Ejercicios de Modelos de Probabilidad
|
|
- Santiago Lara Soto
- hace 5 años
- Vistas:
Transcripción
1 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 en la transmisión de un bit es del,8 %. Sabiendo que los bits se empaquetan en bloques de información y la transmisión de cada bit dentro del bloque es independiente del resto, se pide: a) Calcule la probabilidad de que se produzca algún error en la transmisión de un bloque formado por 1 bits. b) Calcule la probabilidad de que se produzcan menos de 15 errores en la transmisión de un bloque de 1 bits si sabemos que se observó algún error en la transmisión del bloque. Solución: Sabemos que Pr(E) =,8, donde E denota el suceso error en la transmisión de un bit. a) Sea X la v.a. que cuenta el número de bits de un bloque de 1 bits que se transmiten erróneamente. Se tiene entonces que X sigue un modelo Binomial con parámetros n = 1 y p =,8. Nos piden Pr(X 1). Por la propiedad del suceso contrario y usando la función de probabilidad del modelo binomial se concluye que: ( ) 1 Pr(X 1) = 1 Pr(X = ) = 1 (,8) (1,8) 1 = 1,325 =,9997. b) Nos piden la probabilidad condicionada siguiente Pr(X < 15 X 1). Se verifica que Además, Pr(X < 15 X 1) = Pr(1 X < 15) Pr(X 1) Pr(1 X 14) = Pr(,5 N(µ, σ) 14,5) (,5 µ = Pr σ = Pr(1 X 14).,9997 N(, 1) 14,5 µ σ donde estamos utilizando el hecho de que X al ser Binomial con n = 1 > 3 y npq = 1,8,992 = 7,936 > 5 se puede aproximar por un modelo Normal con media µ = E[X] = np = 1,8 = 8 y varianza σ 2 = V ar[x] = npq = 7,936. En consecuencia se tiene que, Pr(1 X 14) = Pr ( 2,66 N(, 1) 2,31) = F N(,1) (2,31) F N(,1) ( 2,66) ), =,9896 (1 F N(,1) (2,66)) =, ,9961 =,9857 = 98,57 %. De modo que Pr(X < 15 X 1) =,9857,9997 =,986. 1
2 Ejercicio 2. Sea T la variable aleatoria horas que un operario necesita para realizar una actividad específica en una cadena de producción, que sigue un modelo exponencial con función de densidad dada por f(t) = 1,5 exp( 1,5t), t (, ). a) Suponiendo que el operario repite dicha actividad de forma independiente, determine el número medio de veces que consigue realizar dicha actividad en 2 horas y la probabilidad de que en 2 horas consiga realizarla al menos 1 vez. b) Calcule la función de distribución de T y el tiempo t que necesita invertir en dicha actividad si sólo el 1 % de las veces que realiza dicha actividad necesita invertir más tiempo. c) Calcule la probabilidad de que el tiempo empleado en realizar dicha actividad no supere la hora y media. d) Suponiendo que los operarios trabajan de forma independiente unos de otros, cuál es la probabilidad de que exactamente 2 de 1 operarios, inviertan más de hora y media en realizar la actividad en cuestión? Solución: a) Sea X la v.a. que cuenta el número de veces que un operario consigue realizar dicha actividad en 1 hora, y sea Y la v.a. que cuenta el número de veces que un operario consigue realizar dicha actividad en 2 horas. Se sabe que X se distribuye según una Poisson con parámetro λ 1 = 1,5 actividades/h. Por la reproductividad de la Poisson, entonces Y sigue un modelo de Poisson con parámetro λ 2 = 2λ 1 = 3 actividades cada 2 horas. Dado que en un modelo de Poisson su parámetro coincide con su media, se tiene que E[Y ] = 3. Por otra parte, nos piden Pr(Y 1). Por la propiedad del suceso contrario y la función de probabilidad de una Poisson se concluye que: Pr(Y 1) = 1 Pr(Y < 1) = 1 Pr(Y = ) = 1 exp( λ)λ! b) Calculemos la distribución del tiempo exponencial T. F T (t) = t f T (y)dy = t = exp( 15y)] y=t y= = 1 e 3 =,952 = 95,2 %. 1,5 exp( 1,5y)dy = exp( 1,5t) + exp() = 1 exp( 1,5t), t >. Por otra parte, también nos piden el tiempo en horas t que verifica que F T (t ) = Pr(T t ) =,9 (equivalentemente, se tiene que Pr(T > t ) =,1). De modo que, despejando t en 1 exp( 1,5t ) =,9, se obtiene que: exp( 1,5t ) =,1 1,5t = ln(,1) t = ln(,1) 1,5 = 1,5351 horas. 2
3 c) Nos piden Pr(T 1,5), es decir, F T (1,5). Utilizando el apartado b) se obtiene que Pr(T 1,5) = 1 exp( 1,5 1,5) =,8946 = 89,46 %. d) Sea Z la v.a. que cuenta el número de operarios, de un total de 1, que invierten más de 1,5 horas en realizar dicha actividad individualmente. Nos piden, Pr(Z = 2), donde Z sigue un modelo Binomial con parámetros n = 1 (los diez operarios) y p = Pr(T > 1,5) = 1,8946 =,154, la probabilidad de que un operario en concreto necesite más de hora y media para realizar dicha actividad. Entonces, se tiene que: Pr(Z = 2) = ( 1 2 ) (,154) 2 (1,154) 8 =,251 = 2,51 %. Ejercicio 3. La v.a. T representa el tiempo en horas de las conexiones que un empleado realiza a lo largo de una jornada laboral desde su puesto de trabajo a dominios de la red que no están relacionados directamente con su trabajo, y tiene como función de densidad la función f T (t) = 3 exp( 3t), si t >. Si un empleado es pillado, según la política de la empresa se le sanciona con una cantidad que asciende a Z = exp(t ) euros. Con estos datos, se pide: a) Determine la densidad de la v.a. Z. b) Calcule la probabilidad de que un sancionado tenga que pagar menos de 5 euros. c) Cuál es la probabilidad de que un empleado se encuentre más de media hora conectado a la red sin trabajar? d) Para evitar que los empleados se dediquen a malgastar sus horas de trabajo, el director de la empresa decide controlar los accesos de 1 empleados elegidos al azar. Cuál es la probabilidad de que exactamente 7 de ellos dediquen más de media hora al día a estar conectados a la red sin trabajar? Solución: a) Sea T las horas que dedica al ocio un empleado durante una jornada laboral, y sea Z la sanción en euros que debe pagar dicho empleado si es pillado, v.a. que viene dada como una transformación de la v.a. T de partida según la expresión Z = exp(t ). Entonces se tiene que, z(t) = exp(t), t(z) = ln(z) y dt(z) dz = 1 z. Además, dado que T toma valores en (, ) se tiene que Z toma valores entre exp() = 1 y exp( ) =, es decir Z toma valores en (1, ). Dado que la transformación exponencial es derivable en inyectiva en (, ), sabemos que la función de densidad de Z viene dada por f Z (z) = f T (t(z)) dt(z) dz = 3 exp( 3 ln(z)) 1 z = 3(exp(ln(z))) 3 z 1 = 3z 4, z (1, ). b) Nos piden Pr(Z < 5 euros). Dado que Z es v.a. continua de la cual sabemos su densidad (por el apartado anterior), se tiene que: Pr(Z < 5) = 5 1 f Z (z)dz = z 4 dz = z 3] z=5 z=1 = (5) 3 + (1) 3 = =,992. 3
4 c) Nos piden Pr(T >,5) = 1 Pr(T,5). Dado que T es v.a. continua con densidad dada por f T se tiene que: Pr(T,5) = =,5,5 f T (t)dt 3 exp( 3t)dt = exp( 3t)] t=,5 t= = exp( 3/2) + 1 =,7769. Por lo tanto, la probabilidad pedida es Pr(T >,5) = 1,7769 =,2231. d) Sea Y la v.a. que cuenta el número de empleados (de un total de n = 1) que dedican más de media hora al ocio (es decir, T >,5h) durante la jornada laboral. Se verifica que Y se distribuye según un modelo Binomial con parámetros n = 1 y p = Pr(T >,5) =,2231. Utilizando la función de probabilidad de este modelo, la probabilidad que nos piden Pr(Y = 7) viene dada por: ( ) 1 Pr(Y = 7) = (,2231) 7 (1,2231) 3 =,15 =,15 %. 7 Ejercicio 4. En unos grandes almacenes, el número X de devoluciones por hora que se producen en una determinada sección sigue una Poisson. Sin embargo, se sabe que de 1h a 16h el número medio de devoluciones a la hora es de 2 mientras que de 16h a 21h el número medio de devoluciones a la hora es de 4. Nótese que se supone que el establecimiento permanece abierto ininterrumpidamente desde las 1h a las 21h y que las devoluciones se producen de manera independiente a lo largo del día. a) Calcule la probabilidad de que no se produzca ninguna devolución de 1h a 11h. b) Calcule la probabilidad de que se produzcan no más de 3 devoluciones a lo largo de un día de trabajo. Solución: Denotemos por X 1 la v.a. que contabiliza el número de devoluciones por hora que se producen en una determinada hora en la franja de 1h a 16h y denotemos por X 2 la v.a. que contabiliza el número de devoluciones por hora que se producen en una determinada hora en la franja de 16h a 21h. Dado que en un modelo de Poisson, su media y su parámetro coinciden, se tiene que X 1 es Poisson con λ 1 = 2 y X 2 es Poisson con λ 2 = 4. a) Nos piden Pr(X 1 = ). Utilizando la función de probabilidad de una Poisson con parámetro 2, se concluye que. Pr(X 1 = ) = exp( λ)λk k! = e 2 2! = e 2 =,1353 = 13,53 %. b) Sea Y la v.a. que cuenta el número de devoluciones que se producen a lo largo de un día (es decir, de 1h a 21h, durante el horario de apertura de dicho establecimiento). Por la propiedad de independencia y la reproductividad de la Poisson se sabe que Y sigue una Poisson con parámetro λ = = 32, es decir, se producen por término medio 32 devoluciones al día. 4
5 Nos piden la probabilidad del suceso {Y 3}, es decir, Pr(Y 3). Para calcular este valor y dado que λ = 32, utilizaremos el hecho de que una v.a. de Poisson se puede aproximar por un modelo Normal cuando el parámetro λ > 5. En concreto, Y N(µ, σ) donde µ = E[Y ] = λ = 32 y σ = V ar(y ) = λ = 32. Utilizando el factor de correción de,5 unidades (dado que estamos aproximando un modelo discreto a través de un modelo continuo), y estandarizando para expresar el suceso de interés en términos de una Normal estándar (con media y desviación típica 1), se tiene que, Pr( Y 3) = Pr(,5 N(µ, σ) 3,5) ( ),5 32 3,5 32 = Pr N(, 1) = Pr( 5,75 N(, 1),27) = Pr(N(, 1),27) P r(n(, 1) 5,75) = 1 Pr(N(, 1),27) (1 Pr(N(, 1) 5,75)) = 1,664 (1 1) =,3936 = 39,36 %. Ejercicio 5. Indique si las siguientes afirmaciones son verdaderas o falsas. Razone su respuesta. a) El siguiente código en MATLAB/Octave devuelve para a un valor muy cercano a cero: n=1; x=poissrnd(8,n,1); y=(x>4); a=sum(y)/n b) El siguiente código en MATLAB/Octave aproxima por simulación el valor de E[exp( X)], siendo X un modelo Uniforme en ( 1, 1): n=1; u=rand(n,1); x=2*u-1; mux=sum(x)/n; muy=exp(-mux) Solución: a) Esta afirmación es falsa. Este código aproxima Pr(X > 4), siendo X una Poisson de parámetro λ = 8. Se sabe que el valor teórico de esta probabilidad es igual a 1 Pr(X = ) Pr(X = 1) Pr(X = 2) Pr(X = 3) Pr(X = 4) =,94. b) Esta afirmación es falsa. Este código devuelve exp( E[X]) que no coincide con E[exp( X)]. Ejercicio 6. a) Complete el siguiente código en MATLAB/Octave para aproximar Pr(X >,1), donde X denota una v.a. continua con densidad f X (x) = 3x 2, si x (, 1). 5
6 n = 1; u = rand(n,1); x =... ; cond = (x... ); p = sum(cond)/n b) Indique la veracidad o falsedad de la siguiente afirmación y razone su respuesta. Solución: Sea X una v.a. que se distribuye según un modelo uniforme continuo en el intervalo (, 1) y sea Y = exp(x 2 ) una transformación de X, entonces Y es una v.a. continua con densidad dada por f Y (y) = (2y ln y) 1 si y (1, e). a) Dado que X tiene densidad dada por f X (x) = 3x 2, si x (, 1), entonces su función de distribución viene dada por: F X (x) = x f X (y)dy = x 3y 2 dy = x 3, x (, 1). Utilizando el método de la transformación inversa para generar valores de X, debemos resolver en x la ecuación F X (x) = u, donde u denota un número uniformemente distribuido entre (, 1). De modo que, x = u 1/3. Por lo tanto las dos lineas de código que faltan serían: x = u.^(1/3); cond = (x >.1); b) Esta afirmación es verdadera. Veámoslo a continuación. Dado que X se distribuye según un modelo uniforme continuo en (, 1) se tiene que f X (x) = 1, si x (, 1). Consideremos la transformación g(x) = exp(x 2 ). Se verifica que g(x) es derivable en (, 1) por tratarse de una composición de funciones derivables en (, 1) (la exponencial y la función cuadrática) e inyectiva en (, 1). De modo que la función de densidad de Y = g(x) viene dada por la expresión: f Y (y) = f X (x(y)) dx(y) dy, donde x(y) = ln(y), dx(y) dy =,5(ln(y)),5 y 1 y, dado que X toma valores entre y 1, la v.a. Y toma valores en el intervalo (g() = 1, g(1) = e). En conclusión se tiene que: f Y (y) = 1 2y ln(y), y (1, e). Ejercicio 7. Una empresa de telefonía móvil cobra a sus clientes,25 euros por cada minuto de conversación. Si X denota el tiempo (en minutos) que una persona invierte en cada llamada realizada desde su móvil, la compañía le cobrará lo mismo (1,25 euros) si habla 5 minutos que 4,15 minutos. Se sabe además que X se puede modelizar a través de una exponencial con media 125 segundos. 6
7 a) Considere la v.a. Y = [X] + 1, donde [x] denota la parte entera de x R. Compruebe que dicha variable sigue una distribución Geométrica e identifique su parámetro p. b) Escriba el coste en función de Y y determine el coste medio por llamada. c) Ante la queja de algunos clientes, el director de la compañía se plantea cobrar por el tiempo exacto X que dure la llamada. Con esta estrategia se pretende ser más justo, pero sin que eso conlleve el tener una ganancia media por llamada inferior a la de antes. Determine cuál debe ser el coste por minuto que el encargado deberá cobrar para que esto así suceda. d) Indique qué devuelve el siguiente código en MATLAB/Octave: n=1; lambda=.48; u=rand(n,1); t=-log(1-u)/lambda; prob=sum(<t & t<1)/n Solución: Se sabe que X sigue un modelo Exponencial con media E[X] = 125/6 min. De modo que su parámetro será: λ = 1 E[X] = 6/125 =,48 min 1. Además, se sabe que el coste es una v.a. discreta porque los valores que toma son {,25,,5,,75,...}, un conjunto infinito numerable. a) Dado que Y = [X] + 1, para comprobar que sigue un modelo Geométrico, lo primero que debemos hacer es comprobar que sus posibles valores coinciden con los de dicho modelo. En efecto así sucede puesto que cuando X (, 1) entonces Y = + 1 = 1, cuando X [1, 2) entonces Y = = 2, y así sucesivamente. Por lo tanto se ve que Y toma valores en {1, 2, 3,...}. En segundo lugar debemos tratar de demostrar que la función de probabilidad de Y se puede escribir como la de un modelo Geométrico, es decir, que Pr(Y = k) = p(1 p) k 1, para un determinado p, con k {1, 2, 3,...}. En efecto, esto también se verifica porque cuando Y = k eso significa que X [k 1, k) y entonces se tiene que: Pr(Y = k) = k k 1 f(x)dx = k k 1 λ exp( λx)dx = exp( λx)] x=k x=k 1 = e,48(k 1) e,48k = e,48(k 1) (1 e,48 ) = (e,48 ) k 1 (1 e,48 ) = (1 e,48 ) (1 (1 e,48 )) k 1. De modo que denotando p = 1 e,48 =,3812 se puede concluir que Y sigue un modelo Geométrico con parámetro p =,3812. b) El coste C se puede escribir en función de Y como C =,25 Y. Además E[C] =,25E[Y ]. Como Y es Geométrica de parámetro p =,3812, sabemos que su media es E[Y ] = 1/p = 1/,3812. En consecuencia se concluye que: E[C] =,25E[Y ] =,25/,3812 =,6558 euros. 7
8 c) Debemos buscar la tarifa t de modo que el nuevo coste D sea tal que D = t X y E[D] E[C] =,6558. Sabiendo que E[X] = 125/6, se puede concluir que: E[D] = t 125/6,6558, lo que implica que t 6,6558/125 =,3148. Es decir, la tarifa actual debe ser t =,3148 euros/min, lo que significa que si una persona habla 4.15 minutos ahora se le cobrará por exactamente ese tiempo y el coste de su llamada será,3148 4,15 = 1,3645 1,31 euros. En cambio, si una persona habla exactamente 5 minutos ahora se le cobrará, = 1,574 euros. Como vemos, con el nuevo sistema de tarifas, el coste es más justo, en el sentido de que se le cobra más a la persona que más habla. Sin embargo, con este nuevo sistema estas dos personas han salido perdiendo pues antes sólo se les cobraba 1.25 euros. Los usuarios que sí se beneficiarán de la nueva tarifa serán aquellos que hablen menos de,25/,3148 =,7942 min. d) Este código en MATLAB/Octave devuelve la probabilidad de que una llamada dure menos de 1 minuto (X < 1), lo cual coincide con la probabilidad de que Y = 1, es decir coincide con p =,
Examen de Estadística
Examen de Estadística Grado en Ingeniería de Telecomunicación 4 de Junio de 03 Cuestiones solucion h 30m C. (p) Un sistema de comunicación está compuesto por los componentes A, B, C, D y E, donde cada
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
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 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 detallesESTADÍSTICA Y ANÁLISIS DE DATOS. Práctica del Tema 5. Variable aleatoria (en R y R 2 )
ESTADÍSTICA Y ANÁLISIS DE DATOS Práctica del Tema 5. Variable aleatoria (en R y R ). Se considera un dado regular y se define la v.a. X: puntuación obtenida en un lanzamiento cualquiera de dicho dado.
Más detallesExamen de Estadística
Examen de Estadística Grado en Ingeniería de Telecomunicación 28 de Mayo de 25 Cuestiones solución h 45m C.5 puntos). Una variable aleatoria X mide el número de incendios provocados en Almería a lo largo
Más detallesEXAMEN DE ESTADÍSTICA Junio 2012
EXAMEN DE ESTADÍSTICA Junio 2012 Apellidos: Nombre: DNI: GRUPO: 1. En una población se han realizado 120 observaciones sobre las variables X e Y, obteniéndose la siguiente tabla de frecuencias absolutas
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 detallesEjercicios de Modelos de Probabilidad
Ejercicios de Modelos de Probabilidad Elisa M. Molanes-López, Depto. Estadística, UC3M Binomial, Poisson, Exponencial y Uniforme Ejercicio. Se dispone de un sistema formado por dos componentes similares
Más detallesEjercicios de Probabilidad
Ejercicios de Probabilidad Elisa M. Molanes-López, Depto. Estadística, UC3M Métodos combinatorios Ejercicio 1. En una clase de 10 alumnos van a distribuirse 3 premios. Indique de cuántas maneras puede
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 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 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 detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UCM Función de distribución y función de densidad Ejercicio. Sea X una variable aleatoria con función de distribución dada
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 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 detallesSelectividad Septiembre 2007 SEPTIEMBRE 2007
Bloque A SEPTIEMBRE 2007 1.- Cada instalación de una televisión analógica necesita 10 metros de cable y cada instalación de televisión digital necesita 20 metros. Cada televisión analógica necesita 20
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 detallesMatemática 3 Curso 2013
Matemática 3 Curso 2013 Práctica 3: Variables aleatorias discretas. Funciones de distribución Binomial, Geométrica, Hipergeométrica, Poisson. 1) Dadas las siguientes funciones, determinar cuales son funciones
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 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 detallesSoluciones Examen de Estadística Ingeniería Superior de Telecomunicación
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 7 de Septiembre, 25 Cuestiones 2 horas C. A partir de los procesos estocásticos X(t e Y (t incorrelados y de media cero, con funciones
Más detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
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 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 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 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 detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesTema 3:Introducción a las variables aleatorias PROBLEMAS PROPUESTOS. 2. La función de densidad de la variable aleatoria X viene dada por la expresión
Tema :Introducción a las variables aleatorias PROBLEMAS PROPUESTOS. Puede ser la función de densidad de una variable aleatoria continua mayor que uno en algún punto? Sí. La función de densidad de la variable
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detalles(1 p) 2 + p 7 = =
1. La probabilidad de que un enfermo se recupere tomando un nuevo fármaco es 0.95. Si se les administra a 8 enfermos, hallar: a La probabilidad de que se recuperen 6 de los 8 enfermos. b La probabilidad
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
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 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 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 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 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 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 detallesAlgunas distribuciones teóricas continuas
Algunas distribuciones teóricas continuas Dr. Pastore, Juan Ignacio Profesor Adjunto. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial
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 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 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 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 detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesINTRODUCCIÓN A LAS DISTRIBUCIONES CONTINUAS Y EL TEOREMA CENTRAL DEL LÍMITE (10 MINUTOS)
INTRODUCCIÓN A LAS DISTRIBUCIONES CONTINUAS Y EL TEOREMA CENTRAL DEL LÍMITE (10 MINUTOS) Hemos aprendido a identificar distribuciones discretas y también a reconocer algunas de sus características más
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
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 Otoño 3 Duración: 3 horas FECHA: 9 de Enero de 4 Fecha publicación notas: 6--4 Fecha revisión
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 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 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 detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesRelación de Problemas. Variables Aleatorias
Relación de Problemas. Variables Aleatorias 1. Un experimento consiste en lanzar cuatro monedas al aire. Calcular la función de probabilidad y la función de distribución de las siguientes variables aleatorias:
Más detallesProbabilidad, Variables Aleatorias y Distribuciones
GRUPO A Prueba de Evaluación Continua 5-XII-.- Tres plantas de una fábrica de automóviles producen diariamente 00, 00 y 000 unidades respectivamente. El porcentaje de unidades del modelo A es 60%, 0% y
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 detallesTema 5. Introducción a las ecuaciones diferenciales ordinarias. senx + C 2. x es solución de la ecuación diferencial
1 Tema 5. Introducción a las ecuaciones diferenciales ordinarias 1.- Comprobar que la función y = C 1 senx + C 2 x es solución de la ecuación diferencial (1 - x cotgx) d2 y dx 2 - x dy dx + y = 0. 2.-
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 detallesApuntes de Clases. Modelos de Probabilidad Discretos
2010 Índice 1. Distribución de Bernouilli 2 2. Distribución Binomial 3 3. Distribución Hipergeométrica 3.1. Aproximación Binomial de la distribución Hipergeométrica............. 7 4. Distribución Geométrica
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
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 detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detallesSEPTIEMBRE Opción A
Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos
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 detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesEjercicios de Vectores Aleatorios
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales
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 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 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 I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detallesEstadística I Ejercicios Tema 4 Curso 2015/16
Estadística I Ejercicios Tema 4 Curso 2015/16 1. En una urna hay 15 bolas numeradas de 2 al 16. Extraemos una bola al azar y observamos el número que tiene. a) Describe los sucesos, escribiendo todos sus
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesTEMA 3: 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 detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más 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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento
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 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 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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesSelectividad Septiembre 2004 SEPTIEMBRE 2004
SEPTIEMBRE 004 Bloque A 1 0 x 1 1.- Sean las matrices A =, B = y C = donde x e y son desconocidos. 1 1 y 1 a) Calcula las matrices ABC y A t C (A t denota la matriz traspuesta de A). b) Halla x e y para
Más detallesINGENIERÍA INFORMÁTICA DE GESTIÓN Septiembre 2005 SOLUCION
INGENIERÍA INFORMÁTICA DE GESTIÓN Septiembre 005 SOLUCION 1.- Sea ( X,..., X ) una muestra aleatoria simple de una variable aleatoria X con 1 n E(X) µ y Var (X) k µ. Considérense los siguientes estimadores
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 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 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 detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesDepartamento de Matemática Aplicada a las T.I.C.
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS PRIMERA PRUEBA (Otoño 2015 Duración: 1 hora y 45 min. FECHA: 26 de Octubre de 2015 APELLIDOS: NOMBRE: DNI:
Más detallesETSI de Topografía, Geodesia y Cartografía
Distribuciones (discretas y continuas) EVALUACIÓN CONTINUA (Tipo I) 14-XII-11 1. Una prueba del examen de Estadística consiste en un cuestionario de 10 preguntas con tres posibles respuestas, solamente
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 detalles