Familias de distribuciones
|
|
- Milagros Valenzuela Caballero
- hace 7 años
- Vistas:
Transcripción
1 Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra indexada por uno o más parámetros que permiten establecer ciertas características sobre la distribución. Se podría considerar, por ejemplo, que la distribución normal es un modelo razonable para una población en particular aún cuando no sea posible especificar por el momento el valor de la media, es decir se elige una familia paramétrica de distribuciones normales con media µ Distribuciones discretas Una variable aleatoria X se dice tiene una distribución discreta si su rango es numerable. En muchas situaciones, esta variable aleatoria toma valores enteros. Se presentan a continuación las principales distribuciones discretas. Distribución uniforme discreta Una variable aleatoria X tiene distribución uniforme discreta (1, N) si: Pr(X = x N) = 1 N x = 1, 2,, N (2.2.1) 12
2 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 13 donde N es un número entero. La media y varianza de la distribución uniforme discreta son: E[X] = N Var (X) = (N + 1)(N 1) 12 Si el espacio muestral es cualquier rango de enteros N 0, N 0 + 1,, N 1 entonces la función de probabilidad es: Pr(X = x N 0, N 1 ) = En general, se denota por X UD(N 0, N 1 ). Distribución hipergeométrica 1 N 0 N Una variable aleatoria X tiene distribución hipergeométrica (N, M, n) si: Pr(X = x N, M, n) = ( )( ) M N M x n x ( ) (2.2.2) N n La media y varianza de la distribución hipergeométrica son: ( ) (N M)(N n) E[X] = n M N Var (X) = nm N N(N 1) La notación para la distribución hipergeométrica es X H(N, M, n). Ejemplo Un ingeniero de control de calidad inspecciona una muestra tomada al azar de dos calculadoras manuales de cada lote de tamaño 18. El lote sera aceptado si ambas calculadoras están en buenas condiciones de trabajo de otra manera se inspecciona todo el lote y el costo se carga al vendedor. Cuál es la probabilidad de que un lote se acepte sin tener que hacer una inspección total si éste contiene cuatro calculadoras que no están en buenas condiciones de trabajo? Se define la variable X = número de calculadoras en buenas condiciones seleccionadas en la muestra de tamaño cuatro, entonces X H(N = 18, M = 14, n = 2). En R los parámetros para esta distribución son H(m = 14, n = 4, k = 2) donde k es el tamaño de muestra, m = M y n = N M.
3 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 14 > dhyper(x = 2, m = 14, n = 4, k = 2) [1] Distribución binomial Una variable aleatoria tiene distribución Bernoulli(p) si: 1 con probabilidad p X = 0 con probabilidad 1 p con 0 p 1. El valor de X = 1 es comunmente llamado éxito y p la probabilidad de éxito. La media y varianza de la distribución Bernoulli son: E[X] = p Var (X) = p(1 p) y se denota por X B(p). Si se tiene una secuencia de variables aleatorias independientes tales que X i B(p) entonces la variable aleatoria Y = n i=1 X i tiene distribución binomial(n, p) y su función de probabilidad es: Pr(Y = y n, p) = ( ) n p y (1 p) n y, y = 0, 1, 2,, n (2.2.3) y Se denota por Y BI(n, p). La media y varianza de la distribución binomial son: E[Y ] = np Var (Y ) = np(1 p) Ejemplo Un informe aparecido en el diario Gestión indica que el 58 % de los trabajadores de Lima tienen sueldos superiores al mínimo vital. Si se entrevista a 50 trabajadores de Lima elegidos al azar hallar la probabilidad de que más de 36 de ellos tengan sueldos superiores al mínimo vital. Sea la variable aleatoria Y = número de trabajadores con sueldos superiores al mínimo vital, entonces Y BI (n = 50, p = 0,58). Usando R se tiene: > 1 - pbinom(q = 36, size = 50, prob = 0.58) [1]
4 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 15 Distribución Poisson Una variable aleatoria X que toma valores en los enteros no negativos tiene distribución Poisson(λ) si: Pr(X = x λ) = e λ λ x, x = 0, 1, 2, (2.2.4) x! La media y varianza de la distribución Poisson son: E[X] = λ Var (X) = λ Se denota por X P (λ). Ejemplo Considere un operador telefónico que recibe, en promedio, cinco llamadas cada tres minutos según un proceso de Poisson. Cuál es la probabilidad de no recibir llamadas en el siguiente minuto? Cuál es la probabilidad de recibir al menos dos llamadas? Sea X = número de llamadas telefónicas recibidas en un minuto, entonces X P (λ = 5/3). Usando R se tiene: > dpois(x=0, lambda=5/3) [1] > 1 - ppois(q=1, lambda=5/3) [1] Distribución binomial negativa Suponga que se desea contar el número de ensayos necesarios para obtener un número fijo de éxitos en una secuencia de ensayos independientes con distribución B(p). Sea la variable aleatoria X definida como el ensayo en el que se obtiene el r-ésimo éxito, donde r es un entero, entonces: Pr(X = x r, p) = ( ) x 1 p r (1 p) x r, x = r, r + 1, (2.2.5) r 1
5 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 16 y se dice que X tiene distribución binomial negativa(r, p). La media y varianza de la distribución binomial negativa son: (1 p) E[X] = r p Var (X) = r(1 p) p 2 y se denota por X BN (r, p). La distribución binomial negativa también se define en términos de la variable aleatoria Y = número de fracasos antes del r-ésimo éxito, es decir Y = X r. Luego, la fórmula alternativa de la distribución binomial negativa es: ( ) r + y 1 Pr(Y = y r, p) = p r (1 p) y, y = 0, 1, 2, (2.2.6) y Ejemplo Se sabe que la tasa de fallas en una línea de producción es del 10 %. Si en una inspección de control de calidad se analizan los productos que salen de dicha línea de producción. Cuál es la probabilidad que sea necesario inspeccionar ocho productos para encontrar el tercer producto defectuoso? Sea X =número de productos inspeccionados hasta encontrar el tercero defectuoso, entonces X BN (r = 3, p = 0,10). Usando R se tiene: > dnbinom(x=8, size=3, prob=0.10) [1] Distribución geométrica La distribución geométrica es un caso especial de la distribución binomial negativa. Si se toma r = 1 en se tiene: Pr(X = x p) = p(1 p) x 1, x = 1, 2, (2.2.7) la que define la función de probabilidad de una variable aleatoria X con distribución geométrica(p) que se puede interpretar como el ensayo en el que se obtiene el primer éxito. La media y varianza son:
6 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 17 E[X] = 1 p Var (X) = (1 p) p 2 y se denota por X G(p). La distribución geométrica tiene una propiedad interesante conocida como la propiedad de falta de memoria. Para enteros s > t se tiene: Pr(X > s X > t) = Pr(X > s t) (2.2.8) Ejemplo La probabilidad de que un estudiante para piloto apruebe el examen escrito para obtener una licencia de piloto privado es 0,7. Cuál es la probabilidad de que el estudiante apruebe el examen en el tercer intento? Sea X = número de intentos hasta obtener la licencia de piloto privado, entonces X G(p = 0,7). En R se debe considerar que la variable aleatoria geométrica se define como el número de intentos antes de obtener la licencia de piloto, entonces la probabilidad pedida es: > dgeom(x=2, prob=0.7) [1] Distribuciones continuas El interés en la sección anterior se centro en aquellas variables aleatorias cuyo rango puede ser descrito como una lista finita o infinita numerable de valores. Por otro lado, las variables aleatorias continuas son aquellas cuyo rango esta formado por un conjunto infinito no numerable de valores. En esta sección se presentan algunas de las familias más conocidas de distribuciones continuas que constituyen algunos de los modelos más utilizados en Estadística.
7 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 18 Distribución uniforme La distribución uniforme continua se define sobre el intervalo [a, b] con la siguiente función de densidad: 1 a x b b a f(x a, b) = (2.3.1) 0 de otro modo La media y varianza de la distribución uniforme continua son: E[X] = a + b 2 y se denota por X UC(a, b). Var (X) = (b a)2 12 Ejemplo El tiempo que un trabajador de construcción civil utiliza durante su refrigerio para ir a la cafetería, almorzar y regresar a su puesto de trabajo es una variable aleatoria con distribución uniforme en el intervalo de 0 a 25 minutos. Si el horario de refrigerio de los trabajadores empieza al mediodía y en ese momento Juan decide ir a la cafetería. Calcular la probabilidad que Juan este de vuelta a su puesto de trabajo en menos de un cuarto de hora. Sea X = tiempo (en minutos) que un trabajador de construcción civil utiliza durante su refrigerio para ir a la cafetería, almorzar y regresar a su puesto de trabajo, entonces X UC(a = 0, b = 25). Usando R se tiene: > punif(q=15, min=0, max=25) [1] 0.6 Distribución gamma La distribución gamma es una familia flexible de distribuciones sobre [0, ). Si α es una constante positiva, la integral: ˆ 0 t α 1 e t dt es finita y su valor define la función gamma:
8 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 19 Γ(α) = ˆ 0 t α 1 e t dt (2.3.2) Esta función satisface muchas relaciones útiles, en particular: Se tiene que para cualquier entero n > 0: Γ(α + 1) = αγ(α), α > 0 (2.3.3) como la integral en es positiva, se tiene que: Γ(n) = (n 1)! (2.3.4) f(t) = tα 1 e t Γ(α), 0 < t < (2.3.5) es una función de densidad. Si se define la variable aleatoria X = βt, donde β es una constante positiva se obtiene la familia gamma(α, β): f(x α, β) = 1 Γ(α)β α xα 1 e x/β, 0 < x < (2.3.6) donde α > 0 es llamado el parámetro de forma y β > 0 el parámetro de escala. La media y varianza de la distribución gamma son: y de denota por X G(α, β). E[X] = αβ Var (X) = αβ 2 Ejemplo Suponga que el tiempo que un estudiante emplea en revisar su correo electrónico tiene una distribución gamma con media de 20 minutos y varianza de 80 minutos 2. Cuál es la probabilidad de que un alumno necesite entre 20 y 30 minutos para revisar su correo electrónico? Sea X = tiempo (en minutos) que un estudiante emplea en revisar su correo electrónico, entonces X G(α = 5, β = 4). Usando R se tiene: > pgamma(q=30, shape=5, scale=4) - pgamma(q=20, shape=5, scale=4) [1]
9 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 20 Existen dos casos importantes de la distribución gamma. Si se toma α = p/2, donde p es un entero y β = 2, entonces la función de densidad gamma se convierte en: f(x p) = 1 Γ(p/2)2 p/2 xp/2 1 e x/2, 0 < x < (2.3.7) que es conocida como la función de densidad chi-cuadrado con p grados de libertad y se denota por X χ 2 p. Otro caso especial se obtiene cuando α = 1, es decir: f(x β) = 1 β e x/β, 0 < x < (2.3.8) conocida como la función de densidad exponencial con parámetro de escala β y se denota por X E (β). La distribución exponencial comparte la propiedad de pérdida de memoria de la geométrica, es decir que para s > t 0: Pr(X > s X > t) = Pr(X > s t) Otra distribución relacionada a la familia gamma y exponencial es la distribución Weibull. Si X E (β) entonces Y = X 1/γ tiene distribución W(γ, β) cuya función de densidad es: donde γ > 0 y β > 0. Distribución normal f Y (y γ, β) = γ β yγ 1 e yγ /β, 0 < y < (2.3.9) La función de densidad de la distribución normal con media µ y varianza σ 2 es dada por: f(x µ, σ 2 ) = 1 2πσ e (x µ)2 2σ 2, < x < (2.3.10) Se denota por X N (µ, σ 2 ) donde: E[X] = µ Var (X) = σ 2
10 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 21 Si X N (µ, σ 2 ) entonces la variable aleatoria Z = (X µ)/σ tiene distribución N (0, 1) conocida como distribución normal estándar. Se puede probar que la función de densidad normal toma su valor máximo en x = µ y que sus puntos de inflección (donde la curva cambia de cóncava a convexo) son x = µ ± σ. La probabilidad que X este contenida en 1, 2 o 3 desviaciones estándar alrededor de su media es: Pr( X µ σ) = Pr( Z 1) = 0,6826 Pr( X µ 2σ) = Pr( Z 2) = 0,9544 Pr( X µ 3σ) = Pr( Z 3) = 0,9974 Ejemplo El peso de los melones que comercializa una tienda de frutas sigue una distribución normal con media de 2 kilogramos y desviación estándar de 500 gramos. Los melones inferiores a 1,9 kg no se comercializan y se envían a la fábrica de conservas. Cuál es la probabilidad que un melón elegido al azar no sea enviado a la fábrica de conservas? Sea X = peso de los melones (en kilogramos) que comercializa la tienda de frutas. entonces X N (µ = 2, σ 2 = 0,5 2 ). Usando R se tiene: > 1 - pnorm(q=1.9, mean=2, sd=0.5) [1] Distribución beta La familia de distribuciones beta es una familia continua en (0, 1) indexada por dos parámetros. La función de densidad beta(α, β) es: f(x α, β) = 1 B(α, β) xα 1 (1 x) β 1, 0 < x < 1 (2.3.11) se denota por X BE(α, β) donde α > 0, β > 0 y B(α, β) es la función beta: B(α, β) = ˆ 1 0 x α 1 (1 x) β 1 dx
11 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 22 La función beta está relacionada con la función gamma a través de la siguiente identidad: B(α, β) = Γ(α)Γ(β) Γ(α + β) (2.3.12) El cálculo de los momentos para esta distribución se obtiene a través de la siguiente expresión: E[X n ] = B(α + n, β) B(α, β) = Γ(α + n)γ(α + β) Γ(α + β + n)γ(α) Usando y con n = 1 y n = 2 se obtiene: (2.3.13) E[X] = α α + β Distribución Cauchy Var (X) = αβ (α + β) 2 (α + β + 1) (2.3.14) La distribución Cauchy es una distribución simétrica con forma de campana sobre (, ) cuya función de densidad es: f(x θ) = 1 π 1, < x < (2.3.15) 1 + (x θ) 2 La media de la distribución de Cauchy no existe por lo que tampoco existen los momentos para esta distribución. En particular, la función generatriz de momentos no existe. Distribución log-normal Si X es una variable aleatoria cuyo logaritmo tiene distribución normal, es decir log X N (µ, σ 2 ) entonces X tiene distribución log-normal. La función de densidad de X es: f(x µ, σ 2 ) = 1 1 (log x µ) 2 2πσ x e 2σ 2 < x < (2.3.16) < µ < y σ > 0, conocida como la función de densidad lognormal. Los momentos de X pueden obtenerse usando o la relación con la distribución normal:
12 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 23 E[X] = e µ+σ2 /2 Var (X) = e 2(µ+σ2) e 2µ+σ2 (2.3.17) Se denota por X LN (µ, σ). Distribución doble exponencial La distribución doble exponencial se toma reflejando la distribución exponencial alrededor de su media. Su función de densidad esta dada por: f(x µ, σ) = 1 2σ e x µ /σ < x < (2.3.18) < µ < y σ > 0. La distribución doble exponencial proporciona una distribución simétrica con colas más pesadas. La media y varianza de esta distribución son: Se denota por X DE(µ, σ). E[X] = µ Var (X) = 2σ Familias exponenciales Una familia de funciones de densidad o probabilidad es llamada una familia exponencial si puede expresarse como: { k } f(x θ) = h(x)c(θ) exp w i (θ)t i (x) (2.4.1) i=1 donde h(x) 0, t 1 (x),, t k (x) son funciones de las observaciones x, c (θ) 0 y w 1 (θ),, w k (θ) son funciones del vector de parámetros θ. Muchas familias mencionadas en la sección anterior son familias exponenciales. Estas incluyen las familias continuas normal, gamma, beta y las familias discretas binomial, Poisson y binomial negativa. Para verificar si una familia de funciones de probabilidad o densidad es una familia exponencial, se deben identificar las funciones h(x), c(θ), w i (θ) y t i (x) para demostrar que la familia tiene la forma Ejemplo La distribución BI(n, p) pertenece a una familia exponencial si n conocido.
13 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 24 Ejemplo La distribución N (µ, σ) pertenece a una familia exponencial. El rango de la distribución no puede depender de θ en una familia exponencial. La definición completa de la función de probabilidad o densidad debe incluir el rango a través del uso de una función indicadora. Definición La función indicadora de un conjunto A, denotado por I A (x), es la función: 1 x A I A (x) = 0 x / A Ejemplo La función de densidad dada por: f(x θ) = θ 1 exp {1 (x/θ)}, x > θ (2.4.2) x. no es una familia exponencial ya que el rango no depende solamente de 2.5. Familias de locación y escala En esta sección se discutirán tres técnicas para construir familias de distribuciones. Estos tipos son: familias de locación, escala y locación-escala. Cada familia se construye especificando una función de densidad simple, digamos f(x), llamada la función de densidad estándar de la familia. Luego todas las funciones de densidad en la familia se generan transformando la función de densidad estándar en la forma prescrita. Definición Sea f(x) una función de densidad. Entonces la familia de funciones de densidad f(x µ) indexada por el parámetro < µ < es llamada la familia de locación con función de densidad estándar f(x) y µ es el parámetro de locación para la familia. Ejemplo Sea f(x) = e x, x 0. Para formar la familia de locación se reemplaza x con x µ: e (x µ) x µ 0 f(x µ) = 0 x µ < 0 = e (x µ) x µ 0 x < µ
14 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 25 Figura 2.1: Miembros de una familia de locación Definición Sea f(x) una función de densidad. Entonces para todo σ > 0, la familia de funciones de densidad (1/σ)f(x/σ) indexada por el parámetro σ, es llamada la familia de escala con función de densidad estándar f(x) y σ es el parámetro de escala de la familia. Ejemplo La distribución gamma con α fijo y la distribución normal con µ = 0 son ejemplos de familias de escala. En cada caso la función de densidad estándar se obtiene tomando el parámetro de escala igual a 1.
15 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 26 Figura 2.2: Miembros de una familia de escala Definición Sea f(x) una función de densidad. Entonces la familia de funciones de densidad (1/σ)f ((x µ)/σ), < µ < y σ > 0, indexada por los parámetros (µ, σ) es llamada la familia de locación-escala con función de densidad estándar f(x), µ es el parámetro de locación y σ es el parámetro de escala. Ejemplo La distribución normal y la distribución exponencial son ejemplos de familias de locación-escala.
16 CAPÍTULO 2. FAMILIAS DE DISTRIBUCIONES 27 Figura 2.3: Miembros de una familia de locación-escala El cálculo de una probabilidad para cualquier miembro de una familia de locación escala puede obtenerse en términos de la variable estandarizada Z ya que: ( X µ Pr(X x) = Pr x µ ) ( = Pr Z x µ ) σ σ σ El cálculo de las probabilidades para la distribución normal usando la distribución normal estándar es un claro ejemplo.
Transformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
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 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 detallesDistribuciones de Familias comunes
Capítulo 3 Distribuciones de Familias comunes Distribuciones estadísticas son usadas para modelar poblaciones. Nosotros usualmente trataremos con familias de distribuciones, en vez de con una simple distribución.
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 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 detallesPrincipios de reducción de la data
Capítulo 6 Principios de reducción de la data 6.1. Introducción Un experimentador usa la información en una muestra X 1,, X n para realizar el proceso de inferencia sobre algun parámetro desconocido θ.
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
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 detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más 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 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 detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más 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 detallesINGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
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 detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más 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 detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detallesProbabilidad para una V.A. Continua. P( a X b) = f ( x)
Tema 4: Variables Aleatorias Contínuas Prof. Heriberto Figueroa S. Capítulo 4 Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 4.1. Variables Aleatorias Continuas Una variable aleatoria
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 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 detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más detalles0 si x<0. si 1 x<2 1 si x 2. si 4 x 6 1 si x>6. 1 e x si x 0
Probabilidades y Estadística (M) Práctica 3 2 cuatrimestre 2004 Variables Aleatorias. Sea X una v.a. con función de distribución (a) F X (x) = 0 si x< 3 4 si 3 x< 3 4 si x
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
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 detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
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 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 detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0.75(1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
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 continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
Más detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
Más detallesModelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
Más detallesPROBABILIDADES Trabajo Práctico 5. 0 si x<0. x3 si 0 x<2 1 si x 2
PROBABILIDADES Trabajo Práctico 5 1. Sea X una variable aleatoria con función de distribución acumulada a) Calcular, usando F X, P (X 1) P (0.5 X 1) P (X >1.5) b) Hallar la mediana de esta distribución.
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 detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
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 detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
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 detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente
Más 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 detallesPRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD
UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
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 detallesTema 7: Modelos de variables aleatorias discretas y absolutamente continuas
Tema 7: Modelos de variables aleatorias discretas y absolutamente continuas. Introdución En este tema estudiaremos algunas distribuciones asociadas a variables aleatorias discretas y absolutamente continuas,
Más detallesPráctica 3: Distribuciones Comunes
Prácticas de estadística con R Ingeniería Química Universidad de Cantabria Curso 2011 2012 Práctica 3: Distribuciones Comunes 1. Distribuciones de probabilidad en R En teoría hemos visto fórmulas analíticas
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
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 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 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 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 detallesMatemática 3 Curso 2013
Matemática 3 Curso 2013 Práctica 3: Variables aleatorias discretas. Funciones de distribución Binomial, Geométrica, Hipergeométrica, Poisson. 1) Dadas las siguientes funciones, determinar cuales son funciones
Más detallesMÓDULO I. TEORÍA DE LA PROBABILIDAD
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
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 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 detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesTema 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 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 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 detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesProbabilidad y Estadística para Bachillerato, CIMAT, ene-jun 2018 (9 de abril 2018)
Probabilidad y Estadística para Bachillerato, CIMAT, ene-jun 2018 (9 de abril 2018 Del libro de Wackerly, Mendenhall y Scheaffer:: 1. Prob. 3.119.- Se reparten cartas al azar y sin reemplazo de una baraja
Más detallesLee, Capítulo 3, Secciones 3.1,3.2,3.4 y 3.5. Gelman et al, Capítulo 2, Secciones
CAPÍTULO 3: DISTRIBUCIONES CON- JUGADAS Para leer Lee, Capítulo 3, Secciones 3.1,3.2,3.4 y 3.5. Gelman et al, Capítulo 2, Secciones 2.4 2.7. Ejemplo 18 Supongamos que en la situación del Ejemplo 13, se
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
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 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 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 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 detallesDefinición 1 (Probabilidad Condicional) Observación 1 Se puede aplicar la definición también a variables discretas o continuas.
CAPÍTULO 1: ALGUNAS REGLAS DE PROBABILIDAD Para leer Lee: Capítulo 1 Definición 1 (Probabilidad Condicional) Para dos sucesos A y B, P (A B) P (A B) P (B) Observación 1 Se puede aplicar la definición también
Más detallesDistribución de Probabilidad
Distribución de Probabilidad Variables continuas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Distribuciones de probabilidad continuas
Más detallesVariables aleatorias continuas
Variables aleatorias continuas VARIABLE ALEATORIA UNIFORME Definición Se dice que una variable X tiene una distribución uniforme en el intervalo [a;b] si la fdp de X es: 1 si a x b f(x)= b-a 0 en otro
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 detallesProfesores: M. Guerrero - J. Pérez - C. Olivares - J. Rozas 09 de julio de Examen Probabilidad y Estadísticas
09 de julio de 013 Examen Probabilidad y Estadísticas 1) Una cadena de tiendas de pintura produce y vende pinturas de látex y esmaltes. Con base en las ventas de largo plazo, la probabilidad de que un
Más detallesProbabilidades y Procesos Estocásticos
Probabilidades y Procesos Estocásticos Resumen Control 3 Profesor Iván Rapaport Auxiliar Abelino Jiménez G. Universidad de Chile Indice General 1 Resumen de la Materia. Variable Aleatorias. Discretas y
Más detalles