Bioestadística Probabilidad 1. La población es el conjunto de elementos en los que se desea investigar la ocurrencia de una característica
|
|
- Francisco Rojas Villanueva
- hace 7 años
- Vistas:
Transcripción
1 Bioestadística Probabilidad 1 Probabilidad Introducción a la probabilidad La población es el conjunto de elementos en los que se desea investigar la ocurrencia de una característica o propiedad. Son experimentos aleatorios: Lanzamiento de un dado y apuntar el resultad. Número de perros que visitan el Hospital al día. Número de gatos infectados en una granja. Por ejemplo analizar la velocidad con la que la moneda cae al suelo no es un experimento aleatorio. Un suceso aleatorio es cada uno de los posibles resultados de un experimento aleatorio. Que salga 3 al lanzar un dado, es un suceso aleatorio. Que salga par es otro suceso aleatorio. El Espacio Muestral es el conjunto de todos los sucesos aleatorios. La probabilidad es una medida de la incertidumbre de un suceso aleatorio. Se vacunan 12 perros contra la rabia, y queremos analizar cuántos perros podrían tener una reacción a dicha vacuna. La población es el conjunto de los 12 perros. El experimento aleatorio el proceso de vacunar a dichos perros y analizar su reacción. Un suceso aleatorio es que haya 3 perros con reacción, otro por ejemplo es que no haya ningún perro con reacción. El espacio muestral es {0,1,2,3,4,5,6,7,8,9,10,11,12}. Objetivo: una medida que nos de la posibilidad de que ocurra alguno de estos sucesos. Definición de probabilidad Definición Clásica En una población con N elementos, queremos analizar los que tienen una característica A. Entonces la probabilidad de la característica A (o bien, probabilidad de que ocurra A) es: p(a) = casos favorables a A casos posibles en total. Definición Frecuentista : La probabilidad de que ocurra A es la frecuencia relativa de los elementos con la característica A. Definición Axiomática : La probabilidad es una medida de la incertidumbre de los sucesos, y tiene las siguientes propiedades: 1. La probabilidad (frecuencia relativa) de un suceso es un valor entre 0 y 1 0 p(a) La probabilidad (frecuencia relativa) del suceso seguro E, que ocurre siempre, es 1 p(e) = Si A y B son características mutuamente excluyentes (no pueden darse a la vez), la probabilidad de que ocurra o bien A, o bien B es la probabilidad de la suma de A y B y se verifica (es la unión de dos sucesos, que llamaremos suma): p(a + B) = p(a) + p(b).
2 Bioestadística Probabilidad 2 4. AB representa la intersección de los sucesos A y B (que ocurran a la vez). Si A y B son cualesquiera (no mutuamente excluyentes), se tiene p(a + B) = p(a) + p(b) p(ab). 5. Si A C es la característica contraria a A (se dice suceso complementario), se tiene p(a C ) = 1 p(a). Analizamos el experimento de lanzar un dado. Calculamos algunas probabilidades: Probabilidad de que salga el número 2: p(2) = 1/6. Probabilidad de que salga un número par: p(par) = 1/2. Probabilidad de que salgan 2 ó 3: p(2 + 3) = 1/3. Probabilidad de que salga un número de 1 a 6: p( ) = 1. Probabilidad que salga el contrario a 4: p(4 C ) = 5/6. Estimación de probabilidades en la práctica No tiene sentido hablar de probabilidades sin definir previamente la población a la que nos referimos y los sucesos que vamos a considerar. Estas probabilidades se determinan: 1. Estudiando la frecuencia relativa al repetir el experimento en las mismas condiciones. 2. Encontrando, a partir de la naturaleza del experimento, relaciones que liguen a sus probabilidades elementales. Como por ejemplo en el caso de equiprobabilidad. 3. Combinando la experimentación con la teoría sobre la naturaleza del experimento. Este es el método más frecuente en la práctica, y consiste en la utilización de los modelos de distribución de probabilidad más importantes. (equiprobabilidad) En un hospital se estudian 40 perros con parvovirosis canina. De los cuales 25 presentan anorexia. Cuál es la probabilidad de que un perro presente anorexia? 25/40, un 62.5 % Cuál es la probabilidad de que un perro no presente anorexia? 1 25/40, un 37.5 %. Definición de variable aleatoria Una variable aleatoria es una variable matemática (X) cuyos valores son los resultados de un experimento aleatorio, y por tanto vienen determinados por el azar. Los valores que toma una variable aleatoria son numéricos: Si el resultado del experimento es numérico, por ejemplo, el peso de un gato, la variable aleatoria peso tomará los valores que coinciden con el experimento (es decir, el peso). Si el resultado del experimento no es numérico, por ejemplo, lanzar una moneda, entonces se asignan valores numéricos: 0, si sale cara, y 1, si sale cruz. El conjunto de todos los valores de una variable aleatoria con sus probabilidades constituye un modelo de distribución de probabilidad. Veremos que las variables aleatorias pueden ser discretas, si toman valores discretos (0,1,2,...) y continuas, si toman valores en un intervalo real.
3 Bioestadística Probabilidad 3 Características que resumen una variable aleatoria 1. Medidas de centralización. Media µ o valor esperado de la variable aleatoria, que se obtiene promediando todos los valores con su probabilidad. Mediana, Me, que es el valor que divide la probabilidad total en dos partes iguales. Deja el 50 % a cada lado. Moda, que es el valor más probable. 2. Medida de dispersión. La varianza σ 2, y la desviación típica σ, que miden la dispersión con respecto a la media. 3. Percentiles. El percentil p de una variable aleatoria es el valor de X que deja el p % por debajo de él ( ) y el (100 p) % por encima. La Mediana es el percentil 50. Los cuartiles 1, 2 y 3, son los percentiles 25, 50, 75. Por ejemplo, el percentil 64 si hablamos de peso, indica que el 64 % de la población tiene un peso inferior o igual a éste valor, y el 36 % un peso superior. Variable aleatoria discreta Una variable aleatoria es discreta cuando toma un conjunto de valores discretos (0,1,2,...). Puede ser finita o infinita: - Número de perros infectados en un conjunto de N perros: X = {0, 1, 2, 3,...N}. Es finita. - Número de pequeños animales que visitan en un día al hospital: X = {0, 1, 2, 3, 4,...}. Es infinita. Función de probabilidad La función de probabilidad nos da la probabilidad de todos los posibles valores de la variable aleatoria. Como es una variable discreta, podemos calcular la probabilidad de cada valor puntual posible de la variable aleatoria. Son probabilidades puntuales o masas. p(x = x i ). Nota: La suma de todas las probabilidades tiene que ser 1. Distribución acumulativa La función de distribución acumulativa es importante. Nos da la probabilidad de que la variable aleatoria tome un valor menor o igual que uno dado. F (x 0 ) = P (X x 0 ). Nota: La distribución acumulativa en el último valor (el mayor). tiene que ser 1 Analizar la distribución de probabilidad de la variable aleatoria que describe los posibles resultados obtenidos al lanzar una moneda. X={resultados de lanzar una moneda}={salir cara, salir cruz}={0,1} Espacio Muestral Función de probabilidad: p(x = 0) = 1/2, p(x = 1) = 1/2. Función de distribución acumulativa: F (0) = p(x 0) = 1/2, F (1) = p(x 1) = 1.
4 Bioestadística Probabilidad 4 Distribución Binomial B(n, p) Condiciones Realizamos un número finito de ensayos para analizar una propiedad dicotómica (infectado-no infectado, sano-enfermo,...) n es el número de ensayos independientes p es la probabilidad de éxito en cada ensayo Diremos que X es una variable aleatoria con distribución Binomial B(n, p) si X representa el número de éxitos en los n ensayos. s: número de infectados, número de piezas defectuosas,... - Valores que puede tomar la variable X. Lógicamente, el número de éxitos en n ensayos estará en el conjunto: X = {0, 1, 2, 3,..., n}. - Función de probabilidad La probabilidad de tener m éxitos en n ensayos es: p(x = m) = n! m!(n m)! pm (1 p) n m. Nota: La suma de todas las probabilidades tiene que ser 1. - Distribución acumulativa La probabilidad de tener hasta m éxitos en n ensayos es: p(x m) = m k=0 n! k!(n k)! pk (1 p) n k = p(0) + p(1) + + p(m). Nota: La distribución acumulativa en n (probabilidad de tener hasta n éxitos) será 1. - Características La media y desviación para esta variable aleatoria son: µ = np, σ = np(1 p). Sabemos que la probabilidad de que un perro muera a causa de cierta vacuna contra la rabia es de Si administramos la vacuna a 5 perros, cuál es la probabilidad de que no muera ninguno?, cuál es la probabilidad de que no mueran más de 2? Se define la variable X= número de perros que fallecen por la vacuna = B(5, 0.02). Probabilidad de que no muera ninguno es p(x = 0) = 5! 0!5! p0 (1 0.02) 5 = 0.94 Probabilidad de que no mueran más de 2 es p(x 2) = p(0) + p(1) + p(2) = Distribución de Poisson P(λ) Condiciones: Una serie de ocurrencias (eventos) independientes. λ es el número promedio de ocurrencias por unidad de tiempo o de espacio.
5 Bioestadística Probabilidad 5 Diremos que X es una variable aleatoria con distribución Poisson P (λ) si X representa el número de eventos independientes que ocurren de forma constante por unidad de tiempo o espacio. s: número de bacterias en un cultivo, número de visitas al hospital, número de ventas en una terminal,... - Valores que puede tomar la variable X Lógicamente, el número de eventos independientes que ocurren de forma constante por unidad de tiempo o espacio puede llegar a ser infinito X = {0, 1, 2, 3, 4,...}. - Función de probabilidad La probabilidad de que ocurran m eventos independientes de forma constante en tiempo o espacio es λ λm p(x = m) = e m!. Nota: La suma de todas las probabilidades tiene que ser 1. - Distribución acumulativa La probabilidad de que ocurran hasta m eventos independientes de forma constante en tiempo o espacio es: m λ λk p(x m) = e = p(0) + p(1) + + p(m). k! k=0 Nota: La distribución acumulativa en será 1. - Características La media y desviación para esta variable aleatoria son: µ = σ = λ. El promedio de visitas por hora al hospital es de 1.4 Cuál es la probabilidad de no haya ninguna visita a la hora?, y de que haya más de 2 visitas? Se define la variable X = número de visitas por hora =P(1.4). Probabilidad de que no haya ninguna visita: Probabilidad de que haya más de dos visitas: Variable aleatoria continua P (0) = e = ! P (X 2) = p(0) + p(1) + p(2) = 2 k= k e k! = Una variable aleatoria es continua cuando puede tomar cualquier valor en un intervalo El peso de un animal es continua. El tiempo de duración de un anestésico es continua. Es importante entender que no es posible conocer el valor exacto de una variable continua, ya que medir su valor supone leerlo dentro de un intervalo. Así medir una estatura de 1.72cm no es exacto, sino que observaremos que está en el intervalo (1.71, 1.73). Este principio caracteriza a las variables aleatorias continuas. Y da lugar a la definición de función de densidad.
6 Bioestadística Probabilidad 6 Función de densidad Es una función positiva f(x) 0, y no nos da la probabilidad, como en el caso discreto, sino un medio para obtener probabilidades. Las probabilidades se obtienen a través de integrales de la función de densidad (el área bajo la curva): p(x 0 X x 1 ) = área bajo la curva densidad entre x 0 y x 1 = x1 x 0 f(x)dx. Nota: el área total bajo la curva densidad tiene que ser 1 (es la probabilidad total). Nota: la probabilidad de un valor puntual será 0 (no hay área) Función de distribución acumulativa Nos da la probabilidad de que la variable aleatoria tome un valor menor o igual que uno dado. F (x 0 ) = P (X x 0 ) = área que deja a la izquierda dex 0 bajo la curva densidad = Nota: La distribución acumulativa en el último valor ( ) tiene que ser 1. x0 f(x)dx. Supongamos f(x) la función de densidad que describe el peso de recién nacidos. La probabilidad de que el peso esté entre 2.5kg y 3kg nos la da: p(2.5 X 3) = F (3) F (2.5) = Y la probabilidad de tener un peso superior a 4kg: Distribución Normal N (µ, σ) p(x 4) = 1 p(x 4) = 1 F (4) = f(x)dx. 4 f(x)dx. El la más importante de las variables aleatorias continuas. No sólo porque representa la mayoría de las distribuciones de variables físicas, sino porque es la piedra angular en la inferencia estadística. s: peso, volumen, tamaño. - La variable X toma valores en intervalos reales. - Función de densidad Ahora no tenemos probabilidades puntuales, sino densidad dada por: - Función de distribución A través de la que calcularemos probabilidades: f(x) = 1 σ 2π e (x µ) 2 2σ 2. p(x a)=área bajo la curva densidad a la izda de a= a f(x)dx. p(a X b)=área bajo la curva densidad entre los puntos a y b= b a f(x)dx. p(x b)=área bajo la curva densidad a la drcha de b= f(x)dx. b
7 Bioestadística Probabilidad 7 - Características La distribución es perfectamente simétrica, centrada en la media µ, que coincide con la mediana y la moda. Su desviación es µ y tiene puntos de inflexión en µ ± σ. Se verifica que el 95.5 % de la distribución se encuentra entre µ 2σ y µ + 2σ. El 99.7 % de la distribución se encuentra entre y µ 3σ y µ + 3σ. - Distribución Normal Estándar Z N (0, 1) Es la distribución normal con media 0 y desviación 1. Toda distribución normal puede transformarse en una estándar, a través de la siguiente transformación: Z = X µ. σ Donde X es una distribución N (µ, σ), y Z es una distribución N (0, 1). Supongamos que la talla (cm) de una población de arenques, sigue una distribución normaln (21.5, 6.5). Expresar la probabilidad de que un individuo de la población sobrepase los 25cm. Y que su talla esté comprendida entre 15 y 30cm. Realizar la transformación también a una normal estándar. p(x 25) = 1 p(x 25) = F (25) = p(z 0.538) = 1 p(z 0.538) = F Z (0.538). p(15 X 30) = F (30) F (15) = p( 1 Z 1.3) = F Z (1.3) F Z ( 1). Relación entre las distribuciones Normal, Binomial y Poisson Analicemos tres relaciones interesantes: 1. Binomial-Poisson Para valores grandes de n y pequeños de la probabilidad p, la distribución binomial B(n, p) se puede aproximar por una poisson P(λ), de la siguiente forma: B(n, p) = P(λ = np). En la práctica, esta aproximación es buena cuando np > 1 y p < Binomial-Normal Para valores grandes de n y con la probabilidad p no muy cercana a 0 ó a 1, la distribución binomial B(n, p) se puede aproximar por una normal N (µ, σ) como sigue: B(n, p) = N (np, np(1 p)). En la práctica, esta aproximación se utiliza para np(1 p) > Poisson-Normal Para valores grandes de λ la distribución poisson P(λ) se puede aproximar por una normal N (µ, σ): P(λ) = N (λ, λ). En la práctica, la aproximación es buena cuando λ > 5.
8 Bioestadística Probabilidad 8 Supongamos que la probabilidad de que una persona desarrolle la gripe a causa de cierta vacuna contra esta enfermedad es de Si administramos esta vacuna a 300 personas, cuál es la probabilidad de que no desarrollen la enfermedad más de 4 personas? En este caso la variable que describe el número de personas que desarrollan la enfermedad, es una distribución binomial B(300, 0.01). Como 300*0.01=3>1 podemos aproximar por una distribución poisson P(3). Vamos a comparar resultados: p(x 4) = p(0) + p(1) + p(2) + p(3) + p(4) = Otras distribuciones continuas 4 k=0 p(x 4) = p(0) + p(1) + p(2) + p(3) + p(4) = 300! k!(300 k)! 0.01k (1 0.01) 300 k = k=0 e 3 3k k! = Hay una serie de variables aleatorias continuas, que tienen importancia a la hora de hacer inferencia estadística. Estas, son funciones de distribuciones normales estandarizadas: Distribución Chi Cuadrado La distribución chi-cuadrado χ 2 n con n grados de libertad es la suma de n normales estándar al cuadrado: χ 2 n = Z Z 2 n. Es una distribución asimétrica con media µ = n, y varianza σ 2 = 2n. Esta distribución es adecuada en test no paramétricos. Distribución F de Fisher La distribución F de Fisher con n y m grados de libertad es el cociente de dos chi-cuadrado: F n,m = χ 2 n n χ 2 m m. Esta distribución es adecuada para realizar inferencias sobre la varianza. Distribución t de Student La distribución t de Student con n grados de libertad es el cociente de una normal estándar y una chi-cuadrado: t n = Z. χ 2 n n Esta distribución es adecuada en comparación de medias. Se aproxima a la normal estándar para valores grandes de n.
9 Bioestadística Probabilidad 9 Probabilidad condicional Nuevo espacio de probabilidades Supongamos que nos interesa analizar la ocurrencia de sucesos, pero bajo la condición de que ocurre (necesariamente) un suceso dado B, con probabilidad positiva. Definimos un nuevo espacio de probabilidades, en el cuál se consideran únicamente los casos en los que ocurre el suceso B. Probabilidad de un suceso A condicionada a otro B: p(a B) = p(ab) p(b) Las tablas de contingencia, son útiles para el cálculo de probabilidades condicionales. En éstas se representan las observaciones para características cruzadas: se cumple A no se cumple A se cumple B x1 x2 total B no se cumple B x3 x4 total no B De este modo, tenemos las siguientes probabilidades: p(a) = total A total total A total no A total, p(b) = total B, p(a B) = total x1 x1 total p(b), p(b A) = total p(a). En la elaboración de 1800 jamones, se han utilizado 800 piezas con grasa y 1000 con poca grasa. Además, de los 1100 jamones con calificación de óptimo, 500 de ellos tienen poca grasa. grasa no grasa óptimo no óptimo Cuál es la probabilidad de que un jamón esté elaborado con poca grasa? = , 55 %. 2. Cuál es la probabilidad de que un jamón elaborado con grasa sea calificado de óptimo? = 0.75, 75 %. 3. Cuál es la probabilidad de que un jamón sea óptimo y con grasa? = 0.333, 33 %. Independencia de sucesos Es un concepto muy importante. Dos sucesos van a ser independientes, cuando la ocurrencia de uno no está ligada en absoluto a la ocurrencia del otro. Por tanto, A y B serán independientes si la probabilidad condicionada es la misma que sin condicionar: p(a B) = p(ab) p(b) = p(a), p(b A) = p(ba) p(a) = p(b) De las igualdades anteriores se deduce un cálculo de probabilidad muy importante. Si A y B son sucesos independientes, entonces p(ab) = p(a)p(b) = p(ba) Pero mucho cuidado con esto!, la probabilidad conjunta es el producto de probabilidades si tenemos la seguridad de que son sucesos independientes.
10 Bioestadística Probabilidad 10 Siguiendo con el ejemplo de los jamones anterior, nos preguntamos si son independientes los sucesos tener calificación de óptimo y tener grasa. Si son independientes, la probabilidad de tener calificación de óptimo será la misma, sin depender de la grasa: p(óptimo grasa) = = p(óptimo) Luego no son sucesos independientes. Además, comprobamos que no se verifica el resultado teórico anterior: p(óptimocdotgrasa) = p(óptimo)p(grasa) = 0.27 Teorema de Bayes Introducción al Teorema de Bayes. Inversión de condiciones Analizar los síntomas asociados a una enfermedad, es relativamente fácil, si se dispone de los medios claro. Se trata de hacer un estudio con pacientes con dicha enfermedad y apuntar los síntomas. Si realizamos el estudio un número indefinido de veces, la frecuencia relativa de cada uno de los síntomas es la probabilidad de cada síntoma asociado a la enfermedad. Es una probabilidad condicionada: p(síntoma enfermedad) = p(síntoma enfermedad) p(enfermedad) O bien, dada una causa, analizamos la probabilidad del efecto que produce: p(efecto causa) = p(efecto causa) p(causa) Sin embargo, nuestra información es el síntoma, y no la causa. La fiebre puede estar causada por más enfermedades (causas) que la gripe, y es al médico a quién corresponde decidir cuál es la causa más probable que la origine. Esta va a ser la idea del teorema de Bayes, darle la vuelta a la situación, y por tanto, decidir, cuando se tiene fiebre, cuál es la probabilidad de que sea debido a gripe, a infección, a un virus,... La primera aproximación al teorema es la Fórmula de inversión de condiciones. Supongamos conocida la p(a B) (que es la p(efecto causa)). Entonces, la fórmula que invierte condiciones es: p(b A) = p(a B) p(b) p(a) p(causa efecto) = p(efecto causa)p(causa) p(efecto) Lógicamente, aquí necesitamos una información extra, que es la probabilidad del síntoma, o efecto. Tenemos 100 gatos, de los cuales 40 tienen hipertiroidismo felino (HF ). Analizamos en ellos dos síntomas: alteración en el pelo (AP ) que se da en 34 gatos, de los cuáles 24 desarrollan la enfermedad y pérdida de peso (P P ) que la presentan 38 gatos, de los cuales 30 desarrollan la enfermedad. Analicemos la información: Directa: dada la enfermedad, cuál es la probabilidad de los síntomas? p(ap HF ) = p(ap HF ) p(hf ) = 24 p(p P HF ) = 0.6, p(p P HF ) = = p(hf ) 40 = 0.75 Inversa: dado el síntoma, cuál es la probabilidad de enfermedad? p(hf AP ) = p(ap HF ) p(hf ) p(ap ) = = 0.71, p(hf P P ) = p(p P HF ) p(hf ) = p(p P ) 0.38 = 0.79
11 Bioestadística Probabilidad 11 Teorema de Bayes Situación: tenemos un efecto (síntoma). Y reunimos todas las posibles causas (enfermedades) que pueden originar dicho síntoma. Las causas las suponemos excluyentes, es decir, no pueden ser dos a la vez. Queremos analizar la probabilidad de que, para ese síntoma, se de una enfermedad determinada. Información de la que disponemos: Un síntoma S. n causas posibles excluyentes: C 1, C 2,..., C n, C i C j = ϕ, i j. Conocemos la probabilidad de cada causa: p(c i ), i = 1,..., n. Las causas llenan el espacio de posibilidades de dicho síntoma: n i=1 p(c i) = 1. Conocemos también la probabilidad condicionada de que dada una causa se produzca el síntoma: p(s C i ), i = 1,..., n. El Teorema de Bayes, nos da la probabilidad de que, dado el síntoma, la enfermedad sea una determinada: p(c k S) = p(s C k ) p(c k ) p(s C 1 ) p(c 1 ) + p(s C 2 ) p(c 2 ) + p(s C 3 ) p(c 3 ) + + p(s C n ) p(c n ). Observemos que el denominador es la probabilidad de que se produzca el síntoma: p(s C 1 ) p(c 1 ) + p(s C 2 ) p(c 2 ) + p(s C 3 ) p(c 3 ) + + p(s C n ) p(c n ). Los envases de tetrabrick son producidos en grandes bobinas. Una misma bobina contiene varios rollos con secuencias de envases, y cada rollo recibe una numeración (1 a 5) que permite identificar en qué posición de la bobina fue producido un determinado envase. Cada rollo procesa el 20 % de los artículos, y la probabilidad de que se produzca un envase defectuoso varía según el rollo: del r 1, 0.005, del r 2, 0.002, del r 3, 0.001, del r 4, y del r 5, Cuál es la probabilidad de que un envase sea defectuoso?, si un envase es defectuoso con qué probabilidad pertenece a alguno de los cinco rollos? Las causas son los rollos: p(r i ) = 0.2, i = 1,..., 5 Las probabilidades condicionales, de que sea defectuoso debido a un rollo u otro: p(defectuoso r 1 ) = p(defectuoso r 5 ) = 0.005, p(defectuoso r 2 ) = p(defectuoso r 4 ) = El Teorema de Bayes: Por tanto: p(r k defectuoso) = p(defectuoso r 3 ) = p(defectuoso r k ) p(r k ) p(defectuoso r 1 ) p(r 1 ) + + p(defectuoso r n ) p(r n ) p(r 1 defectuoso) = p(r 5 defectuoso) = 0.33, 33 % p(r 2 defectuoso) = p(r 4 defectuoso) = 0.13, 13 % p(r 3 defectuoso) = 0.06, 6 %
INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesTema 3: Cálculo de Probabilidades Unidad 1: Introducción y Concepto
Estadística Tema 3: Cálculo de Probabilidades Unidad 1: Introducción y Concepto Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
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 detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesTema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
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 detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
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 detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesUnidad Temática 2 Probabilidad
Unidad Temática 2 Probabilidad 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. 1. El experimento que consiste
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
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 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 detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesLa distribución normal
La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA 5)
TEMA 5 NOCIONES BÁSICAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer los conceptos de experimento aleatorio y espacio muestral. Distinguir los distintos tipos de sucesos que forman parte del espacio
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesCAPÍTULO IV CONCEPTOS BÁSICOS DE PROBABILIDAD
CAPÍTULO IV CONCEPTOS BÁSICOS DE PROBABILIDAD Por qué hablar de Probabilidad En el primer capítulo cuando definimos algunos conceptos hablamos de población y de muestra, dijimos que cuando trabajamos con
Más detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesTeoría de la decisión
Teoría de la decisión Repaso de Estadística Unidad 1. Conceptos básicos. Teoría de. Espacio muestral. Funciones de distribución. Esperanza matemática. Probabilidad condicional 1 Teoría de la decisión Teoría
Más detallesTEMA 5. Probabilidad
TEMA 5. Probabilidad Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 5. Probabilidad 1 / 7 Hasta ahora hemos aprendido a describir datos mediante: gráficas (histogramas y diagramas
Más detallesTema 4 Variables Aleatorias
Tema 4 Variables Aleatorias 1 Introducción En Estadística Descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y posteriormente se vimos los fundamentos de la teoría de probabilidades.
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más 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 detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
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 detallesProbabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro
Probabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro La probabilidad nos proporciona un modelo teórico para la generación de los datos experimentales Medidas de la Posibilidad
Más detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesProbabilidad 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
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 detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesU.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:
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 detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detalles4.12 Ciertos teoremas fundamentales del cálculo de probabilidades
1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesBioestadística. Curso Capítulo 3
Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................
Más detalles3.Si A y B son incompatibles, es decir A B = entonces:
Axiomas de la probabilidad 1.La probabilidad es positiva y menor o igual que 1. 0 p(a) 1 2. La probabilidad del suceso seguro es 1. p(e) = 1 3.Si A y B son incompatibles, es decir A B = entonces: p(a B)
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detalles3.Si A y B son incompatibles, es decir A B = entonces:
Axiomas de la probabilidad 1.La probabilidad es positiva y menor o igual que 1. 0 p(a) 1 2. La probabilidad del suceso seguro es 1. p(e) = 1 3.Si A y B son incompatibles, es decir A B = entonces: p(a B)
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesProbabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades
Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Probabilidad Conceptos como probabilidad, azar, aleatorio son tan viejos como la misma civilización. Y es que a diario utilizamos el concepto de probabilidad: Quizá llueva mañana
Más detallesTransformaciones de variables
Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale
Más detallesTEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES
TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesPROBABILIDAD Introducción La Probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento.
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO F A C U L T A D D E Q U Í M I C A P R O G R A M A E D U C A T I V O D E Q U Í M I C O E N A L I M E N T O S PROBABILIDAD Y ESTADÍSTICA UNIDAD TEMÁTICA TEORÍA DE
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesMEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN. Lic. Esperanza García Cribilleros
MEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Lic. Esperanza García Cribilleros ANÁLISIS EXPLORATORIO DE DATOS Diagrama de tallo y hojas Diagrama de caja DESCRIPCIÓN N DE LOS DATOS Tablas
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesProbabilidad 3/1/2010. EVSC 5020: Bioestadística. Qué es probabilidad? Prof. Rafael R. Canales-Pastrana. EVSC 5020: Bioestadística
Probabilidad Prof. Rafael R. Canales-Pastrana 2 Qué es probabilidad? 3 1 Definiciones de Probabilidad La medida del grado de confianza que uno tiene, en que ocurra el acontecimiento. Método axiomático:
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
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 detallesProbabilidad 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.
Más detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detallesESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA Definición de Estadística: La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
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 detallesUNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL ASIGNATURA: ESTADÍSTICA I CODIGO : 5B0067 I.- DATOS GENERALES SILABO
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 1. Introducción a la probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 1. Introducción a la probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 1.1. Aleatoriedad e incertidumbre 1.2 Probabilidad
Más detallesTiempo completo Tiempo parcial Total Mujeres Hombres Total
ASIGNACION DE ROBABILIDAD A manera de introducción al tema analicemos las diferencias entre eventos mutuamente excluyentes, no mutuamente excluyentes, dependientes e independientes. Ejemplo : En un grupo
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detalles5 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
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesTema 3: Probabilidad. Bioestadística
Tema 3: Probabilidad Bioestadística SUCESOS DETERMINISTAS Y ALEATORIOS Cuando realizamos un experimento, diremos que es: Determinista: dadas unas condiciones iniciales, el resultado es siempre el mismo.
Más detallesMódulo de Estadística
Módulo de Estadística Tema 2: Estadística descriptiva Tema 2: Estadísticos 1 Medidas La finalidad de las medidas de posición o tendencia central (centralización) es encontrar unos valores que sinteticen
Más detallesUNIVERSIDAD DE COSTA RICA XS0111 Estadística Introductoria I Prof. Olman Ramírez Moreira
UNIVERSIDAD DE COSTA RICA XS0111 Estadística Introductoria I Prof. Olman Ramírez Moreira Levin & Rubin. Estadística para Administradores Gómez Barrantes, Miguel. Elementos de estadística descriptiva 1
Más detalles