Tema 6: Modelos de probabilidad.
|
|
- Margarita Paz Navarro
- hace 7 años
- Vistas:
Transcripción
1 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 por U(n), si su ley de probabilidad viene dada por: S X = {x 1, x 2,..., x n } p(x = x i ) = 1, para cada i = 1, 2,..., n. n (b) Distribuciones definidas sobre un experimento de Bernouilli Un experimento aleatorio se denomina de Bernouilli si verifica las tres condiciones siguientes: 1 El experimento consiste en observar elementos de una población y clasificarlos en dos categorías: éxito y fracaso (que denominaremos E y F). 2 Llamaremos p a la probabilidad de que un elemento esté en E y q = 1 p a la probabilidad de que esté en F. 3 Las observaciones son independientes. Sobre los experimentos de Bernouilli se pueden definir varios modelos de variables aleatorias: Distribución de Bernouilli. La variable aleatoria X que modeliza la clasificación de un elemento observado en un experimento de Bernouilli como E ó F, tiene una distribución que llamaremos Bernouilli de parámetro p. Lo denotaremos por X B(p). Su ley de probabilidad viene dada por: S X = {0, 1} p(x = 1) = p, p(x = 0) = 1 p E(X) = p V ar(x) = pq. Distribución binomial. La variable aleatoria X que modeliza el número de elementos, entre n observados que tienen la característica E, tiene una distribución que llamaremos binomial de parámetros n y p. Lo denotaremos por X B(n, p); su ley de probabilidad viene dada por: S X = {0, 1,..., n}
2 Estadística 61 p(x = k) = ( n k ) p k (1 p) n k E(X) = np V ar(x) = npq. Propiedades 1 i. Si X B(n, p), entonces X es la suma de n variables de Bernouilli independientes y de parámetro p. ii. Si X 1, X 2,..., X k son variables binomiales independientes de parámetros n i y p, i = 1, 2,..., k, entonces X X k tiene distribución B(n n k, p). iii. Si X B(n, p) entonces Y = n X B(n, 1 p). iv. La distribución es simétrica si y sólo si p = 1 2. Si p < 1 2, entonces existe asimetría a la derecha y en caso contrario hay asimetría a la izquierda. Observación 1 partir de la propiedad (i). Los valores de la media y de la varianza de X se deducen fácilmente a La propiedad (ii) se denomina propiedad de aditividad y no es cierta en general para cualquier modelo de distribución: por ejemplo, si X e Y son las variables que modelizan el resultado de dos dados normales, ambas son uniformes discretas, pero su suma, que modelizaría la suma de resultados, no lo es. Distribución geométrica: La variable aleatoria X que modeliza el número de observaciones (o ensayos) necesarias para obtener el primer éxito en un experimento de Bernouilli, tiene una distribución que llamaremos geométrica de parámetro p. Lo denotaremos por X G(p); su ley de probabilidad viene dada por: S X = {1, 2,...} p(x = k) = p(1 p) k 1 k = 1, 2,... E(X) = 1 p V ar(x) = 1 p p 2 Observación 2 En ocasiones conviene utilizar la variable Y que modeliza el número de fracasos necesarios hasta obtener el primer éxito en un experimento de Bernouilli; esta variable está relacionada con la anterior por la igualdad Y = X 1; a partir de esta relación se deduce la ley de probabilidades, media y varianza de la variable Y (calcúlalas). Distribución binomial negativa. La variable aleatoria X que modeliza el número de ensayos necesarios para obtener el r- ésimo éxito, tiene una distribución que llamamos binomial negativa de parámetros r y p. Lo denotaremos por X BN (r, p). Su ley de probabilidad viene dada por: S X = {r, r + 1,...}
3 Estadística 62 p(x = k) = ( k 1 r 1 ) p r (1 p) k r E(X) = r p V ar(x) = r(1 p) p 2 Observación 3 EL siguiente cuadro señala las diferencias entre las variables binomial y binnomial negativa, indicando qué es lo que permanece fijo y cuáles son los valores (aleatorios) de la variable: (c) Distribución hipergeométrica. N o de ensayos N o de éxitos Binomial fijo aleatorio Binomial negativa aleatorio fijo La variable aleatoria X cuya distribución se denomina hipergeométrica de parámetros N, n y Q, se define sobre experimentos que consisten en observar elementos de una población y clasificarlos en dos categorías, éxito y fracaso, (es decir, que cumplen la condición 1) de los experimentos de Bernouilli), pero en los que las observaciones no son independientes. Corresponde a modelizar el número de individuos que tienen la característica de interés, de n (diferentes) observados de una población finita, de tamaño N, cuándo en la población hay Q individuos con esa característica. La denotaremos por X H(N, n, Q); su ley de probabilidad viene dada por: S X = [máx{0, n (N Q)},..., mín{q, n}] ( ) ( ) Q N Q p(x = i) = i n i ( ) N n E(X) = nq N V ar(x) = nq N ( 1 Q N ) ( ) N n N 1 Aproximación de la distribución hipergeométrica por la binomial. Si X es una variable aleatoria con distribución hipergeométrica H(N, n, Q), se puede demostrar que cuando N, Q y Q N p, la distribución hipergeométrica tiende a una distribución binomial B(n, p). Esto permite aproximar la hipergeométrica H(N, n, Q) por una binomial de parámetros n y Q N cuando N es suficientemente grande. En general, la aproximación se considera satisfactoria si N > 50 y n N 0.1. (d) Distribuciones discretas definidas sobre un proceso de Poisson. Un proceso de Poisson es un experimento en el que se observa la aparición de sucesos puntuales sobre un soporte continuo (intervalo de tiempo, de longitud, superficie, etc) y que cumple las siguientes condiciones:
4 Estadística 63 1 El número de resultados que ocurren en un intervalo de tiempo o región específica es independiente del número que ocurre en cualquier otro intervalo disjunto, es decir, no depende del número de resultados que ocurren fuera de él. 2 La probabilidad de que un suceso ocurra en un intervalo o región muy pequeña es proporcional a la longitud del intervalo o área de la región. 3 La probabilidad de que ocurra más de un resultado en un intervalo corto es despreciable. Como consecuencia de las propiedades anteriores el promedio de sucesos por unidad de soporte se mantiene constante y lo denotaremos por λ. Distribución de Poisson. La variable aleatoria X que modeliza el número de sucesos en una unidad de soporte, en un proceso de Poisson, tiene una distribución que llamaremos de Poisson de parámetro λ. La denotaremos por X P(λ). Su ley de probabilidad viene dada por: S X = {0, 1...} p(x = k) = (λ)k e λ k! E(X) = λ V ar(x) = λ. Observación 4 Si Y es la variable que modeliza el número de sucesos en t unidades de soporte (t > 0), la variable Y es también de Poisson y su parámetro es λt, pues por las propiedades de los procesos de Poisson se deduce que el número medio de sucesos en t unidades de soporte es λt. Proposición 1 Si X 1,..., X k son variables aleatorias independientes, con distribución de Poisson, con parámetros λ i, i = 1, 2,..., k entonces la variable aleatoria X = distribución de Poisson de parámetro λ = k λ i. Teorema 1 Teorema de Poisson k X i tiene Sea {X n } n=1 una sucesión de v. a., tales que X n B(n, p n ). Si lim n np n = λ y X es una v.a. con distribución P(λ), se tiene que: lim p(x n x) = p(x x), para cada x IR. n Observación 5 Este último resultado se utiliza en la práctica para aproximar las probabilidades relativas a una variable B(n, p) con n grande y p peque o por probabilidades relativas a una variable de Poisson de parámetro λ = np. Utilizaremos esta aproximación cuando n 25 y p < 0.01.
5 Estadística Modelos continuos. (a) Distribución exponencial La variable aleatoria T que en los procesos de Poisson modeliza el tiempo entre la ocurrencia de dos sucesos consecutivos, tiene una distribución que llamaremos exponencial de parámetro λ > 0; la denotaremos por T Exp(λ). Su ley de probabilidades es: S X = (0, ) f(t) = Su función de distribución viene dada por: { 0 si t < 0 λe λt si t 0 F (t) = 1 e λt E(X) = 1 λ V ar(x) = 1. λ 2 Es el ejemplo más simple de las distribuciones utilizadas en fiabilidad. Proposición 2 Propiedad de pérdida de memoria de la distribución exponencial. Si X es una v.a. con distribución Exp(λ), entonces p(x x + h/(x > x)) = p(x h)para cada x, h 0. Demostración Para cada x > 0 y cada h 0, p(x x + h/(x > x)) = p(x x + h) p(x > x) = 1. Distribución uniforme continua = e λ(t+h) e λt = e λh = p(x h) La variable aleatoria X tiene una distribución uniforme continua de parámetros a y b, que denotaremos por U(a, b), si su ley de probabilidades es: S X = [a, b] (ó (a, b], [a, b), (a, b); denotaremos al intervalo por I) f(x) = { 1 b a si x I 0 en otro caso E(X) = a + b 2 V ar(x) = (b a)2. 12
6 Estadística Distribución normal La variable aleatoria X tiene una distribución normal de parámetros µ y σ, X N (µ, σ) si su ley de probabilidades es: Propiedades 2 (a) E(X) = µ (b) V ar(x) = σ 2 S X = IR f(x) = 1 { σ 2π exp 1 ( ) } x µ 2, para cada x IR. 2 σ (c) Es simétrica respecto de media, mediana y moda, que coinciden con µ. (d) La función de densidad tiene puntos de inflexión en µ ± σ. (e) La función de densidad tiende asintóticamente a 0 en ±. (f) Q 1 = µ 0.675σ, Q 3 = µ σ y por tanto, el IRQ es 1.35σ. (g) En µ ± 2σ se encuentra el 95.5% de la distribución y en µ ± 3σ se encuentra el 99.7% de la misma. (h) Si X N (µ, σ), entonces la variable estandarizada, Z = X µ σ tiene distribución N (0, 1). (i) Dos distribuciones normales cualesquiera están relacionadas mediante una transformación lineal. (j) Si X 1, X 2,..., X n son variables aleatorias independientes, tales que X i N (µ i, σ i ), i = 1,..., n, entonces la v.a. X = n X i tiene distribución N ( n n µ i, σi 2). 6.3 Teorema Central del Límite. El modelo normal es uno de los utilizados más frecuentemente, debido a que en muchas situaciones, los resultados de un experimento son consecuencia de múltiples causas de pequeã incidencia individual, pero cuyos efectos se suman, dando lugar a los resultados del experimento (por ejemplo, los errores de medida, en muchas situaciones); en estas situaciones, el modelo normal suele aproximar bien el comportamiento de los resultados del experimento. El siguiente teorema explica el buen funcionamiento del modelo normal: Teorema 2 Sea {X n } n=1 una sucesión de variables aleatorias independientes con E(X i) = µ i y V ar(x i ) = σi 2. Entonces la sucesión de variables aleatorias definida por: Z n = n X i n µ i ( n ) 1/2 σi 2 converge asintóticamente a una variable aleatoria con distribución N (0, 1), es decir, si F n es la función de distribución de la variable Z n, n = 1, 2,..., y φ es la función de distribución de una variable N (0, 1), entonces para cada x IR, lim F n(x) = φ(x). n
7 Estadística 66 También se dice que n X i es asintóticamente una variable N ( n n µ i, σi 2) Observación 6 Si {X n } n=1 una sucesión de variables aleatorias independientes e idénticamente distribuidas, todas ellas tendrán la misma media (µ) y la misma desviación típioca (σ), y en ese caso, la variable n X i es asintóticamente una variable N (nµ, σ n) Si aplicamos el teorema anterior a una sucesión de variables con distribución B(p) (Bernouilli de parámetro p), se obtiene el siguiente resultado: Teorema 3 Teorema de De Moivre Sea {X n } n=1 una sucesión de variables aleatorias independientes con distribución B(n, p). Entonces X n es asintóticamente normal, con parámetros µ = np y σ = npq. Corrección de continuidad Como la distribución binomial es discreta y la normal es continua, para que la aproximación de la variable X B(n, p) por la variable Y N (np, npq) resulte más precisa se utiliza la llamada corrección de medio punto o de continuidad, que asigna, si b IN: p(x b) p(y b + 0.5), es decir F X (b) F Y (b + 0.5). Esta misma corrección se aplica cada vez que se aproxima una variable aleatoria discreta, cuyo soporte sean los números naturales, por una variable con distribución normal. Observación 7 La aproximación de una binomial por una normal no es adecuada para valores en las colas de la distribución binomial. En concreto, para valores fuera de un intervalo np±3 npq. Tampoco es, en general, adecuada la aproximación para valores p < 1 n+1 ó p > n n+1. Si p es próximo a 0.5, con n > 10 la aproximación es satisfactoria. Como consecuencia del teorema de Poisson y del teorema de De Moivre, se puede demostrar que una distribución de Poisson de parámetro λ se puede aproximar por medio de una variable aleatoria N (λ, λ). Generalmente, esta aproximación es satisfactoria si λ > Otras distribuciones continuas. Distribución gamma: La variable aleatoria X tiene una distribución gamma de parámetros α y β(ambos positivos) si su ley de probabilidades es: f(x) = Su función de distribución viene dada por: S X = (0, ) 0 si x 0 β Γ(α) (βx)α 1 e βx si x > 0 r 1 βx (βx)i F (t) = 1 e i! i=0
8 Estadística 67 E(X) = α β V ar(x) = α β 2. En general, esta variable se utiliza para modelizar el tiempo hasta el fallo en distintos componentes. En el caso particular de que α = 1, entonces la distribución gamma es una exponencial de parámetro β. En el caso particular de que α sea un número natural, la variable X es suma de α v. a. independientes con distribución exponencial, de parámetro β Distribución de Weibull. La variable aleatoria X tiene una distribución de Weibull de parámetros α y β (ambos positivos) si su ley de probabilidad es: f(x) = Su función de distribución viene dada por: S X = (0, ) 0 si x 0 [ ( ) α ] α β exp x α β si x > 0 [ ( ) x α ] F (t) = 1 exp β ( ) E(X) = βγ α ( ) ( ) ) 2 V ar(x) = β (Γ α Γ α En general, esta variable se utiliza para modelizar el tiempo hasta el fallo en distintos componentes.
Modelos 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
Modelos 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
Cálculo 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
Distribuciones 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
JUEGO 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
Modelos 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
Algunas 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
Tema 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
Definición 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
Técnicas 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:
Apuntes 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
Curso 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
Pérdida 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
Variables 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
Estadística 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
Variables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Variables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Tema 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
El 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
Procesos 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:
Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Cálculo 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
Probabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Estadística. 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
6.3. 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
Algunas 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
2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
Variables 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
Distribuciones 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
Estadística 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
Momentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Resumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 6: Distribuciones estadísticas teóricas Resumen teórico Resumen teórico de los principales conceptos estadísticos
Esperanza Condicional
Esperanza Condicional Podemos obtener la esperanza de una distribución condicional de la misma manera que para el caso unidimensional: 129 Caso 2 v.a. discretas X e Y: Caso 2 v.a. continuas X e Y: Percentiles
PROBABILIDAD 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
Introducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
TEMA 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
MODELOS 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
Introducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Cálculo 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
Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
ESTADÍSTICA 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.
Muchas 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
Probabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Modelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Algunas 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
Familias 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
VARIABLES 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.
VARIABLES ALEATORIAS CONTINUAS 1º Bto. CC.SS.
VARIABLE ALEATORIA CONTINUA VARIABLES ALEATORIAS CONTINUAS º Bto. CC.SS. Una variable aleatoria es continua si puede tomar, al menos teóricamente, todos los valores comprendidos en un cierto intervalo
Tema 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
Probabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 6 Teoremas ĺımite Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST. Tema
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
TEMA 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
Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del
Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del Límite Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón
Part 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
Selección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Prof. 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
Tema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Cuáles 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
1. Variables Aleatorias Discretas
Tema 4: Variables Aleatorias Modelos de Probabilidad 1. Variables Aleatorias Discretas Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en
8 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
Tema 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
Modelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
Selección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
VARIABLES 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
Funciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Tema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
viii 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.........................................
Sabemos que en un proceso de Poisson la función de probabilidad está dada por:
DISTRIBUCIÓN DE WEIBULL Relación entre la dist eponencial y la dist de Poisson Sabemos que en un proceso de Poisson la función de probabilidad está dada por: e-! ( λt ) λt f X (, λ ) P( X = ) = Queremos
I. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
PROCESO DE BERNOULLI Rosario Romera Febrero 2009
PROCESO DE BERNOULLI Rosario Romera Febrero 2009 1. Sumas de Variables Aleatorias Independientes De nición Se considera el experimento aleatorio consistente en la repetición de juegos binarios independientes.
Algunas Distribuciones EstadísticasTeóricas. Aproximación de la Distribución Binomial por la Distribución de Poisson
Algunas Distribuciones EstadísticasTeóricas Distribución de Bernoulli Distribución de Binomial Distribución de Poisson Aproximación de la Distribución Binomial por la Distribución de Poisson Distribución
Distribuciones 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
9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Unidad 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
Estadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
DISTRIBUCIONES 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
4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
contablemente 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.
Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)
Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos
F (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Estadística y Probabilidad
La universidad Católica de Loja Estadística y Probabilidad ESCUELA DE ELECTRÓNICA Y TELECOMUNICACIONES Paralelo C Nombre: Milner Estalin Cumbicus Jiménez. Docente a Cargo: Ing. Patricio Puchaicela. Ensayo
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Distribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Tema 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
Ejercicios de Simulación
Ejercicios de Simulación Investigación Operativa Ingeniería Informática, UC3M Curso 07/08 1. Escribe un código (por ejemplo en Matlab, Fortran, C,... ) que genere m secuencias de n números Bernoulli con
Tema 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
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
Dónde estamos? MODELOS DE PROBABILIDAD
Dónde estamos? MODELOS DE PROBABILIDAD DESCR. 98 CÁLC. P. Probabilidad INFERENCIA 988 MODELOS DISCRETOS MODELOS CONTINUOS TEOREMA CENTRAL DEL LÍMITE Variables aleatorias Modelos de robabilidad 994 999
Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy
Definición 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
Unidad Temática 3 UT3-1: Variable Aleatoria
Autoevaluación UT3 Unidad Temática 3 UT3-1: Variable Aleatoria Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza.
GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD
GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD Prof. Rosario Martínez Verdú TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD 1. Nociones básicas de teoría de la probabilidad. 2. Variable
Tema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Tema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Generación de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Tema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación