Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
|
|
- María Isabel Montes Correa
- hace 7 años
- Vistas:
Transcripción
1 Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70
2 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles dgtales de búsqueda y Patrca Lstas sp Árboles aleatorzados Técncas Avanzadas de Programacón - Javer Campos 71
3 Espaco probablzable: (S,F) S: conjunto de sucesos elementales F: trbu de sucesos de S (famla de subconjuntos de S que verfca certas propedades) Espaco de probabldad: (S,F,Pr) (S,F): espaco probablzable Pr: probabldad es una funcón de medda no negatva sobre (S,F) tal que Pr{S} = 1 (S se llama suceso seguro) Técncas Avanzadas de Programacón - Javer Campos 72
4 Caso partcular que nos nteresa: S es un conjunto numerable (fnto o nfnto) F = {A AS} (conjunto de las partes de S) Pr es una aplcacón de S en los reales tal que: Pr{ A} 0, para todo Pr{ S} 1 Pr A 1 1 A Pr{ A }, para A j toda A S famla s A Axomas de Kolmogorov j N, Técncas Avanzadas de Programacón - Javer Campos 73
5 Consecuencas: El suceso vacío tene probabldad 0, Pr{) = 0 S A B entonces Pr{A} Pr{B} S A = S A entonces Pr{A} = 1-Pr{A} Pr{AB} = Pr{A}+Pr{B} Pr{AB} Pr{A}+Pr{B} Técncas Avanzadas de Programacón - Javer Campos 74
6 Ejemplo: Probabldad Expermento: lanzar dos monedas smultáneamente Conjunto de sucesos elementales: S = {CC,CX,XC,XX} Ejemplo de suceso (A F): obtener una cara y una cruz es A = {CX,XC} S Pr{CC} = Pr{CX} = Pr{XC} = Pr{XX} = ¼, entonces Pr{ obtener al menos una cara } = Pr{CC,CX,XC} = Pr{CC}+Pr{CX}+Pr{XC} = ¾ O tambén: Pr{ obtener al menos una cara } = 1-Pr{ obtener menos de una cara } = 1-Pr{XX} = ¾ Técncas Avanzadas de Programacón - Javer Campos 75
7 Funcón de probabldad dscreta: Está defnda sobre un conjunto S numerable Para todo A S, Pr{A} = sa Pr{s} Probabldad dscreta unforme: S S es fnto y Pr{s} = 1/ S, para todo ss (el expermento se llama elegr un elemento de S al azar, y el espaco de probabldad se llama clásco ) Ejemplo: lanzar una moneda ( buena ) n veces Sucesos elementales: secuencas de C ó X de longtud n Cada suceso elemental (hay 2 n ) tene probabldad 1/2 n S A = { caras y n- cruces} entonces A n A n, y por tanto Pr{ } 2 n Técncas Avanzadas de Programacón - Javer Campos 76
8 Probabldad contnua unforme: Defnda sobre S = [a,b], ntervalo de los reales, a<b Intutvamente: desearíamos que cada punto del ntervalo tuvese gual probabldad Como el número de puntos es no numerable, s damos a cada punto una probabldad postva es mposble que se satsfaga smultáneamente Pr{ S} 1, y Pr A Pr{ A } 1 1 Técncas Avanzadas de Programacón - Javer Campos 77
9 Probabldad contnua unforme (cont.): Defnmos, para cada ntervalo cerrado [c,d], acdb: Pr{[ c, d]} d c b a En partcular, para cada punto x = [x,x], Pr{x} = 0. Luego, Pr{(c,d)} = Pr{[c,d]}, porque [c,d] = [c,c](c,d) [d,d]. Por tanto, la trbu de sucesos (para los que está defnda Pr) es cualquer subconjunto de [a,b] que puede obtenerse como unón fnta o nfnta numerable de ntervalos abertos y cerrados. Técncas Avanzadas de Programacón - Javer Campos 78
10 Probabldad condconada: Probabldad de un suceso tenendo una nformacón parcal a pror de lo suceddo. Ejemplo: se han trado dos monedas ( buenas ) y sabemos que al menos una de ellas saló cara. Cuál es la probab. de que las dos hayan saldo cara? La nformacón a pror elmna la posbldad de que hayan sdo dos cruces. Los tres sucesos restantes deben ser equprobables, cada uno con probab. 1/3. Como sólo uno de esos sucesos corresponde a dos caras, la respuesta es 1/3. Técncas Avanzadas de Programacón - Javer Campos 79
11 Probabldad condconada (cont.): Defncón: probabldad condconada de A dado B Pr{ A B} Pr{ A B}, Pr{ B} sempre que Pr{ B} 0 En el ejemplo: A = las dos son caras B = al menos una es cara por tanto, Pr{A B} = (1/4)/(3/4) = 1/3 Técncas Avanzadas de Programacón - Javer Campos 80
12 Independenca: Probabldad Dos sucesos A y B son ndependentes s Pr{AB} = Pr{A}Pr{B} S Pr{B} 0, lo anteror es equvalente a Pr{A B} = Pr{A} Los sucesos A 1, A 2,, A n son: Independentes dos a dos s Pr{A A j } = Pr{A }Pr{A j } para todo j. Mutuamente ndependentes s cada subconjunto A 1, A Pr{ A 1 2,, A A 2, con 2 1 A 1 } n 2 y Pr{ A 1 }Pr{ A n, 2 satsface } Pr{ A } Técncas Avanzadas de Programacón - Javer Campos 81
13 Ejemplo de ndependenca dos a dos y mutua: Lanzamos dos monedas ( buenas ) A 1 = la prmera sale cara A 2 = la segunda sale cara A 3 = las dos salen dstntas Entonces: Pr{A 1 } = Pr{A 2 } = Pr{A 3 } = ½ Pr{A 1 A 2 } = Pr{A 1 A 3 } = Pr{A 2 A 3 } = ¼ Pr{A 1 A 2 A 3 } = 0 Como para 1<j 3, Pr{A A j } = Pr{A } Pr{A j } = ¼, los sucesos A 1, A 2 y A 3 son ndependentes dos a dos. Sn embargo, no son mutuamente ndependentes, porque Pr{A 1 A 2 A 3 } = 0 pero Pr{A 1 }Pr{A 2 }Pr{A 3 } = 1/8 0 Técncas Avanzadas de Programacón - Javer Campos 82
14 Teorema de Bayes. S los sucesos A y B tenen probabldad no nula, entonces Pr{ A B} Dem: por defncón de probabldad condconada Pr{AB} = Pr{B}Pr{A B} = Pr{A}Pr{B A}, y despejando Pr{A B} se sgue. Equvalentemente: Pr{ A B} Pr{ A}Pr{ B Pr{ B} A} Pr{ A}Pr{ B A} Pr{ A}Pr{ B A} Pr{ A}Pr{ B A} porque: Pr{ B} Pr{ B A} Pr{ B A} Pr{ A}Pr{ B A} Pr{ A}Pr{ B A} Técncas Avanzadas de Programacón - Javer Campos 83
15 Ejemplo de aplcacón del teorema de Bayes: Tenemos una moneda buena y otra sesgada que sempre cae de cara. Expermento: Elegmos una al azar La lanzamos una vez La lanzamos otra vez S sale cara las dos veces, cuál es la probabldad de que la elegda haya sdo la sesgada? A = la elegda es la sesgada, B = sale cara las dos veces, Pr{A} = ½; Pr{B A} = 1; Pr{A} = ½; Pr{B A} = ¼ luego: Pr{ A B} (1/ 2) 1 (1/ 2) 1 (1/ 2) (1/ 4) 4 / 5 Técncas Avanzadas de Programacón - Javer Campos 84
16 Varable aleatora dscreta (v.a.d.): Es una funcón X de un conjunto numerable (fnto o nfnto) de sucesos elementales S en los reales. Para una v.a.d. X y un real x se defne el suceso X = x como {ss X(s) = x}, por tanto: Pr{X = x} = {ss X(s)=x} Pr{s} Funcón de densdad de probabldad de la v.a.d. X: f(x) = Pr{X = x} Por los axomas de Kolmogorov, f(x) 0 y x f(x) = 1 Técncas Avanzadas de Programacón - Javer Campos 85
17 Ejemplo: expermento de lanzar dos dados 36 sucesos elementales S los dados son legales, la probabldad es unforme y Pr{s} = 1/36, para todo ss Ejemplo de v.a.d.: X = máxmo de los valores obtendos en los dos dados f(3) = Pr{X = 3) = 5/36, porque X asgna el valor 3 a 5 de los 36 sucesos elementales posbles: (1,3), (2,3), (3,3), (3,2) y (3,1) Técncas Avanzadas de Programacón - Javer Campos 86
18 Densdad conjunta: S las v.a.d. X e Y están defndas sobre el msmo espaco de probabldad, la funcón de densdad conjunta es: f(x,y) = Pr{(X = x) (Y = y)} Y se tene que: Pr{Y = y} = x Pr{(X = x) (Y = y)} Pr{X = x} = y Pr{(X = x) (Y = y)} Pr{ X x Y y} Pr{( X x) ( Y Pr{ Y y} y)} Varables ndependentes: X e Y son ndependentes s Pr{(X = x)(y = y)} = Pr{X = x}pr{y = y}, x,y Técncas Avanzadas de Programacón - Javer Campos 87
19 Momentos: Esperanza matemátca (o meda): E[X] = x x Pr{X = x} = x xf(x) Ejemplo: se lanzan dos monedas, se ganan 3 Euros por cada cara y se perden 2 por cada cruz, s X representa la gananca obtenda en una partda, entonces E[X] = 6 Pr{2 caras} + 1 Pr{1 cara y 1 cruz} 4 Pr{2 cruces} = = 6(1/4) + 1(1/2) 4(1/4) = 1 Técncas Avanzadas de Programacón - Javer Campos 88
20 Momentos (cont.): Probabldad Propedades de la esperanza matemátca: E[X+Y] = E[X] + E[Y] Dada X, cualquer funcón g(x) defne una nueva v.a. g(x), y E[g(X)] = x g(x) Pr{X = x} En partcular, s g(x)=ax, con a una constante, E[ax] = ae[x] S X e Y son ndependentes entonces E[XY] = E[X] E[Y] (lo msmo para una famla mutuamente ndependente) S X toma valores en los naturales, entonces E[ X ] Pr{ X 0 Pr{ X 1 } } 0 Pr{ X } Pr{ X 1} Técncas Avanzadas de Programacón - Javer Campos 89
21 Momentos (cont.): Probabldad Varanza: Var[X] = E[(X-E[X]) 2 ] = E[X 2-2XE[X]+E 2 [X]] = = E[X 2 ]-2E[XE[X]]+E 2 [X] = = E[X 2 ]-2E 2 [X]+ E 2 [X] = E[X 2 ]- E 2 [X] Propedades de la varanza: Var[aX] = a 2 Var[X], con a una constante S X e Y son ndependentes, Var[X+Y] = Var[X]+Var[Y] (lo msmo para una famla de ndependentes dos a dos) Desvacón estándar: X = (Var[X]) 1/2 es decr Var[X] = X 2 Técncas Avanzadas de Programacón - Javer Campos 90
22 Dstrbucones de probabldad mportantes: Expermento de Bernoull de parámetro p: X vale 1 cuando ocurre el suceso A ( éxto ), y eso ocurre con probabldad p, y vale 0 en caso contraro ( fracaso ), con probabldad q = 1-p. E[X] = p Var[X] = pq Dstrbucón geométrca de parámetro p: X es el número de expermentos ndependentes de Bernoull hasta que ocurre el suceso A (ncludo este últmo) Pr{X = } = q -1 p, para todo 1 E[X] = 1/p Var[X] = q/p 2 Técncas Avanzadas de Programacón - Javer Campos 91
23 Ejemplo de dstrbucón geométrca: Tramos dos dados repetdamente hasta que la suma de ambos es un 7 o un 11 De los 36 resultados posbles, 6 dan un sete y 2 dan un 11, por tanto la probabldad de éxto es p = 8/36 = 2/9 Luego el número esperado de repetcones hasta obtener un 7 o un 11 (esperanza matemátca de X) es E[X] = 1/p = 9/2 = 4,5 Técncas Avanzadas de Programacón - Javer Campos 92
24 Dstrbucón bnomal de parámetros n y p: X es el número de éxtos en n expermentos ndependentes de Bernoull de parámetro p (y q = 1-p) n n Pr{ X } p q, para todo 0,, n E[X] = np Var[X] = npq Las colas de la dstrbucón bnomal: Pr{ X Pr{ X Pr{ X Pr{ X p n n }, para 0 n n q n }, para 0 q n n p q np }, para } ( n ) p np p n Técncas Avanzadas de Programacón - Javer Campos 93 q n, para 0 np np n
25 Dstrbucón bnomal negatva de parámetros n y p: X es el número de fallos ocurrdos antes del n-ésmo éxto de una sere de expermentos ndependentes de Bernoull de parámetro p E[X] = n(1-p)/p Var[X] = n(1-p)/p 2 Técncas Avanzadas de Programacón - Javer Campos 94
TEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesPara un dado que no está cargado asignamos equiprobabilidad a los valores posibles de la variable aleatoria X:
7. Varables Aleatoras 57 Defnr una varable aleatora en un eermento aleatoro consste en asocar un valor numérco a cada suceso elemental del eermento. Interesa fundamentalmente asgnar robabldades a dchos
Más detallesTEMA 1: INCERTIDUMBRE Y PROBABILIDAD
MÉTODOS ESTDÍSTICOS PR L EMPRES TEM 1: INCERTIDUMBRE Y PROBBILIDD 1.1.- La probabldad. Conceptos y cuantfcacón 1.2.- Defncón axomátca de la probabldad 1.3.- Probabldad condconada e ndependenca 1.4.- Probabldad
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesTEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS
ESTADÍSTICA I TEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS VII.1.- Varable aleatora. Clasfcacón. VII.1.1.- Introduccón. VII.1..- Defncón. VII.1.3.- Clasfcacón. VII..- Caracterzacón de
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesUniversitas Scientiarum ISSN: Pontificia Universidad Javeriana Colombia
Unverstas Scentarum ISS: 0-7483 revstascentfcasjaverana@gmal.com Pontfca Unversdad Javerana Colomba Aranda, Mosés; Molna, Fabo; Moreno, Vladmr EL PROBLEMA DEL CUMPLEAÑOS, UA GEERALIZACIÓ Unverstas Scentarum,
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detalles( ) = ( ) ( ) E X x p. E X Y = E X E Y XY independientes. E X Y E X E Y Cauchy Schwarzt ( ) 2. Pr X a E X a Markov
1 2 Varables aleatoras 2.1 Dscretas 2.1.1 Genércas Esperanza de una v.a. o Valor esperado Propedades de la Esperanza k = ( x ) E X x p EmX+ b = mex + b EK Varanza de una v.a. = K ( + ) = + E X Y E X E
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUCCIÓN A LA PROBABILIDAD José Lus Quntero Expermento aleatoro Expermento Bnomal Teoría de Conjuntos Probabldad Teorema de Bayes Técncas de Conteo Unversdad Central de Venezuela Facultad de Ingenería
Más detallesVariables aleatorias discretas
UNIDAD 5 Varables aleatoras dscretas Objetvos Al fnalzar la undad, el alumno: utlzará el método de puntos muestrales asocado a varables aleatoras dstngurá una varable aleatora dscreta de una varable aleatora
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesNOMBRE Apellido Paterno Apellido Materno Nombre(s) Porcentaje de defectos producidos Máquina Porcentaje de producción
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIONES
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesDistribuciones de Probabilidad PREGUNTAS MÁS FRECUENTES
Repaso de º de Bachllerato Dstrbucones de robabldad REGUNTAS MÁS FRECUENTES. Qué es una funcón dstrbucón de probabldad? Se trata de un reparto del valor, que es la probabldad máxma, entre todos los posbles
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesTema 1: TEORÍA DE LA PROBABILIDAD
Tema : TEORÍ DE L ROLDD Carlos lberola López Lab. rocesado de magen, ETS Telecomuncacón Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lp.tel.uva.es/sar . ara qué estudar esto? Se pretende
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesPyE_ EF1_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesBloque 2 Análisis de circuitos alimentados en corriente continua. Teoría de Circuitos
Bloque Análss de crcutos almentados en corrente contnua Teoría de Crcutos . Métodos sstemátcos de resolucón de crcutos : Método de mallas Métodos sstemátcos de resolucón de crcutos Permten resolver los
Más detallesCAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,
Más detallesVARIABLES Y DISTRIBUCIONES MULTIDIMENSIONALES
VARIABLS DISTRIBUCIONS MULTIDIMNSIONALS VAM Introduccón VAM I a. Sea el epermento consstente en tomar un argentno al azar determnar su estatura, peso, nvel de colesterol en sangre. ste es un ejemplo típco
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesFACULTAD DE INGENIERÍA U N A M
FCULTD DE INGENIERÍ U N M Irene atrca Valdez y lfaro renev@servdor.unam.mx T E M S DEL CURSO 1. nálss Estadístco de datos muestrales. 2. Fundamentos de la Teoría de la probabldad. 3. Varables aleatoras.
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesTema 4. Esperanzas y función característica
CSA. Esperanzas y funcón característca 1 Tema 4. Esperanzas y funcón característca 1. ESPERANZA Y VARIANZA A menudo es nteresante resumr certas propedades de una VA y de su dstrbucón de probabldad en unos
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
Más detalles2 Dos tipos de parámetros estadísticos
Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesVARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández VARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesUnidad 14: DISTRIBUCIONES DE PROBABILIDAD
Undad 4: DISTRIBUCIONES DE PROBABILIDAD 4..- DISTRIBUCIONES ESTADÍSTICAS Gráfcos: dagramas de barras e hstogramas Observa las dos dstrbucones dadas gráfcamente: En un hstograma, las frecuencas correspondentes
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesPropiedades Asintóticas
Capítulo 3 Propedades Asntótcas 3.. Dstrbucones Estaconaras Defncón 3. Sea X n, n, una cadena de Markov con espaco de estados E y matrz de transcón P. Sea π(), E, una dstrbucón de probabldad, es decr,
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detalleslanzamos una moneda y él ganó".
4. Varable aleatora dscreta El msmo Doob eplcaba el orgen del térmno varable aleatora random varable: "Cuando estaba escrbendo m lbro [Stochastc Processes] tuve una dscusón con Wllam Feller. Él aseguraba
Más detallesDEPARTAMENTO DE MATEMÁTICAS
. INTRODUCCIÓN En la socedad de la nformacón en la que vvmos resulta mprescndble dsponer de técncas y conceptos que permtan extraer, de manera fable y senclla, nformacón relevante de dferentes conjuntos
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesUNIDAD Nº 3 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
UNIDAD Nº 3 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD DISTRIBUCION BINOMIAL: Se busca generalmente, determnar la probabldad de que un suceso ocurra un determnado número (n ) de veces en n repetcones de
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesPROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.
ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento
Más detallesGeometría Axiomática de la Convexidad Parte II: Axiomática de Cápsula convexa
Geometría Axomátca de la Convexdad Parte II: Axomátca de Cápsula convexa Juan Carlos Bressan Resumen En la Parte I estudamos una axomátca de segmentos, en la que defnmos los convexos y estudamos sus propedades
Más detallesELECTRÓNICA Y AUTOMATISMOS
ELECTRÓNICA Y AUTOMATISMOS 2º Curso de Instalacones Electromecáncas Mneras Tema 2: Electrónca Analógca Amplfcadores operaconales Profesor: Javer Rbas Bueno Electrónca analógca: Conceptos generales de amplfcacón
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detalles