseq,cumul,col="darkorange",xlab="",ylab="probabilidad Acumulada", type="l",lwd=2,cex=2,main="f(x) Normal Estándar", cex.axis=.8) 12
13 F(x) Normal Estándar Probabilidad Acumulada hist(random,main="números Aleatorios Normal Estándar", cex.axis=.8, xlim=c(-4,4)) 13
14 Números Aleatorios Normal Estándar Frequency random Cambiando los parámetros de una curva normal #Creamos un vector de los valores para el eje x x1<-seq(-15,25,0.1) mu<-5 sig1<-1 sig2<-2 sig3<-4 sig4<-8 #Creamos un vector de los valores para el eje y de la densidad den1<-dnorm(x1,mu,sig1) den2<-dnorm(x1,mu,sig2) den3<-dnorm(x1,mu,sig3) den4<-dnorm(x1,mu,sig4) plot(x1,den1,col="black",xlab="",ylab="densidad",type="l",lwd=2, cex=2,main="f(x) Normal Estándar",cex.axis=.8) lines(x1,den2,col="blue",type="l",lwd=2,cex=2) lines(x1,den3,col="green",type="l",lwd=2,cex=2) lines(x1,den4,col="red",type="l",lwd=2,cex=2) legend(-14,0.4,legend=c("n~(5,1)","n~(5,2)","n~(5,4)","n~(5,8)"),lty=1, col=c("black","blue","green","red")) 14
15 f(x) Normal Estándar Densidad N~(5,1) N~(5,2) N~(5,4) N~(5,8) #Creamos un vector de los valores para el eje y de la densidad acumulada cum1<-pnorm(x1,mu,sig1) cum2<-pnorm(x1,mu,sig2) cum3<-pnorm(x1,mu,sig3) cum4<-pnorm(x1,mu,sig4) plot(x1,cum1,col="black",xlab="",ylab="probabilidad Acumulada", type="l",lwd=2,cex=2,main="f(x) Normal Estándar", cex.axis=.8) lines(x1,cum2,col="blue",type="l",lwd=2,cex=2) lines(x1,cum3,col="green",type="l",lwd=2,cex=2) lines(x1,cum4,col="red",type="l",lwd=2,cex=2) 15
16 F(x) Normal Estándar Probabilidad Acumulada Distribucion T Student #Vamos a observar cual es la forma de la distribucion #con 1 grado de libertad x<-seq(-3,to=3,length=100) plot(x,dt(x,1),type="l",ylab="density") 16
17 Density x #Generamos varias T Student con distintos grados de libertad plot(x,dt(x,1),type="n",ylab="density",ylim=c(0,0.4)) for (i in 0:6){ lines(x,dt(x,df=2^i),col=i+2) legend("topright",legend=2^(0:6),col=2:8,lty=1,bty="n") } 17
18 Density x Distribucion Log Normal #Vamos a observar cual es la forma de la distribucion log normal x<-seq(-1,to=5,length=100) plot(x,dlnorm(x),type="l",ylab="density") 18
19 Density x #Generamos valores aleatorio log normal x<-rlnorm(1000,2,1) hist(x,prob=true,ylim=c(0,0.1)) curve(dlnorm(x,mean=2,sd=1), add=true,col="red",lwd=2) 19
20 Histogram of x Density x #Entonces si sacamos el logaritmo, se debe parece a una normal y<-log(x) hist(y,prob=true) curve(dnorm(x,mean=2,sd=1), add=true,col="red",lwd=2) 20
21 Histogram of y Density y Chi Cuadrado #Vamos a observar cual es la forma de la distribucion #con 1 grado de libertad x<-seq(0,to=50,length=150) plot(x,dchisq(x,df=1),type="l",ylab="density") #Generamos varias Chi cuadrado con distintos grados de libertad plot(x,dchisq(x,df=1),type="l",ylab="density") for (i in 1:6){ lines(x,dchisq(x,df=2^i),col=i+1) legend("topright",legend=2^(0:6),col=1:7,lty=1,bty="n") } 21
22 Density x Distribución Beta #Vamos a observar cual es la forma de la distribucion #Parámetros alpha y beta #con parámetros (1,1) grado de libertad x<-seq(0,to=1,length=100) plot(x,dbeta(x,1,1),type="l",ylab="density") #Corresponde a una uniforme 22
23 Density x #con parámetros (1,2) grado de libertad x<-seq(0,to=1,length=100) plot(x,dbeta(x,1,2),type="l",ylab="density") 23
24 Density x #con parámetros (2,1) grado de libertad x<-seq(0,to=1,length=100) plot(x,dbeta(x,2,1),type="l",ylab="density") 24
25 Density x #con parámetros (2,2) grado de libertad x<-seq(0,to=1,length=100) plot(x,dbeta(x,2,2),type="l",ylab="density") 25
26 Density x #Generamos varias beta con distintos parámetros #Se definen vectores con los valores de parámetrso de la distribución y del gráfico a.seq<-c(1:6,0.8,0.4,0.2,1,0.5,2) b.seq<-c(1:6,0.8,0.4,0.2,4,4,4) col<-c(1:6,1:6) lty<-rep(1:2,each=6) plot(x,dbeta(x,1,1),type="l",ylab="density",xlab="x",xlim=c(0,1.3),ylim=c(0,3)) for(i in 2:length(a.seq)){ lines(x,dbeta(x,a.seq[i],b.seq[i]),col=col[i],lty=lty[i]) legend("topright",legend=c(expression(list(alpha,beta)), paste(a.seq,b.seq)),col=c(na,col),lty=c(na,lty),cex=0.9,bty=n) } 26
27 Density α, β x Ejemplo: a una variable específica, ajustar la curva normal #Cargamos paquetes library(timeseries) ## Loading required package: timedate #Cargamos una base de datos nueva rm(list=ls()) setwd("g:/ucr TR-ESTADISTICA/Curso /Clase 1") data<-as.timeseries(read.csv("simmac.csv",sep=";")) head(data) ## GMT ## Bond.US r1 US.Stock r2 Latin.Stock r3 ## ## ## ## ## ## #Redondeamos los retornos de los índices y los convertimos en puntos básicos ret.datos<-round(returns(data),6)*100 ## Warning in log(data): Se han producido NaNs 27
28 head(ret.datos) ## GMT ## Bond.US r1 US.Stock r2 Latin.Stock r3 ## ## ## ## ## ## #Hacemos el histograma y sobreponemos la curva x<-seq(-4,4,.01) hist(ret.datos$r3,prob=true,ylim=c(0,0.004),breaks=20) curve(dnorm(x,mean(ret.datos$r3),sd(ret.datos$r3)), add=true,col="darkblue",lwd=2) Histogram of ret.datos$r3 Density ret.datos$r3 #Probar estadisticamente la normalidad shapiro.test(ret.datos$r3) ## ## Shapiro-Wilk normality test ## ## data: ret.datos$r3 ## W = , p-value = 3.115e-05 #Si el p value es menor que 0.05, entonces se puede asumir normalidad 28
29 #Usar QQ plot #Famoso grafico QQ-Plot qqnorm(ret.datos$r3) qqline(ret.datos$r3, col=2) Normal Q Q Plot Sample Quantiles Theoretical Quantiles Estimar los parametros: normal #Instalo el paquete #install.packages("fitdistrplus") library(fitdistrplus) ## Warning: package 'fitdistrplus' was built under R version ## Loading required package: MASS ## Loading required package: survival #Comando para la estimacion f1<-fitdist(ret.datos$r3,"norm") f1 ## Fitting of the distribution ' norm ' by maximum likelihood ## Parameters: ## estimate Std. Error ## mean ## sd
30 names(f1) ## [1] "estimate" "method" "sd" "cor" "vcov" ## [6] "loglik" "aic" "bic" "n" "data" ## [11] "distname" "fix.arg" "fix.arg.fun" "dots" "convergence" ## [16] "discrete" "weights" plot(f1) Empirical and theoretical dens. Q Q plot Density Empirical quantiles Data Theoretical quantiles CDF Empirical and theoretical CDFs Empirical probabilities P P plot Data Theoretical probabilities #No hay mucha diferencia con las estimaciones de la media y desviacion que calculamos antes hist(ret.datos$r3,prob=true,ylim=c(0,0.004),breaks=20) curve(dnorm(x,mean(ret.datos$r3),sd(ret.datos$r3)), add=true,col="darkblue",lwd=2) curve(dnorm(x,f1$estimate[1],f1$estimate[2]), add=true,col="red",lwd=2) 30
31 Histogram of ret.datos$r3 Density ret.datos$r3 Estimar los parametros: t student #Instalar paquete #install.packages("metrology") library(metrology) ## Warning: package 'metrology' was built under R version ## ## Attaching package: 'metrology' ## The following objects are masked from 'package:base': ## ## cbind, rbind #Comando para la estimacion x<-seq(-4,4,.01) f2<-fitdistr(ret.datos$r3,"t",start=list(m=mean(ret.datos$r3),s=sd(ret.datos$r3),df=1)) ## Warning in dt((x - m)/s, df, log = TRUE): NaNs produced ## Warning in dt((x - m)/s, df, log = TRUE): NaNs produced ## Warning in dt((x - m)/s, df, log = TRUE): NaNs produced ## Warning in dt((x - m)/s, df, log = TRUE): NaNs produced 31
32 ## Warning in dt((x - m)/s, df, log = TRUE): NaNs produced f2 ## m s df ## ## ( ) ( ) ( ) names(f2) ## [1] "estimate" "sd" "vcov" "loglik" "n" #Sobreponemos la curva t hist(ret.datos$r3,prob=true,ylim=c(0,0.004),breaks=20) curve(dt.scaled(x,df=f2$estimate[3],mean=f2$estimate[1],sd=f2$estimate[2]), add=true,col="darkblue",lwd=2) Histogram of ret.datos$r3 Density ret.datos$r3 Comparamos el ajuste normal y t student #Sobreponemos la curva t y la normal hist(ret.datos$r3,prob=true,ylim=c(0,0.004),breaks=20) curve(dt.scaled(x,df=f2$estimate[3],mean=f2$estimate[1],sd=f2$estimate[2]), add=true,col="darkblue",lwd=2) curve(dnorm(x,f1$estimate[1],f1$estimate[2]),add=true,col="red",lwd=2) 32
33 Histogram of ret.datos$r3 Density ret.datos$r3 33
EJERCICIOS RESUELTOS
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 10.1.- Generar 100 muestras de tamaño 200 de una variable aleatoria N(0,1). Calcular los correspondientes intervalos de confianza para la media al nivel
Más detallesTIPO DE CAMBIO MXN/EUR Eduardo Lozas 14 de diciembre de 2017
TIPO DE CAMBIO MXN/EUR Eduardo Lozas 14 de diciembre de 2017 El tipo de cambio es el precio de una moneda en términos de otra. Lo expresamos habitualmente como el número de unidades de una moneda que hay
Más detallesPráctica de MODELOS DE PROBABILIDAD
Práctica de MODELOS DE PROBABILIDAD 1 1. Objetivos: Los objetivos que persigue esta práctica son: Representar distribuciones de probabilidad conocidas e interpretar sus parámetros. Generar variables aleatorias
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
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 detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
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 detallesEjemplo de Regresión Lineal Simple.
Ejemplo de Regresión Lineal Simple. El archivo sargos.csv contiene datos morfométricos de una muestra de 200 sargos. Estos datos pueden leerse en R mediante la sintaxis: sargos=read.table(file="http://dl.dropbox.com/u/7610774/sargos.csv",
Más detallesAgenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
Más detallesRelación entre tests de hipótesis bilaterales e intervalos de confianza
Relación entre tests de hipótesis bilaterales e intervalos de confianza Introduciremos esta relación a través de un ejemplo. Sea X 1, X,..., X n una m.a. de una distribución N ( µ, σ ). Sabemos que, cuando
Más detallesESTADÍSTICA I. Unidad 4: Resumen de Contenidos Teóricos 1. Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS
ESTADÍSTICA I Unidad 4: Resumen de Contenidos Teóricos Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS. VARIABLES ALEATORIAS DISCRETAS. Distribución Binomial Definición previa: Prueba
Más detallesPráctica 3 vgaribay PRÁCTICA 3. INTERVALOS DE CONFIANZA
PRÁCTICA 3. INTERVALOS DE CONFIANZA Práctica 3 vgaribay OBJETIVOS: Comprobación del concepto de intervalo de confianza. Construcción de intervalos de confianza para poblaciones normales. Cálculo del tamaño
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
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 detallesAnálisis Estadísticos con R
Análisis Estadísticos con R Ibon Martínez http://fdesnedecor.wordpress.com/ µ ¹ ½ http://fdesnedecor.wordpress.com/, Agosto 2011 p. 1/22 Los datos Vamos a plantear una serie de análisis estadísticos con
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 detallesESTADÍSTICA BIVARIADA
ESTADÍSTICA BIVARIADA Estadística y Tecnología de la Información y Comunicación ENRIQUE ÍÑIGUEZ CASTRO 1º de Enfermería, grupo 4. Subgrupo 16. Índice 1. Introducción.... 2 2. Objetivos.... 2 3. Metodología...
Más detallesDistribuciones de Probabilidad.
Práctica núm. 3 1 Distribuciones de Probabilidad. 3.1. Distribuciones de Probabilidad en Statgraphics El estudio de las distribuciones de probabilidad en Statgraphics se puede realizar en el menú Descripción/Distribuciones/Distribuciones
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesMétodos de Remuestreo Tema 2. Distribución Empírica
Métodos de Remuestreo Tema 2. Distribución Empírica basado en B. Efron, R. Tibshirani (1993). An Introduction to the bootstrap. O. Kirchkamp (2014). Resampling methods. Curso 2014/15 Parámetros, distribuciones
Más detallesIntroducción a la simulación de procesos estocásticos.
Sesión 1 Introducción a la simulación de procesos estocásticos. Un proceso estocástico es cualquier familia de variables aleatorias {X t } t T definidas sobre un mismo espacio probabilístico (Ω, σ, P ),
Más detallesTEMA 6. Distribuciones
TEMA 6. Distribuciones Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 6. Distribuciones 1 / 16 Probabilidad= Distribución= Distribución de Probabilidad Cuando queremos conocer
Más detallesEjemplo resistencias (primera parte)
Ejemplo resistencias (primera parte) Un proveedor de materiales de enseñanza entrega un conjunto de resistencias eléctricas y afirma que las resistencias de sus productos, medidos en Ohm, se distribuyen
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 detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesIntroducción a estadística
Introducción a estadística Diego Shalom Laboratorio 5 Abril 2016 Medición = Comparar Comparar a veces es fácil, pero no siempre. Estadística descriptiva: valor representativo y ancho de la distribución
Más detalles06/05/2015. Ángel Serrano Sánchez de León
06/05/2015 Ángel Serrano Sánchez de León 1 Índice Distribuciones muestrales Media Proporción Dibujando la normal estándar Entendiendo el nivel de confianza Estimación de intervalos de confianza (IC) Media
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
Más detallesLa estadística I: preliminares, distribuciones y normalidad
La estadística y normalidad cdicanio@buffalo.edu University at Buffalo - Department of Linguistics 22/6/18 Las metas de los análisis estadísticos La estadística 1 la reducción de los datos 2 inferencia
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesPráctica de SIMULACIÓN
1 Práctica de SIMULACIÓN 1. Objetivos En esta práctica vamos a simular datos procedentes de diversos modelos probabilísticos. En la sección 2, comprobaremos visualmente que los datos que simulamos se ajustan
Más detallesPráctica 3: Distribuciones Comunes
Prácticas de estadística con R Ingeniería Química Universidad de Cantabria Curso 2011 2012 Práctica 3: Distribuciones Comunes 1. Distribuciones de probabilidad en R En teoría hemos visto fórmulas analíticas
Más detallesDistribuciones de Probabilidad Continuas
Distribuciones de Probabilidad Continuas En el caso de variables aleatorias continuas, las funciones densidad de probabilidad más comunes y de uso más frecuente en inferencia estadística son: 1. Función
Más detallesEstadística para las Ciencias Agropecuarias
Estadística para las Ciencias Agropecuarias Séptima Edición Di Rienzo, Julio Alejandro Casanoves, Fernando Gonzalez, Laura Alicia Tablada, Elena Margot Díaz, María del Pilar Robledo, Carlos Walter Balzarini,
Más detalles10/04/2015. Ángel Serrano Sánchez de León
0/04/05 Ángel Serrano Sánchez de León 0/04/05 Índice Distribuciones discretas de probabilidad Discreta uniforme Binomial De Poisson Distribuciones continuas de probabilidad Continua uniforme Normal o gaussiana
Más detalles1. Muestras aleatorias de las distribuciones usuales
UNIVERSIDAD DE MURCIA DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Estadística. I.T.I. Sistemas. Curso 2006-07 Prácticas con Minitab 14 Profesora: Dra. Josefa Marín Fernández Práctica 3: Probabilidad.
Más detallesGráfico de la función de distribución empírica
Función de Distribución Empírica 63 Supongamos que (x 1, x 2,..., x n ) es un lote de números. Fn ( x ) = 1 x x n (# i ) (1) F n (x) da la proporción de los datos que son menores o iguales que x, es decir,
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesEstadística Los parámetros estadísticos más usuales son: Media aritmética
Estadística Los parámetros estadísticos más usuales son: mean(x) Media aritmética mode(x) Moda median(x) Mediana std(x) Desviación típica muestral var(x) Varianza muestral prctile(x,p) Percentil de orden
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 detallesPrácticas de Estadística con R. Parte II. Escuela Técnica Superior. Ing. Industrial y Química. Universidad de Cantabria. Fco Javier Glez Ortiz
Prácticas de Estadística con R Parte II Escuela Técnica Superior Ing. Industrial y Química Universidad de Cantabria Fco Javier Glez Ortiz Curso 2007 2008 2 Índice general 3. Variables aleatorias 5 3.1.
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: En esta práctica se van a ajustar datos censurados. De los tres tipos de censura existentes se va a trabajar con la censura aleatoria, es decir, el proceso
Más detallesModelos para variables aleatorias continuas en R
Modelos para variables aleatorias continuas en R 1 Distribución continua uniforme Ejercicio 1.1 Represente gráficamente la función de densidad de probabilidad, f(x), y la función de distribución acumulada,
Más detallesETSI de Topografía, Geodesia y Cartografía
Disttool Es una herramienta de MATLAB que permite visualizar de forma gráfica las características de cada distribución con la posibilidad de variar sus parámetros. Las funciones que muestra son: Función
Más detallesDistribución Exponencial
Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces
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 detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesEjemplo de análisis de la Varianza (ANOVA).
Ejemplo de análisis de la Varianza (ANOVA). temp TVBN temp TVBN temp TVBN 1 18,3 2 11,7 3 16,64 1 15,92 2 12,87 3 17,83 1 18,71 2 11,77 3 19,01 1 17,92 2 12,23 3 17,33 1 15,66 2 13,62 3 17,06 1 17,14 2
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesPRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS:
PRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS: Cálculo de probabilidades y percentiles con diferentes modelos. Comprobación de aproximaciones estudiadas entre distribuciones. Simulación de datos
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
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 detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 17 de abril, 2012 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesEstimación por Intervalo de la Diferencia entre Medias Poblacionales con Desviación Estándar Conocida
DIFERENCIA ENTRE MEDIAS PARA MUESTRAS INDEPENDIENTES Cuando hacemos estudios, hay veces que solamente queremos identificar los intervalos en que se encuentra un estimador puntual. Sin embargo, también
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesPRÁCTICAS DE ESTADÍSTICA CON R
PRÁCTICAS DE ESTADÍSTICA CON R PRÁCTICA 3: DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS 3.1 Distribuciones discretas Las principales ideas que vamos a ir desarrollando a lo largo de la primera
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detallesClasificación supervisada con R
Clasificación supervisada con R Diagnóstico de cáncer de mama por imagen Los datos del fichero Wisconsin.RData proceden de un estudio sobre diagnóstico del cáncer de mama por imagen. Mediante una punción
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesEstadística descriptiva con R
Métodos estadísticos de investigación: introducción a R y Rstudio 1 Estadísticos 2 3 4 5 Objetivos repasar asignaciones install.packages() repasar aplicación de funciones algunos gráficos clásicos funciones
Más detallesUNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD
UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.
Más detallesEnsayo de Rendimiento DISTRIBUCIÓN DE ESTADÍSTICOS MUESTRALES
Ensayo de Rendimiento DISTRIBUCIÓN DE ESTADÍSTICOS MUESTRALES Muestreo Objetivo: conocer propiedades de una población a partir de una muestra Propiedades Parámetros Los estadísticos muestrales sirven como
Más detallesCAPÍTULO 5 DISTRIBUCIONES TEÓRICAS
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS Hugo Grisales Romero Profesor titular CONCEPTOS BÁSICOS Experimento: Variable aleatoria: Clasificación: Proceso por medio del cual una medición se obtiene. Aquella que
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesTema 5 - III: Inferencia sobre dos poblaciones: proporciones, varianzas, medias
Tema 5 - III: Inferencia sobre dos poblaciones: proporciones, varianzas, medias Biología y Biología sanitaria - UAH Marcos Marvá Ruiz Para dos poblaciones Se presentan conjuntamente intervalos y contrastes
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
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 detallesPrimeros pasos en R. Peter Dalagaard. Facultad de Estudios Superiores Acatlán Licenciatura en Economía Econometría III.
Peter Dalagaard Facultad de Estudios Superiores Acatlán Licenciatura en Economía 30 de agosto 2016 José A. Huitrón Mendoza Comenzamos por llamar a la librería que utilizaremos para los ejercicios: library(iswr)
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 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 detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detalles25/04/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índice Distribución Uniforme Continua Distribución Uniforme Discreta Distribución Binomial Distribución de Poisson Distribución Normal Unidimensional Bivariante Distribución
Más detallesESTADÍSTICA I Tema 4: Estimación por intervalos de confianza
ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño
Más detallesRegresión de Poisson. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción en gretl 1 Introducción 2 3 4 en gretl en gretl Introducción en gretl Ejemplo 1
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 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 detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesFacultad de Ciencias del Mar, Curso 2011/12 Estadística Convocatoria Extraordinaria de Diciembre. 7/12/11
Facultad de Ciencias del Mar, Curso 2011/12 Estadística Convocatoria Extraordinaria de Diciembre. 7/12/11 1. Una empresa de acuicultura dispone de 8 jaulas flotantes para la cría de doradas. La producción
Más detallesPRUEBAS INFORMALES DE NORMALIDAD PARA UN CONJUNTO UNIVARIADO DE MEDICIONES.
PRUEBAS INFORMALES DE NORMALIDAD PARA UN CONJUNTO UNIVARIADO DE MEDICIONES. La distribución normal es una de las distribuciones de muestreo más utilizadas en el trabajo estadístico. Si bien muchos datos
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 detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
Más detallesBiometría. Distribuciones de probabilidad para variables aleatorias continuas
Biometría Distribuciones de probabilidad para variables aleatorias continuas Variables aleatorias continuas Interesa estudiar la temperatura ambiente a las 12 hs en abril en la ciudad de Buenos Aires.
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 4: VECTORES ALEATORIOS
Tema 4: VECTOES ALEATOIOS 1 Concepto de variable aleatoria bidimensional Sea Ω el espacio muestral de un experimento aleatorio. Definimos variable aleatoria bidimensional, como una aplicación ( ):Ω tal
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesExamen Final A Total puntos: /100. Buena suerte y éxito! Utilice la siguiente información para responder a las preguntas 1 al 5.
Universidad de Puerto Rico, Recinto de Río Piedras Instituto de Estadística y Sistemas Computarizados de Información Estadísticas para administración de empresas (ESTA 3041) Nombre: Número de estudiante:
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesLongitud = Calcular la media, la mediana, la moda y la desviación estándar de la muestra en Matlab.
LABORATORIO 1 LABORATORIO INFORMÁTICO Un fabricante de hormigón preparado tiene su proceso de producción bajo control. Está interesado en conocer cuál es la distribución de los valores de la resistencia
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 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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 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 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 detalles