ESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes."

Transcripción

1 1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado. Distribución Beta. Distribución Weibull. Distribución Trapezoidal. Distribuciones LogNormal, de Cauchy y Laplace. Se entienden como Modelos Probabilísticos Continuos a aquellas variables aleatorias que por su uso común en muchas aplicaciones han adquirido un nombre propio en la literatura de las Probabilidades. A continuación se presentan los Modelos Probabilísticos Continuos más importantes. 1) DISTRIBUCIÓN UNIFORME CONTINUA. X es una variable aleatoria uniforme si la probabilidad de un evento de tamaño dado es independiente de la ubicación del mismo dentro del dominio. ~,, 1 ; 0; El lector debe verificar los datos en la tabla siguiente F X (x) E(X) V(X) m X (t) 0; ; ; Las gráficas de las funciones de densidad y de distribución se muestran a continuación. 1/(b a) f X (x) a b X F X (x)

2 2 1 F X (x) a b X Nótese que para un intervalo (c, d) totalmente contenido en (a, b) se tiene que De allí que para una variable uniformemente distribuida se puede escribir que: La probabilidad de un intervalo de ancho constante es proporcional al ancho del intervalo e independiente de su ubicación dentro del dominio. Intervalos de igual ancho son equiprobables. Por otro lado, también se puede demostrar que En particular, ~, 0 ~, ~, 0 ~0,1 La variable Uniforme en el intervalo (0, 1) es la base del modelaje de fenómenos aleatorios en el computador. Ejemplo 6.1) Se escoge al azar un número real en el intervalo (0, 1). Cuál es la probabilidad de que el número escogido sea por lo menos 0,3? Sea X la variable que se define como la escogencia al azar de un número en el intervalo (0, 1). La escogencia al azar implica que todos los elementos son igualmente probables por lo que estamos hablando de que X es uniforme continua en (0, 1). Si el número escogido debe ser mayor que 0,3 entonces está en el intervalo (0,3, 1), por tanto, 0,3 10,3 1 0,7

3 3 Ejemplo 6.2) Una variable aleatoria X se distribuye uniformemente en el intervalo (0, b), donde b es un número real positivo. Si se sabe que 2 Ya que X es uniforme, entonces,, determinar el valor de b Ejemplo 6.3) Un aparato está formado por dos componentes instaladas en paralelo. La vida de cada componente es independiente de la vida de la otra y ambas tienen una distribución uniforme con media de 1,5 años. Se sabe que el 25% de dichas componentes dura más de 2 años. Los parámetros, a y b, de la distribución uniforme de la variable V, vida útil de un componente, se desconocen y se deben calcular primero: 2 1, ,25 2 0,25. 2 Con las ecuaciones 1 y 2 se tiene que a = 0,5 y b = 2,5 (ambas cantidades en años) A) Cuál es la probabilidad de que el aparato dure más de 15 meses? Sea X la vida útil (en años) del aparato, entonces En consecuencia, ,25 1, ,25 1,25 1,25 1,25 2,5 1,25 1,25 1,25 0,625 2,5 0, ,625 0,625 0,8594

4 4 2) DISTRIBUCIÓN TRIANGULAR. Esta distribución debe su nombre a la forma de su función de densidad de probabilidades. Se usa, al igual que la uniforme, en aquellas aplicaciones donde el intervalo de definición de la variable es finito; pero difiere de aquel modelo en que las probabilidades de eventos de igual ancho no son constantes. 2 ; ~,,,, 2 ; 0; Observe que los parámetros de una Triangular coinciden con el valor mínimo, moda y máximo, respectivamente. El lector debe verificar los datos en las tablas siguientes F X (x) 0; ; 1 ; 1; E(X) 3 V(X) 18 m X (t) 2 Las gráficas de las funciones de densidad y de distribución se muestran a continuación. f X (x) 2/(c a) a b c X

5 5 a = 1; b=3; c=6 1,2 1 0,8 0,6 0,4 0, Nótese que para un intervalo (a, c) dado, la altura de TODOS los triángulos con a < b < c es SIEMPRE la misma. Por supuesto, el área de todos esos triángulos siempre es 1. Un caso muy particular y de mucha aplicación es cuando el valor de b es el punto medio entre a y c. En este caso se dice que la triangular es SIMÉTRICA. Para la Triangular Simétrica se tiene que Por otro lado, también se puede demostrar que ~, ~, 2, ; 2 24 ~,, 0 ~,, ~,, 0 Ejemplo 6.4) La duración D de una actividad en una fábrica es una variable aleatoria con distribución triangular con parámetros (1, 3, 8). Calcular la probabilidad de que la actividad dure más que su valor esperado

6 6 f D (d) 2/7 8/ D La probabilidad que se solicita es el área rayada del dibujo. Aprovechando las características geométricas de las figuras se tiene Ejemplo 6.5) Considere una variable distribuida en forma triangular en el intervalo (0, 10) y con moda igual a 5. Calcular la probabilidad de que la variable esté en el intervalo (7, 9). Calcular, además, la probabilidad de que la variable tome valores en un intervalo de ancho dos desviaciones estándar alrededor de su valor esperado. Nótese que la variable bajo consideración es simétrica en el intervalo (0, 10). La primera probabilidad solicitada es ,16 Para el cálculo de la segunda probabilidad es necesario conocer el valor esperado y la desviación estándar, por tanto 2 5; La segunda probabilidad solicitada es , , , , , ,966

7 7 3) DISTRIBUCIÓN NORMAL. X es una variable aleatoria normal si la probabilidad de un evento de tamaño dado es igual para aquellos eventos que guarden ciertas simetrías respecto al centro de la variable. ~,, El lector debe verificar los datos en la tabla siguiente 1 2, F X (x) E(X) V(X) m X (t) Nótese muy especialmente que la integral que define a la función de distribución normal NO TIENE PRIMITIVA y por consiguiente esta función solo puede ser expresada de esta forma integral. Las gráficas de las funciones de densidad y de distribución para el caso μ = 0 y σ = 1, se muestran a continuación. Densidad y Distribución Normal Estándar fx Fx 1,2 1 0,8 0,6 0,4 0, Nótese de las gráficas anteriores que la función de densidad es simétrica respecto al valor de μ (en este caso, tiene simetría par). Por otro lado, también se puede demostrar que ~, ~, En particular, ~0,1

8 8 La variable Normal con parámetros (0, 1) se conoce como NORMAL ESTÁNDAR y para ella se ha destinado la letra Z en forma exclusiva. Es decir, de ahora en adelante cuando nos refiramos a una variable Z, estaremos hablando de la normal estándar. Para una normal estándar se pueden verificar los datos de la tabla siguiente. Nótese que a la función de distribución de la normal estándar se le denotará de ahora en adelante con la letra Φ. F Z (z) E(Z) V(Z) m Z (t) Por otro lado, los momentos de una normal estándar vienen dados por 0; ; La dificultad presentada previamente respecto a que la función de distribución de una normal solo se puede expresar en forma integral crea un inconveniente a la hora de calcular probabilidades de eventos definidos en términos de una variable normal. Para ello se considera la siguiente ecuación de estandarización que logra expresar una normal con parámetros cualesquiera en términos de una normal estándar. ~, ~0,1 De esta manera, para calcular áreas bajo una normal con parámetros cualesquiera solo se debe conocer el área equivalente bajo la normal estándar. Como ejemplo, para conocer el área a la izquierda de un valor x (valor de la función de distribución para ese x) se procede de esta manera: Φ Entonces el problema se reduce a calcular áreas bajo la normal estándar. Para ello se resuelve la integral en forma aproximada por métodos numéricos y tabulando los resultados. Estas tablas se consiguen en todos los textos de probabilidades. A la hora de calcular áreas parciales entre dos puntos cualesquiera se pueden aprovechar las características de simetría par que tiene la curva de densidad de una normal estándar. En la curva siguiente se destacan las áreas denominadas A, B, C y D. Entre estas áreas existen las siguientes relaciones: i. A + B + C + D = 1 ii. A = D iii. B = C iv. A + B = C + D v. A + D = 1 2C

9 Apuntes de Estadística I. Ingeniería Industrial. UCAB. Marzo De igual manera, el cálculo de percentiles para una normal con parámetros cualesquiera se realiza con los mismos percentiles en la normal estándar y la fórmula de estandarización. Sea X α el percentil 100α de una normal con parámetros (μ, σ 2 ) y sea Z α el percentil 100α de la normal estándar, entonces Ejemplo 6.6) Calcule la probabilidad de que la normal estándar tome valores en el intervalo ( 2, 2). De una tabla de áreas bajo la normal estándar se tiene que Φ2 0,97725, entonces 2 2 2Φ21 0,9545 Ejemplo 6.7) Sea X una normal con parámetros (1, 1). Calcule la probabilidad de que X tome valores en el intervalo ( 2, 2) Φ1Φ3 Φ11Φ3 De una tabla de áreas bajo la normal estándar se tiene que Φ1 0,84134 Φ3 0,99865, entonces 2 2 0, , ,83999

10 10 Ejemplo 6.8) La altura de los estudiantes de una universidad sigue una distribución normal con valor esperado de 175 cm y desviación estándar de 10 cm. Calcule la probabilidad de que X tome valores en el intervalo (μ σ, μ + σ). 1 1 Φ1 Φ1 2Φ1 1 De una tabla de áreas bajo la normal estándar se tiene que Φ1 0,84134, entonces 2 0, ,68268

11 11 3) DISTRIBUCIONES GAMMA, EXPONENCIAL, ERLANG Y CHI CUADRADO. X es una variable aleatoria Gamma con parámetros α y r, ambos reales positivos, si su función de densidad de probabilidades tiene la forma ~,, ; 0 Γ 0; Donde la función Γ(r) es la función gamma, definida como Γ ; 0 La función gamma tiene una serie de propiedades interesantes que se deben conocer a la hora de realizar operaciones que involucren esta función. Estas propiedades son (en todas ellas r > 0) i) Γ1 1 ii) Γ 1 Γ iii) Si r es un entero n, entonces, Γ 1! iv) Γ v) Sea α > 0, entonces, vi) Si r es un entero positivo, entonces vii) Sea α > 0, entonces, Γ Γ Γ viii) Sea α > 0 y r es un entero positivo, entonces, Γ!

12 12 El lector debe verificar los datos en la tabla siguiente F X (x) (en caso de que r sea entero) E(X) V(X) m X (t) E(X k ) 1 ; 0! 0; Γ Γ Gráficas de la función de densidad para distintos valores de los parámetros se muestran a continuación. Por otro lado, se puede demostrar que ~, ~, En particular, ~1, á~ Si se evalúan los parámetros en algunos valores particulares se consiguen unas funciones de densidad que por su uso común en la literatura se les conoce con un nombre propio. La tabla siguiente nos resume esos modelos Gamma particulares que, en definitiva, nos llevan a decir que la Gamma no es un modelo probabilístico sino toda una familia de variables aleatorias.

13 Apuntes de Estadística I. Ingeniería Industrial. UCAB. Marzo Nombre de la Variable Gamma General Gamma Estándar Exponencial Chi Cuadrado con n grados de libertad Erlang Función de densidad de probabilidades (x 0) Γ 2 Γ 2Γ 2 n 1! Parámetros α, r α = 1, r α, r = 1 α = 1/2, r = n/2, n entero positivo α, r = n, n es entero positivo Valor esperado r 1 n Varianza r 1 2 Funciónn Generatriz de Momentos A continuación se presentan gráficas de las variables Gamma Estándar, Exponencial, Chi Cuadrado y Erlang, respectivamente.

14 14 Los teoremas siguientes nos permiten entender cómo se relacionan entre sí algunos de los miembros de la familia de las Gamma. Es interesante que el lector verifique la veracidad de cada uno de estos teoremas. (En realidad, la verificación de estos teoremas se puede realizar después que se conozcan los conceptos de dos variables aleatorias y de independencia de variables aleatorias) Sean X 1, X 2,, X n, n variables aleatorias independientes y con distribuciones Gamma con parámetro α igual y parámetro r = r i, i = 1,,n, distinto, es decir, ~,, 1,2,,. Sea S la suma de estas variables, entonces, ~, Sean X 1, X 2,, X n, n variables aleatorias independientes y con distribuciones Exponenciales con parámetro α igual, es decir, ~, 1,2,,. Sea S la suma de estas variables, entonces, ~, Sea X una variable aleatoria Gamma con parámetros (α, r) tal que k = 2r sea un número entero. Sea Y = 2αX, entonces, 2~ 2 Ejemplo 6.9) Sea ~,3. Obtener de tres formas distintas P{X 2,5}. La primera forma es calculando el área bajo la función de densidad. Para ello hay que conocer la función de densidad, Entonces, Γ 4 27, 2, ,234 La segunda forma sería a partir de la expresión de la función de distribución acumulativa aprovechando que r es un entero,

15 15 1! 1 2 3! Entonces, 2,5 2, ! La tercera forma, involucra la definición de la Chi Cuadrado, , ~ 2,5 10 0,234 3 Este último valor debemos buscarlo en una tabla de áreas bajo la curva Chi Cuadrado con 6 grados de libertad. Ejemplo 6.10) Sea X una exponencial con parámetro λ. Calcular la probabilidad de que X tome un valor mayor que su media. Si X es una exponencial con parámetro λ. su función de densidad y su valor esperado serán, 1 Entonces, 1 0,36788 Ejemplo 6.11) Sea X una exponencial con parámetro λ. Calcular. Si X es una exponencial con parámetro λ. su función de densidad será, Entonces, ; 0 1 1

16 16 Pero, 1 ; 0 0; Entonces, 1 1 Esta última expresión se conoce como Propiedad de pérdida de memoria de la variable Exponencial RELACIÓN ENTRE LA VARIABLE GAMMA Y LA VARIABLE POISSON A partir de la definición de una variable Poisson (Variable Discreta) hay que recordar que es un proceso de conteo de eventos que ocurren durante un intervalo de observación de duración Τ. Ese Proceso de conteo se conoce en la literatura como Proceso Poisson. El número de eventos, X, que ocurre durante ese intervalo se conoce como una variable aleatoria Poisson con parámetros λ y Τ mientras que su función de masa de probabilidades viene dada por ; 0! Considere ahora los instantes en los cuales ocurren estos eventos. Sean t 1, t 2, t k, los instantes en los que ocurren los k eventos en el intervalo de ancho Τ. Considere además, las diferencias de tiempo entre dos ocurrencias consecutivas como τ 1, τ 2, τ k, tal que ; 0 La gráfica siguiente muestra la relación planteada Ejemplo para k = 4 τ 3 τ 1 τ 2 τ 4 t 1 t 2 t 3 t 4 Τ

17 17 Nótese que ya que el número de eventos que ocurre es aleatorio también lo son los instantes t i y los intervalos τ i. Esto lleva a definir las variables aleatorias T 1, T 2, T k, instantes en que ocurre el evento k y las variables τ 1, τ 2, τ k, tiempo entre dos ocurrencias consecutivas. Considere un instante de tiempo t, tal que 0 < t t 1, entonces puede notarse que hasta ese instante NO HA OCURRIDO ningún evento, por tanto X = 0. También podría decirse que el primer evento ocurrirá después de ese instante t. Nótese particularmente que. Por tanto, serán eventos equivalentes los siguientes 0 0 Es decir, la función de distribución acumulativa del instante en que ocurre el primer evento será 1 ~ Considere ahora un instante de tiempo t, tal que 0 < t t 2, entonces puede notarse que hasta ese instante HA OCURRIDO A LO SUMO un evento, por tanto X 1. También podría decirse que el segundo evento ocurrirá después de ese instante t. Por tanto, serán eventos equivalentes los siguientes 1 1 Es decir, la función de distribución acumulativa del instante en que ocurre el segundo evento será 1 ~, 2 Siguiendo este razonamiento inductivo se puede concluir El tiempo entre dos ocurrencias consecutivas en un Proceso Poisson con parámetro λ se distribuye en forma Exponencial con parámetro λ. El tiempo entre dos ocurrencias no consecutivas, digamos entre la ocurrencia j y la ocurrencia (j + k), en un Proceso Poisson con parámetro λ se distribuye en forma Erlang con parámetros λ y k. Nótese que no depende de j.

18 18 Ejemplo 6.12) Los clientes de un banco llegan al mismo según un Proceso Poisson con parámetro λ = 5 clientes por minuto. El banco habilita una taquilla especial para atender a los clientes que solo van a depositar. De experiencias anteriores se sabe que la probabilidad de que un cliente solo haga depósitos bancarios es de 0,2. Calcular a) la probabilidad de que entre el primer cliente que llega y el tercero hayan transcurrido más de 50 segundos; b) la probabilidad de que entre un cliente cualquiera que llega a la taquilla especial y el tercero después de él a la misma taquilla hayan transcurrido a lo sumo dos minutos; c) el tiempo esperado entre la llegada del cuarto y el noveno cliente. Parte a) Sea T 2 el tiempo entre el primer y tercer cliente en llegar al banco, entonces, ~5,2 por tanto, ,08 Parte b) En este caso, hay que considerar la tasa de llegada a la taquilla especial. λ T = 0,2λ = 1. La probabilidad solicitada está relacionada con la variable ~1,3, por tanto, ,323 Parte c) Sea T 9 4=5 el tiempo entre el cuarto y el noveno cliente en llegar al banco, entonces, ~5,5 por tanto, 1 Ejemplo 6.13) El número de hombres que llega a una peluquería unisex en un intervalo de 10 minutos es una variable Poisson con valor medio igual a 2. El número de mujeres que llega a esa peluquería pero en un intervalo de 15 minutos es una variable Poisson con valor medio igual a 4. Calcular a) el tiempo esperado para que lleguen i) 2 hombres, ii) 3 mujeres, iii) 4 clientes; b) la probabilidad de que entre la llegada consecutiva de dos hombres hayan transcurrido más de 20 minutos; c) la probabilidad de que la tercera mujer llegue en menos de un cuarto de hora; d) la probabilidad de que entre la llegada de un cliente y el cuarto cliente pase menos de media hora. Parte a) La tasa del Proceso Poisson de llegada de los hombres es igual a ,2 10 La tasa del Proceso Poisson de llegada de las mujeres es igual a

19 19 La tasa del Proceso Poisson de llegada de clientes es igual a Sea H 2 el tiempo hasta la llegada del segundo hombre, entonces, ~,2 por tanto,, 10 Sea M 3 el tiempo hasta la llegada de la tercera mujer, entonces, ~,3 por tanto, 11,25 Sea C 4 el tiempo hasta la llegada del tercer cliente, entonces, ~,4 por tanto, 8,57 Parte b) La probabilidad solicitada está relacionada con la variable ~,1, por tanto, 20 0,135 Parte c) La probabilidad solicitada está relacionada con la variable ~,3, por tanto, ,7985 Parte d) La probabilidad solicitada está relacionada con la variable ~,4, por tanto, ,9995

20 20 4) DISTRIBUCIÓN BETA. X es una variable aleatoria Beta con parámetros α, β, a y b, todos reales positivos y a < b, si su función de densidad de probabilidades tiene la forma. ~,,, ;,, ;, 0; Donde la función B(α, β) es la función beta, definida como B, 1 ΓΓ Γ Es interesante definir el caso particular en el cual a = 0 y b = 1. En este caso, se hablará de la Beta Estándar, es decir, 1 ~, ; ; 01, 0; Definitivamente, entre la variable Beta y la variable Beta Estándar existe una relación dada por ~,,, ~, El lector debe verificar los datos en la tabla siguiente Tipo de Distribución E(X) V(X) E(X n ), n entero positivo Beta de cuatro parámetros, es Γ Γ decir, ΓΓ,,, 1 Beta de dos parámetros, es decir,, 1 Γ Γ ΓΓ

21 21 A continuación se muestran gráficas de la función de densidad Beta Estándar para distintos valores de α y β. Ejemplo 6.14) Se aplica un esfuerzo a una barra de acero de 20 pulgadas de longitud que está sujeta en una posición fija en ambos extremos. Sea Y la distancia desde el extremo izquierdo en el que se rompe la barra. Suponga que la variable X = Y/20 tiene una distribución Beta Estándar tal que, E(Y) = 10 y V(Y) = 100/7. Calcular a) P{8 Y 12}; b) la probabilidad de que la barra se rompa a más de dos pulgadas de donde se espera que se rompa. Para obtener los parámetros α y β de la beta estándar se tiene que Del sistema de ecuaciones planteado se deduce que 3 Parte a) La probabilidad solicitada será ,4 0,6 1 3,3,,

22 22, ,365 Parte b) La probabilidad solicitada es P{Y E(Y) + 2}., ,6 1 3,3, ,31744, Ejemplo 6.15) En el diseño de una red PERT se tiene una actividad cuyos tiempos de ejecución más pesimista, más probable y más optimista son 8 días, 5,5 días y 4 días, respectivamente. Calcular a) la media y la desviación estándar del tiempo de ejecución de dicha actividad; b) la probabilidad de que la actividad tenga una duración entre 5 y 7 días. Es muy común modelar el tiempo de duración de una actividad, confinada en el tiempo, como una variable Beta de cuatro parámetros. Una de esas aplicaciones es en el modelaje de una red PERT. En estas circunstancias, los parámetros a y b coinciden con los valores optimista y pesimista, respectivamente, tal que, en este caso, a = 4 y b = 8. Para obtener los parámetros α y β se considera el valor más probable como la moda de la distribución, (m = 5,5) pero este dato solo proporciona una ecuación manteniendo dos incógnitas. A partir de la función de densidad la moda m e (en el caso de la beta estándar) se calcula como sigue (recuerde que m = m e (b a) + a) ,54 4 5, , ; 1 Una segunda ecuación se obtiene al considerar que prácticamente el 100% del área bajo la beta está en un intervalo de ± 3σ alrededor del valor esperado, es decir, A partir de estas ecuaciones se consigue ;

23 23 Parte a) Por tanto, , Parte b) La probabilidad solicitada es P{5 Y 7}. 5,67 36 Con los valores de E(Y) y V(Y) conseguidos en la parte a) se tiene que , Por tanto, , , Ю Ю 5) DISTRIBUCIÓN DE WEIBULL. X es una variable aleatoria Weibull con parámetros α y β, ambos reales positivos, si su función de densidad de probabilidades tiene la forma ~,, ; 0 0; El lector debe verificar los datos en la tabla siguiente F X (x) E(X) V(X) E(X K ) 1 ; 0 0; Γ Γ 1 2 Γ1 1 Γ 1 A continuación se muestran gráficas de la función de densidad Weibull para distintos valores de α y β. Nótese que en el caso particular de β = 1, la variable Weibull es una exponencial con parámetro α.

24 24 Para el caso en el cual β = 2 y, la variable Weibull es una variable Rayleigh con parámetro a. Ejemplo 6.16) El tiempo (en años) hasta la falla de un equipo electrónico tiene una distribución de Weibull con parámetros α = 25 y β = 2. Calcular a) la media y la desviación estándar del tiempo de falla; b) la probabilidad de que el equipo tenga que ser reemplazado antes de lo esperado. Sea X ~ W(25, 2) entonces Γ Parte a) Por tanto, Γ Γ 1 2 Γ1 1 Γ Parte b) La probabilidad solicitada es P{ X < E(X)}. Γ 1 2 Γ , Γ2 Γ , ,544

25 25 7) DISTRIBUCIÓN TRAPEZOIDAL. X es una variable aleatoria Trapezoidal con parámetros reales a, b, c y d, tales que a < b < c < d, si su función de densidad de probabilidades tiene la forma ~,,,, 2 ; 2 ; 2 ; 0; El lector debe verificar los datos en la tabla siguiente (se deja propuesto el cálculo de V(X)) F X (x) 0; ; 2 ; 1 ; 1; E(X) 3 A continuación se muestran gráficas de la función de densidad y de distribución Trapezoidal. 2/(d+c a b) f X (x) 1 F X (x) X a b c d X

26 26 8) DISTRIBUCIÓN LOGNORMAL. X es una variable aleatoria LogNormal con parámetros μ y σ 2, ambos reales y σ 2 > 0, si su función de densidad de probabilidades tiene la forma ~,, ; 0 0; Es interesante destacar la relación que existe entre una Normal y una LogNormal. ~,, ln ~, El lector debe verificar los datos en la tabla siguiente. Nótese que la función de distribución solo puede ser expresada como una integral en vista de que el integrando en cuestión no tiene primitiva. 1 2 F X (x) (x 0) E(X) V(X) 1 A continuación se muestran gráficas de la función de densidad LogNormal para distintos valores de μ y σ. A la izquierda se tiene μ = 0 y σ 2 variable mientras que a la derecha se tiene σ 2 = 1 y μ variable. En vista de la relación entre la LogNormal y la Normal se pueden relacionar sus funciones de distribución y en particular la función de distribución LogNormal en términos de la función de distribución normal Estándar. Esto permitirá el cálculo de probabilidades asociadas a la LogNormal.

27 27 ~,, ln ln ~0,1 σ Φ σ En particular, ln σ ln Φ ln Φ ln σ σ σ Ejemplo 6.17) Para una LogNormal calcule la probabilidad de que tome valores mayores a e μ. Sea X ~ LOG(μ, σ 2 ) entonces la probabilidad solicitada es P{X > e μ }. ln 0 Φ0 1 σ 2 Ejemplo 6.18) Sea X una variable LogNormal, X ~ LOG(5, 0,01). Calcule a) el valor esperado, b) la varianza y c) la probabilidad de que tome valores en el intervalo (100, 175). Parte a) El valor esperado será,,, 149,157 Parte b) La varianza y la desviación estándar serán 1, 14,953 Parte c) La probabilidad solicitada es P{100 < X < 175}. ln ,1,, 1 223,5945 ln ,1 Φ1,6479 Φ3,9483 0,9505

28 28 9) DISTRIBUCIÓN DE CAUCHY. X es una variable aleatoria Cauchy con parámetros α y β, ambos reales y β > 0, si su función de densidad de probabilidades tiene la forma ~,, 0 La función de distribución de Cauchy viene dada por El lector debe verificar el resultado anterior. Por otro lado, es interesante observar que al pretender calcular E(X K ), para K = 1, 2,, la integral impropia NO CONVERGE lo que implica que no se dispone de valor esperado, ni de varianza ni de otros momentos para esta variable. 10) DISTRIBUCIÓN DE LAPLACE. X es una variable aleatoria Laplace con parámetros μ y λ, ambos reales y λ > 0, si su función de densidad de probabilidades tiene la forma ~,, El lector debe verificar los datos en la tabla siguiente. F X (x) E(X) V(X) m X (t) 1 2 ; ; 2 1 ; 1

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid 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 detalles

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

Unidad Temática 3: Probabilidad y Variables Aleatorias

Unidad Temática 3: Probabilidad y Variables Aleatorias Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento

Más detalles

Tema 6. Variables aleatorias continuas

Tema 6. Variables aleatorias continuas Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),

Más detalles

Grupo 23 Semestre Segundo examen parcial

Grupo 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 detalles

Modelado de la aleatoriedad: Distribuciones

Modelado de la aleatoriedad: Distribuciones Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:

Más detalles

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema: Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz

Más detalles

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución

Más detalles

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación

Más detalles

Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.

Unidad 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 detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

Gráficas 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. 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 detalles

Estadística Aplicada

Estadística Aplicada Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.

Más detalles

Curso de Probabilidad y Estadística

Curso de Probabilidad y Estadística Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica

Más detalles

1.1. Distribución exponencial. Definición y propiedades

1.1. Distribución exponencial. Definición y propiedades CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -

Más detalles

Unidad IV: Distribuciones muestrales

Unidad 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 detalles

Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.

Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana. Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada

Más detalles

Ejercicios de Variables Aleatorias

Ejercicios de Variables Aleatorias Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si

Más detalles

FACULTAD 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 detalles

Cálculo de Probabilidades II Preguntas Tema 1

Cálculo 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 detalles

Modelos de PERT/CPM: Probabilístico

Modelos de PERT/CPM: Probabilístico INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,

Más detalles

CAPÍTULO 4 TÉCNICA PERT

CAPÍTULO 4 TÉCNICA PERT 54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con

Más detalles

Distribuciones de probabilidad más usuales

Distribuciones de probabilidad más usuales Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y

Más detalles

Prof. Eliana Guzmán U. Semestre A-2015

Prof. Eliana Guzmán U. Semestre A-2015 Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

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 detalles

Introducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.

Introducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos

Más detalles

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más

Más detalles

Unidad 1: Espacio de Probabilidad

Unidad 1: Espacio de Probabilidad Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar

Más detalles

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

3 PROBABILIDAD Y DISTRIBUCION NORMAL

3 PROBABILIDAD Y DISTRIBUCION NORMAL 3 PROBABILIDAD Y DISTRIBUCION NORMAL La probabilidad puede ser considerada como una teoría referente a los resultados posibles de los experimentos. Estos experimentos deben ser repetitivos; es decir poder

Más detalles

TEMA 3: Probabilidad. Modelos. Probabilidad

TEMA 3: Probabilidad. Modelos. Probabilidad TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un

Más detalles

Teorema Central del Límite (1)

Teorema 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 detalles

Distribuciones de Probabilidad

Distribuciones 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 detalles

Distribuciones Paramétricas

Distribuciones Paramétricas Distribuciones Paramétricas Objetivo: Estudiar el uso de formas matemáticas particulares, llamadas distribuciones paramétricas, para representar las variaciones en los datos. Una distribución paramétrica

Más detalles

Unidad Temática 3 UT3-1: Variable Aleatoria

Unidad Temática 3 UT3-1: Variable Aleatoria Autoevaluación UT3 Unidad Temática 3 UT3-1: Variable Aleatoria Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza.

Más detalles

La probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda es. 2) (2) (2) "it^g) = 64

La probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda es. 2) (2) (2) it^g) = 64 Las distribuciones binomial, normal y de Poisson CAPITULO 7 Wmmr LA DISTRIBUCION B I N O M I A L Si p es la probabilidad de que cualquier evento ocurra en un solo ensayo (denominada probabilidad de éxito)

Más detalles

Distribución binomial

Distribución binomial Distribución binomial Cuando la Distribución de Benoulli se preguntaba Que pasara si sucede un único evento? la binomial esta asociada a la pregunta " Cuantas veces hay que realizar la prueba para que

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8) PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua

Más detalles

Prueba Integral Lapso /6

Prueba Integral Lapso /6 Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,

Más detalles

DISTRIBUCIÓN DE POISSON

DISTRIBUCIÓN 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 detalles

PROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.

PROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado. 1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto

Más detalles

Distribución normal estándar. Juan José Hernández Ocaña

Distribución normal estándar. Juan José Hernández Ocaña Distribución normal estándar Juan José Hernández Ocaña Tipos de variables jujo386@hotmail.com Tipos de variables Cualitativas Son las variables que expresan distintas cualidades, características o modalidades.

Más detalles

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo

Más detalles

SESION 12 LA DISTRIBUCIÓN BINOMIAL

SESION 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 detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 13: Distribuciones de probabilidad. Estadística Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número

Más detalles

3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.

3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. 3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,

Más detalles

Estadística para la toma de decisiones

Estadística para la toma de decisiones Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la

Más detalles

ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016

ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016 ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016 Ejercicio 1 Una empresa de selección de personal llama a 12 postulantes para una entrevista de empleo. Se sabe por experiencia

Más detalles

VARIABLES ALEATORIAS DISCRETAS

VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:

Más detalles

Generación de variables aleatorias continuas Método de la transformada inversa

Generación de variables aleatorias continuas Método de la transformada inversa Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable 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 detalles

Generación de variables aleatorias continuas Método de rechazo

Generación de variables aleatorias continuas Método de rechazo Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa

Más detalles

Generación de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Generación de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones

Más detalles

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).

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). 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 detalles

Discretas. Continuas

Discretas. 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 detalles

CM0244. Suficientable

CM0244. 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 detalles

ESTADÍSTICA. Se trata de una variable aleatoria binormal con n=5, probabilidad= ¼. B(5, ¼); La probabilidad es P= P(x=3) +P(x=4) + P(x=5):

ESTADÍSTICA. Se trata de una variable aleatoria binormal con n=5, probabilidad= ¼. B(5, ¼); La probabilidad es P= P(x=3) +P(x=4) + P(x=5): ESTADÍSTICA AYUDAS PARA EL TEST (1ºParcial) 1) La suma de probabilidades de todos los casos posibles de un experimento tiene que ser igual a uno. 2) La probabilidad de aprobar este test (5 preguntas, cada

Más detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 3

Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias

Más detalles

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.

LECTURA 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 detalles

AUXILIAR 1 PROBLEMA 1

AUXILIAR 1 PROBLEMA 1 AUXILIAR 1 PROBLEMA 1 Calcular el campo eléctrico en cualquier punto del espacio, producido por una recta de carga infinita (con densidad lineal de carga λ0). Luego, aplicar el teorema de Gauss para obtener

Más detalles

TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...

TEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer... TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones

Más detalles

Distribuciones de probabilidad bidimensionales o conjuntas

Distribuciones 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 detalles

Variables aleatorias

Variables aleatorias Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,

Más detalles

5 Variables aleatorias contínuas

5 Variables aleatorias contínuas 5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua

Más detalles

La reordenación aleatoria de un conjunto finito

La reordenación aleatoria de un conjunto finito La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos

Más detalles

Medidas de tendencia central y dispersión

Medidas de tendencia central y dispersión Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:

Más detalles

Tema 3. VARIABLES ALEATORIAS.

Tema 3. VARIABLES ALEATORIAS. 3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable

Más detalles

Unidad Temática 2 Probabilidad

Unidad 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 detalles

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.

Más detalles

PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C)

PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C) PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C) I.E.S. Universidad Laboral de Málaga Curso 2015/2016 PROGRAMACIÓN DE LA

Más detalles

Proceso de llegadas de Poisson

Proceso de llegadas de Poisson Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de

Más detalles

CÁLCULO DE PROBABILIDADES

CÁLCULO DE PROBABILIDADES CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.

Más detalles

Probabilidad, Variables aleatorias y Distribuciones

Probabilidad, Variables aleatorias y Distribuciones Prueba de evaluación continua Grupo D 7-XII-.- Se sabe que el 90% de los fumadores llegaron a padecer cáncer de pulmón, mientras que entre los no fumadores la proporción de los que sufrieron de cáncer

Más detalles

ESTADÍSTICA SEMANA 3

ESTADÍSTICA SEMANA 3 ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...

Más detalles

Unidad II: Fundamentos de la teoría de probabilidad

Unidad 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 detalles

Sistemas 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 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 detalles

Definición de probabilidad

Definición 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 detalles

MATEMÁTICAS II TEMA 6 Planos y rectas en el espacio. Problemas de ángulos, paralelismo y perpendicularidad, simetrías y distancias

MATEMÁTICAS II TEMA 6 Planos y rectas en el espacio. Problemas de ángulos, paralelismo y perpendicularidad, simetrías y distancias Geometría del espacio: problemas de ángulos y distancias; simetrías MATEMÁTICAS II TEMA 6 Planos y rectas en el espacio Problemas de ángulos, paralelismo y perpendicularidad, simetrías y distancias Ángulos

Más detalles

Definición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...

Definición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,... Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme

Más detalles

Límites y continuidad de funciones reales de variable real

Límites y continuidad de funciones reales de variable real Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones

Más detalles

b) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7

b) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7 EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho

Más detalles

Tema 5. Variables Aleatorias

Tema 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 detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

Capítulo 2 Análisis espectral de señales

Capítulo 2 Análisis espectral de señales Capítulo 2 Análisis espectral de señales Objetivos 1. Se pretende que el alumno repase las herramientas necesarias para el análisis espectral de señales. 2. Que el alumno comprenda el concepto de espectro

Más detalles

4. NÚMEROS PSEUDOALEATORIOS.

4. NÚMEROS PSEUDOALEATORIOS. 4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar

Más detalles

5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD

5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina

Más detalles

TEMA 8. GEOMETRÍA ANALÍTICA.

TEMA 8. GEOMETRÍA ANALÍTICA. TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos

Más detalles

Espacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1

Espacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1 Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...

Más detalles

Curso de nivelación Estadística y Matemática

Curso de nivelación Estadística y Matemática Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad

Más detalles

Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)

Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4) Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos

Más detalles

Probabilidad 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 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 detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 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 detalles

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad

Estadística 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 detalles

Distribuciones de probabilidad

Distribuciones 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 detalles