MODELOS DISCRETOS DE PROBABILIDAD
|
|
- Monica Juárez Rivas
- hace 7 años
- Vistas:
Transcripción
1 MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus
2 Modelo Uniforme Discreto Modelo Uniforme Discreto Sea X una VAD finita, la cual posee n valores específicos x 1,x 2,...,x n, cada valor con una probabilidad de 1/n. Esto es, que su función de probabilidad esta definida por: f(x) = 1 n, x = x 1,x 2,...,x n La media y la varianza de la distribución uniforme discreta: E[X] = 1 n n x i, Var(X) = 1 n n (x i E[X]) 2 i=1 i=1 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 1
3 Modelo Uniforme Discreto Modelo Uniforme Discreto Ejemplo: Si seleccionamos aleatoriamente un foco de una caja que contiene cinco focos, de 40, 60, 75, 100 y 150 watts. Sea X los watts del foco seleccionado, entonces es una variable aleatoria discreta con: f(x) = 1 5, x = 40,60,75,100,150 Representación gráfica con un histograma: f(x) 1/5 1/ X IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 2
4 Bernoulli Bernoulli Definición: En muchas ocasiones, un experimento aleatorio se desarrolla al repetir n veces un ensayo. Dicho ensayo tiene dos resultados que se pueden calificar ya sea como un éxito ó como un fracaso. Ya que las repeticiones son independientes una de la otra, las probabilidades de éxito (p) ó fracaso (q = 1 p) se mantienen constantes. A todo el experimento antes descrito se le denomina Proceso de Bernoulli y a cada repetición se le llama Ensayo de Bernoulli, notación: Bern(p) IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 3
5 Distribución Binomial (n, p) Distribución Binomial (n,p) Definición: Si X denota el número de éxitos en n ensayos de Bernoulli con P(éxito) = p, entonces X es una Variable Aleatoria de Binomial, X Bin(n, p). La distribución de esta variable aleatoria discreta es una Distribución Binomial con parámetros n y p. f(x) = b(x;n,p) = ( ) n p x q n x, x = 0,1,2,...,n x E[X] = np, Var(X) = npq IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 4
6 Distribución Binomial (n = 14, p = 0.35) Distribución Binomial (n = 14, p = 0.35) f(x) f(x) = ( ) 14 p x q 14 x x X IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 5
7 Distribución Binomial Distribución Binomial Ejemplo: Al seleccionar cinco productos terminados al azar de un proceso de ensamble, se inspeccionan y se clasifican como defectuosos y no defectuosos. El hallar un defectuoso se designa como un éxito. La probabilidad de encontrar un defectuoso es del 25%. Encuentre la probabilidad de encontrar exactamente 3 defectuosos. No. de Ensayos = 5; No. de Éxitos = 3 Probabilidad de Éxito = 1/4 b(3;5,1/4) = ( 5 3 )( 1 4 ) 3 ( ) 2 3 = = IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 6
8 Áreas de Aplicación 2 Áreas de Aplicación 1 El ingeniero industrial está muy interesado en la proporción de defectuosos en un proceso industrial. A menudo, las mediciones de control de calidad y los esquemas de muestreo para procesos se basan en la distribución binomial. Ésta se aplica en cualquier situación industrial donde el resultado de un proceso es dicotómico y los resultados del proceso son independientes, y la probabilidad de éxito ó fracaso es importante. 1 Walpone & Myers, Probabilidad y Estadística, p.119 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 7
9 Distribución Geométrica (p) Distribución Geométrica (p) Suponga que consideramos secuencia infinita de ensayos de Bernoulli Bern(p).Sea la variable aleatoria X el número de ensayos hasta que el primer éxito es obtenido. Entonces, X es una Variable Aleatoria Geométrica, X Geom(p). Cuando X = x corresponde a x 1 fracasos y un éxito. La distribución de probabilidad de X es una Distribución Geométrica: f(x) = g(x;p) = pq x 1, x = 1,2,3,... E[X] = 1 p, 1 p Var(X) = p 2 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 8
10 Distribución Geométrica (p = 0.4) Distribución Geométrica (p = 0.4) f(x) f(x) = (0.4)(0.6) x X IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 9
11 La Distribución Geométrica no tiene memoria! La Distribución Geométrica no tiene memoria! Suponga que Z Geom(p). Entonces para los números enteros s y t, tenemos: P(Z > s + t Z > s) = P(Z > t) Por qué de esta propiedad de no tener memoria? Si un evento no ha ocurrido para el tiempo s, la probabilidad de que este ocurrirá después de un tiempo adicional t es la misma la probabilidad (a priori) que este ocurrirá después de tiempo t. Estos es que olvidó lo que hizo en el tiempo pasado s. IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 10
12 Distribución Geométrica Distribución Geométrica Ejemplo: En un proceso de fabricación, se sabe que, en promedio, uno de cada 50 artículos está defectuoso. Cuál es la probabilidad de que el cuarto artículo que se inspecciona sea el primer artículo defectuoso que se encuentra? Si usamos la distribución geométrica con x = 4 y p = 1/50. g(4;1/50) = ( )( ) = ( ) IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 11
13 Aplicaciones de la Distribución Geométrica 4 Aplicaciones de la Distribución Geométrica 3 Situaciones en que los ingenieros ó administradores intentan determinar cuán ineficiente es un sistema durante el periodo de tiempo utilizado. Claramente, las pruebas se realizarían antes de que estas representen un costo. Si hay una alta probabilidad de que el sistema falle, entonces se deben hacer planes para rediseñar el sistema. 3 Walpone & Myers, Probabilidad y Estadística, p.135 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 12
14 Distribución Binomial Negativa (p) o Distribución Pascal Distribución Binomial Negativa (p) o Distribución Pascal Suponga que consideramos secuencia infinita de ensayos de Bernoulli Bern(p). Sea la variable aleatoria X el número de ensayos hasta obtener el k ésimo éxito. Entonces, X es una Variable Aleatoria Binomial Negativa, X NegBin(k,p). La distribución de probabilidad de X es una Distribución Binomial Negativa: f(x) = b (x;k,p) = ( x 1 k 1) p k q x k, x = k,k + 1,k + 2,... E[X] = k p, k(1 p) Var(X) = p 2 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 13
15 Distribución Binomial Negativa (k = 3, p = 0.35) Distribución Binomial Negativa (k = 3, p = 0.35) f(x) f(x) = ( ) x 1 2 p 3 q x X IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 14
16 Distribución Binomial Negativa Distribución Binomial Negativa Ejemplo: Encuentre la probabilidad de que una persona que lanza tres monedas obtenga solo águilas ó solo soles por segunda vez en el quinto lanzamiento. x = 5, k = 2, p = 1 4 b (5;2,1/4) = ( 4 1 ) ( 1 4 ) 2 ( ) 3 3 = 4! 4 1!3! = IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 15
17 Aplicaciones de la Distribución Binomial Negativa 6 Aplicaciones de la Distribución Binomial Negativa 5 Las aplicaciones son muy similares en naturaleza a las de la distribución geométrica. Los intentos son costos en algún sentido y ocurren en sucesión. Una alta probabilidad de que se requiera un número grande de intentos para experimentar un número fijo de éxitos no es benéfica para el ingeniero. 5 Walpone & Myers, Probabilidad y Estadística, p.135 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 16
18 Distribución Hipergeométrica Distribución Hipergeométrica La recuerdan? Esta vez, la variable aleatoria hipergeométrica X representa el número de éxitos de una muestra aleatoria de tamaño n que se selecciona de N artículos, de los que k se denominan éxitos y N k fracasos. f(x) = E[X] = nk N, ( )( ) k N k x n x ( ) N, x = 0,1,2,...,n n Var(X) = N n N 1 n k N ( 1 k ) N IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 17
19 Distribución Hipergeométrica (N = 50, n = 12, k = 20) Distribución Hipergeométrica (N = 50, n = 12, k = 20) f(x) 0.26 ( )( ) f(x) = x ( 12 ) x X IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 18
20 Distribución Hipergeométrica Distribución Hipergeométrica Ejemplo 7 : Lotes de 50 componentes cada uno se denomina aceptable si no contiene más de tres de defectuosos. El procedimiento para muestrear el lote es la selección de 6 componentes al azar y rechazar todo el lote si se encuentra algún componente defectuoso. Cuál es la probabilidad de que se encuentre exactamente un defectuoso en la muestra si hay tres defectuosos en todo el lote? 7 Walpone & Myers, Probabilidad y Estadística, p.127 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 19
21 Relación entre la Hipergeométrica y la Binomial Relación entre la Hipergeométrica y la Binomial Cuando n es pequeño comparado con N, la naturaleza de los N artículos cambia muy poco, esto es N n N. De esta forma, la cantidad k/n se aproxima a ser constante y juega el mismo papel que el parámetro binomial p. Así, la distribución binomial se puede ver como una versión de población grande de las distribuciones hipergeométricas. µ = np = nk N, σ2 = npq = n k N ( 1 k ) N IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 20
22 Proceso de Poisson Proceso de Poisson Sea N(t) un proceso de conteo. Esto es, N(t) es el número de ocurrencias (ó arribos, ó eventos) de algún proceso sobre el intervalo de tiempo [0,t]. Sea λ > 0 el número promedio de ocurrencias por unidad de tiempo (ó longitud ó volumen). IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 21
23 Proceso de Poisson Proceso de Poisson Un Proceso de Poisson es un proceso de conteo particular, que cumple con lo siguiente: (1) El número de resultados en dos intervalos mutuamente excluyentes, son independientes. Por lo que el proceso Poisson no tiene memoria. (2) Los resultados ocurren uno a la vez y a un ritmo de λ/unidad de tiempo y este no cambia con el tiempo. (3) La probabilidad de que ocurra un solo resultado durante un intervalo muy pequeño es proporcional a la longitud del intervalo y no depende de el número de resultados que suceden fuera de este. IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 22
24 Distribución de Poisson Distribución de Poisson Sea X el número de resultados en un proceso Poisson(λ) en una unidad del intervalo de tiempo. Entonces X tiene una Distribución de Poisson con parámetro λ. Notación: X Pois(λ). p(x;λ) = e λ λ x, x = 0,1,2,..., λ > 0 x! E[X] = Var(X) = λ IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 23
25 Distribución Poisson (λ = 4.0) Distribución Poisson (λ = 4.0) f(x) f(x) = e 4 4 x x! X IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 24
26 Distribución de Poisson Distribución de Poisson Nota: El valor de λ puede ser cambiado simplemente al cambiar las unidades de tiempo. Ejemplo: X = # de llegadas en 1 minuto. X Pois(3) Y = # de llegadas en 5 minutos. Y Pois(15) Z = # de llegadas en 10 segundos. Z Pois(0.5) IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 25
27 Distribución de Poisson Distribución de Poisson Ejemplo: El número de arribos a las instalaciones de servicio, siguen una distribución Poisson con media de 3 arribos/hr. Cuál es la probabilidad de que arriben menos 4 durante un periodo de 40 minutos? Sea X el número arribos en 40 minutos. Entonces X Pois(2). E[X] = Var(X) = 2 P(X 3) = 3 x=0 p(x;2) = 3 x=0 e 2 2 x x! IPN UPIICSA c 2004 Juan C. Gutiérrez Matus 26
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
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 detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más 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 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 detallesDistribuciones Dis de probabilidad pr discretas Jhon Jairo Jair Pa P dilla a A., PhD. PhD
Distribuciones de probabilidad discretas Jhon Jairo Padilla A., PhD. Introducción A menudo, las observaciones de diferentes experimentos aleatorios tienen el mismo tipo general de comportamiento. Las v.a.
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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesJuan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES
Juan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES BIBLIOGRAFÍA Walpole, Ronal E., Myres, Raymond H., Myres, Sharon L.: Probabilidad y Estadística para Ingenieros. McGraw Hill-Interamericana. Canavos
Más detallesDistribución de Probabilidad
Distribución de Probabilidad Variables discretas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Modelos probabilísticos Un modelo es una
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 detallescontablemente infinito.
III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más 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 detallesJuan José Hernández Ocaña
En la mayoría de los casos el muestreo se realiza sin reemplazo, por lo tanto si el tamaño de la población es reducido, la probabilidad de cada observación cambiará Como la probabilidad de éxito no es
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 detallesVARIABLES ALEATORIAS Variable: Característica de los individuos u objetos
1 Definiciones VARIABLES ALEATORIAS Variable: Característica de los individuos u objetos Aleatoria: Azar 1. Una variable aleatoria ( v.a.) es una función que asigna un número real a cada resultado en el
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEl primer momento centrado en el origen (k=1) es la esperanza matemática de X
MOMENTO K-ÉSIMO PARA UNA VARIABLE ALEATORIA DISCRETA RESPECTO DEL ORIGEN E(x) n i 1 k x i.p x i El primer momento centrado en el origen (k=1) es la esperanza matemática de X También se definen momentos
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesTema 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 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 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 detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
Más 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 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 detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
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 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 detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad de: Binomial, Hipergeometrica y Poisson
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 detallesBiometría. Distribuciones de probabilidad para variables aleatorias discretas (Binomial, Hipergeométrica y Poisson)
Biometría Distribuciones de probabilidad para variables aleatorias discretas (Binomial, Hipergeométrica y Poisson) Variable aleatoria El resultado de un experimento aleatorio puede ser descripto en ocasiones
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2017 Agenda 1 Concepto de probabilidad
Más detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
Más detallesTema 5: Modelos probabilísticos
Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad Distribución Binomial La distribución binomial es una de las distribuciones utilizadas más ampliamente en estadística aplicada. La distribución se deriva del procedimiento
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
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 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 detallesUn experimento binomial posee las siguientes características: 1. El experimento consiste de n ensayos repetidos.
Experimento Binomial Experimento que consiste en ensayos independientes repetidos, cada uno con dos posibles resultados que se denominan éxito y fracaso, donde la probabilidad de éxito es la misma en cada
Más detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
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 detallesVariables aleatorias discretas
Variables aleatorias discretas Considere el espacio de probabilidad Ω, F, P) y la función X : Ω R. La imagen de Ω bajo X se define como sigue ImgX) = x R ω Ω : Xω) = x}. Si ImgX) es un conjunto contable,
Más detallesESTADÍSTICA I. Unidad 4: Resumen de Contenidos Teóricos 1. Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS
ESTADÍSTICA I Unidad 4: Resumen de Contenidos Teóricos Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS. VARIABLES ALEATORIAS DISCRETAS. Distribución Binomial Definición previa: Prueba
Más detallesCuando la distribución viene dada por una tabla: 2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
1. DISTRIBUCIONES ESTADÍSTICAS. El siguiente grafico corresponde a una distribución de frecuencias de variable cuantitativa y discreta pues solo puede tomar valores aislados (0, 1, 2, 3, 10). Se trata
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 3
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 3 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesPrincipales leyes de distribución de variables aleatorias
Capítulo 6 Principales leyes de distribución de variables aleatorias 6.1. Introducción Como complemento al capítulo anterior en el que definimos todos los conceptos relativos a variables aleatorias, describimos
Más detallesClase 6: Algunas Distribuciones de Probabilidad Discreta
Clase 6: Algunas Distribuciones de Probabilidad Discreta Distribución Uniforme discreta La más simple de todas las distribuciones de probabilidad discreta es una donde la v.a. toma cada uno de sus valores
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #3 Tema: Distribución Discreta Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Definir la función de probabilidad
Más detallesDistribuciones Discretas
Capítulo 4 Distribuciones Discretas 4.1. Distribución Bernoulli Un experimento Bernoulli es un experimento aleatorio, cuyos resultados pueden clasificarse de dos maneras mutuamente excluyentes y exhaustivas,
Más detallesUnidad Temática 1: Unidad 3 Distribución de Probabilidad Tema 9
Unidad Temática 1: Unidad 3 Distribución de Probabilidad Tema 9 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
Más detallesDistribuciones de Probabilidad Discretas
Distribuciones de Probabilidad Discretas Algunos experimentos a pesar de ser realizados con objetos totalmente diferentes, tienen en esencia las mismas características; por ejemplo, de la misma forma que
Más detallesEsperanza 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
Más detallesCAPÍTULO 5 DISTRIBUCIONES TEÓRICAS
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS Hugo Grisales Romero Profesor titular CONCEPTOS BÁSICOS Experimento: Variable aleatoria: Clasificación: Proceso por medio del cual una medición se obtiene. Aquella que
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más 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 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 detallesFolleto de Estadísticas. Teoría del 1er Parcial
Folleto de Estadísticas Teoría del 1er Parcial 2012 Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún tipo de investigación o medida. Unidades de investigación:
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 detallesVariables aleatorias
Análisis de datos y gestión veterinaria Variables aleatorias discretas y distribuciones Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 3 de Noviembre de 2011
Más detallesAlgunas 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
Más detallesReporte de práctica. Materia: Procesos Estócasticos. Facilitador: Ing. Pedro Martín García Vite. Integrantes: Armendáriz Flores Adrián
Reporte de práctica Materia: Procesos Estócasticos Facilitador: Ing. Pedro Martín García Vite Integrantes: Armendáriz Flores Adrián Cruz Hernández Emmanuel González Manuel Ana Silvia Tema: Gráficas 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 detallesNotas de clase. Prof. Nora Arnesi
Notas de clase Este material está sujeto a correcciones, comentarios y demostraciones adicionales durante el dictado de las clases, no se recomienda su uso a aquellos alumnos que no concurran a las mismas
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesApellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva:
Cátedra: Probabilidad y Estadística Apellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva: Atención! Para aprobar el examen se debe alcanzar
Más detallesEstadística Modelos probabilísticos discretos
Estadística Modelos probabilísticos discretos MODELOS ALEATORIOS Al considerar variables aleatorias distintas caemos en la cuenta de que sus comportamientos respecto a la distribución de probabilidad,
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesN O S I N T E R E S A S A B E R E L N Ú M E R O D E É X I T O S Q U E S U C E D E N E N N I N T E N T O S J U A N J O S É H E R N Á N D E Z O C A Ñ A
N O S I N T E R E S A S A B E R E L N Ú M E R O D E É X I T O S Q U E S U C E D E N E N N I N T E N T O S J U A N J O S É H E R N Á N D E Z O C A Ñ A DISTRIBUCIÓN DE PROBABILIDAD Consiste en todos los
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 detallesLa Probabilidad propone modelos para los fenómenos aleatorios, es decir, los que se pueden predecir con certeza, y estudia sus consecuencias lógicas.
La Probabilidad propone modelos para los fenómenos aleatorios, es decir, los que se pueden predecir con certeza, y estudia sus consecuencias lógicas. Dado un experimento y cualquier evento A: La expresion
Más detallesAnálisis 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
Más detallesLa distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:
Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara
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 detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más detallesDISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña
DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL Variable discreta.- Es aquella que casi siempre asume solamente un conjunto
Más 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 detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Introducción Inferencia estadística: Parte de la estadística que estudia grandes colectivos
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 4 Distribución de Probabilidades Distribución de Probabilidades Distribución de Probabilidades Variables Aleatorias: Discreta y Continua Función Densidad
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos
Más detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesVariables Aleatorias Discretas
Unicatólica 15 de agosto de 2016 Variables aleatorias Se dice que hemos definido una variable aleatoria para un experimento aleatorio cuando hemos asociado un valor numérico a cada resultado del experimento.
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesFunciones 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
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 detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 4 Distribución de Probabilidades Distribución de Probabilidades Distribución de Probabilidades Variables Aleatorias: Discreta y Continua Función Densidad
Más detallesDISTRIBUCIONES DE PROBABILIDAD. es una representación gráfica que permite visualizar un experimento de pasos múltiples.
es una representación gráfica que permite visualizar un experimento de pasos múltiples. Considere un experimento que consiste en lanzar dos monedas. Defina los resultados experimentales en términos de
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detalles