Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM
|
|
- Gustavo Soto Soriano
- hace 6 años
- Vistas:
Transcripción
1 Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy Higuera Cartes Doctor en Ciencias de la Ingeniería, Mención Ingeniería Civil de Industrias
2 Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte el local Por otro lado, del resultado del lanzamiento de una moneda se puede definir qué candidato debe declararse ganador en caso de que hayan obtenido igual votación Sin embargo, a pesar de que el propósito sea distinto cuando se lleva a cabo un experimento aleatorio, éste no cambia su comportamiento por el simple hecho que los propósitos cambien
3 Así, al llevar a cabo un experimento aleatorio, nuestro interés está en lo que denominaremos variable aleatoria Una variable aleatoriaes aquella que asume valores de acuerdo con los resultados de un experimento aleatorio Por ejemplo, si lanzamos una moneda dos veces sabemos que el espacio muestralcorrespondiente a este experimento aleatorio es S = {cc, cs, sc, ss} Si de los resultados del lanzamiento de la moneda nos interesa el número de caras que se obtienen en los lanzamientos, entonces, definimos la variable aleatoria X = número de caras en los dos lanzamientos
4 Los valores posibles de esta variable son: X = 0, que se identifica con sso lo que es lo mismo con el evento, A: se obtienen dos sellos X = 1, que se identifica con cs, sco lo que es lo mismo con el evento, B: se obtiene una cara X = 2, que se identifica con cc o lo que es lo mismo con el evento, C: se obtienen dos caras Por lo anterior, se tiene que P(X = 0) = P(A) = 1/4, P(X = 1) = P(B) = 1/2, P(X = 2) = P(C) = 1/4 Estos resultados se pueden resumir en una tabla denominada distribución de probabilidad
5 En general, una distribución de probabilidadrelaciona los valores que toma la variable aleatoria (X) con sus probabilidades respectivas (P) X P = P(X = x) 1/4 1/2 1/4 En general, para cualquier distribución de probabilidad discreta, la suma de las probabilidades de todos los valores que pueda asumir la variable debe ser igual a 1 Una variable aleatoria discretaes aquella asociada a experimentos en que los distintos resultados se pueden dar de manera discreta, por lo tanto, sólo puede tomar algunos valores entre dos números dados
6 Por ejemplo, son variables aleatorias discretas: X = número de puntos que muestra la cara superior de un dado después de su lanzamiento Y = número de trabajadores que registran atrasos durante un mes determinado La distribución de probabilidad de una variable aleatoria discretaes una tabla, gráfica, fórmula o cualquier otro medio que se usa para especificar todos los valores posibles de la variable, junto con sus respectivas probabilidades La tabla del ejemplo de la moneda que se lanza dos veces es una ilustración de este tipo de distribuciones
7 Una distribución de probabilidad de una variable aleatoria discreta X, que puede tomar los valores x i, i = 1,..., n; debe satisfacer lo siguiente: Todos los P i = P(X = x i ) 0 Y, como ya se había planteado, La probabilidad P(X x) = i n = P 1 i 1 i = P(X = x ) Por ejemplo, la probabilidad de obtener 1 cara o menos es P(X 1) = P(X = 0) + P(X = 1) = 1/4 + 1/2 = 3/4 Esta probabilidad motiva el concepto de función de distribución acumulada(f X (x)), que es de suma importancia, especialmente cuando se estudian variables aleatorias continuas, y se define como: F X (x) = P(X x) k k ; x k x i
8 La distribución de las variables discretas que se emplean en el estudio de problemas de interés se da generalmente mediante una fórmula y, en particular, la más frecuentemente usada es la distribución binomial Una variable aleatoria continuaes aquella asociada a experimentos cuyos resultados se pueden dar de forma continua, por ejemplo, el peso de los seres humanos Por lo tanto, a diferencia de una variable aleatoria discreta, que puede tomar un número finito de valores, una variable aleatoria continua puede tomar cualquier valor dentro de un intervalo dado
9 Para el ejemplo de los pesos de los seres humanos, al tomar X como la variable aleatoria que representa el peso de una persona escogida al azar, su peso real puede ser cualquier número perteneciente al rango entre 0 y 200 kg. (problemas de medición) Como la variable aleatoria continua puede tomar un infinito número de valores, la probabilidad no se puede obtener por conteo (n = P(X = x) = 0) Así, es necesario recurrir a otros niveles superiores de la matemática para estudiar el comportamiento de la variable, con lo cual se obtienen distintos modelos
10 Estos modelos indican que para hacer tales cálculos debemos evaluar la integral definida de una cierta función (una diferente para cada modelo) llamada función de densidad La función de densidad(f X (x)) se dice que es la distribución de probabilidad de la variable aleatoria continua X La función de densidad f X (x) de una variable aleatoria continua X [a, b]debe satisfacer las siguientes propiedades básicas: No puede tomar valores negativos, i.e. f X (x) 0; x
11 El área total bajo la curva debe igualar a 1, i.e. b fx(x) dx = a P(a X b) = 1 P(X = c) = f (x) dx = 0 c c X P(X c) = P(X < c) = c fx(x) dx = F X (c) a P(c < X < d) = P(c X d) = P(c < X d) = P(c X < d) = P(X d) - P(X c) = F X (d)-f X (c) = f (x) dx d c X Cuando trabajamos con variables aleatorias continuas, sólo tiene sentido la probabilidad que X caiga dentro de algún rango particular y no que tome un valor dado Es importante resaltar que la distribución de probabilidad de una población es análoga a la distribución de frecuencia relativa de los datos muestrales
12 Por lo tanto, cada distribución de probabilidad tiene asociada medidas (parámetros) similares a las medidas descriptivas que se han señalado para los datos muestrales(estadísticas) Así, la distribución de probabilidad de una población posee una medida que es equivalente al concepto de media muestraly se denomina valor esperado, además, el equivalente de la varianza también existe y la llamamos varianza poblacional El valor esperado de una variable aleatoria discreta X que asume los valores x 1,..., x n con probabilidades respectivas P 1,...,P n es: n E (X) = µ = = x P(X = x X i 1 i i)
13 En el ejemplo del lanzamiento de la moneda dos veces se tiene que µ X = 0(1/4) + 1(1/2) + 2(1/4) = 1 La interpretación de este valor esperado es: Si lanzamos dos veces la moneda un número grande de veces y tomamos la media del número de caras que se van obteniendo, entonces la media tenderá a 1 Por otro lado, la varianza de una variable aleatoria discreta X que asume los valores x 1,..., x n con probabilidades respectivas P 1,...,P n es: 2 2 n 2 σx = V (X) = E[(X µ X) ] = = (xi µ X) P(X = xi) La desviación estándar (σ X ) está dada por i 1 2 σ X = σ X
14 En el ejemplo del lanzamiento de la moneda dos veces tenemos que la varianza de X es: V(X) = (0-1) 2 (1/4) + (1-1) 2 (1/2) + (2-1) 2 (1/4) = 0,5 La desviación estándar es σ X = 0,5 = 0,71 La varianza es una medida del grado de concentración de los valores de la variable aleatoria alrededor de su media µ X, mientras más dispersos estén éstos respecto de la media, mayor será la varianza La distribución binomialestá ligada los experimentos aleatorios llamados ensayos de Bernoulli, los cuales pueden sólo concluir de 2 formas distintas mutuamente excluyentes e independientes (éxito o fracaso)
15 Ejemplos de ensayos de Bernoulli son: Seleccionar un artículo para clasificarlo como bueno o defectuoso Seleccionar una persona para clasificarla como apta o no apta para algún trabajo de acuerdo con algún criterio Los ensayos de Bernoulli dan origen a un variable aleatoria (Y) que sólo toma dos valores y cuyas probabilidades (distribución de Bernoulli) son: p, y = 1 P(Y = y) = q = 1 p, y = 0 0, otro caso
16 Donde, p es la probabilidad de que se dé un éxito y q la probabilidad de que ocurra un fracaso Un proceso de Bernoullies una sucesión de ensayos de Bernoulli con las características siguientes: En cada ensayo, el éxito tiene una probabilidad p y el fracaso una probabilidad q = 1 -p de ocurrir Las probabilidades de éxito y fracaso permanecen constantes durante el proceso Los ensayos son independientes, es decir, el resultado de un ensayo no es afectado por el resultado de otro Supongamos que se lleva a cabo un proceso de Bernoulli y sea la variable X = número de éxitos en n ensayos
17 Como la sucesión de éxitos (E) y fracasos (F) puede expresarse mediante la sucesión y 1,..., y n de valores de una variable con distribución de Bernoulli, se tiene que X = Y Y n = Número de veces que se da 1 (i.e., el número de éxitos) Pero, existen distintas formas en que x unos pueden aparecer al realizar n experimentos Por ejemplo, si tenemos n = 2 y x = 1, existen 2 resultados posibles, éstos son EF y FE Por lo tanto, debemos determinar de cuántas formas pueden aparecer x unos en n experimentos?
18 Así, en general, se puede determinar que el número de formas como pueden colocarse x unos dentro de n espacios está dado por: n n! = x (n x)!(x)! Donde, n! = n n 1 n Por ejemplo, si x = 3 y n = 10 se tiene que: 10 10! (7)! 720 = = = = (10 3)!(3)! (7)!(3 2 1) 6 Por lo tanto, existen 120 resultados posibles en que x = 3 cuando n = 10
19 Cada uno de estos resultados del proceso son independientes entre sí y tienen asignada una probabilidad, resultante del producto de x factores iguales a p y (n -x) factores iguales a q Así, la variable aleatoria, X = número de éxitos en los n ensayos de Bernoulli, tiene una distribución binomial, dada como sigue: P(X = x) = n x n x p q, x = 0,1, K,n x 0, para cualquier otro valor de x
20 Por ejemplo, si el 10% de las piezas que produce una máquina automática es defectuoso y se toma al azar una muestra de 20 piezas cuál es la probabilidad de encontrar 2 piezas defectuosas? Definiendo la variable aleatoria X = número de piezas defectuosas y dado que p = 0,1, la respuesta es: P(X = 2) = (0,1) (0,9) = 190 0,1 0,9 = 0,285 2 La media y la varianza de una variable que sigue una 2 distribución binomial son µ X = np y σx = npq = np(1 p) respectivamente
21 Respecto del ejemplo anterior, cuántas piezas defectuosas se espera encontrar en la muestra? Esta información la proporciona el valor esperado, por lo tanto, la respuesta es np= 20(0,1) = 2 Ya vista la distribución binomial, en el contexto de las variables aleatorias discretas, ahora dirigimos la mirada hacia las variables aleatorias continuas Una de las distribuciones continuas, y tal vez la más importante, es la distribución normal, la cual ocupa un lugar destacado en la inferencia estadística La gráfica de la función de densidad normal se llama curva normaly tiene forma de campana
22 La curva normal describe de forma aproximada muchos fenómenos que suceden en la naturaleza, tales como la estatura de los seres humanos y el cociente de inteligencia de los niños, la industria y la investigación Respecto a la inferencia estadística, las distribuciones de muchas estadísticas muestralestienden a la distribución normal conforme crece el tamaño de la muestra Así, muchas distribuciones en economía, control de calidad y ciencias sociales, no se asemejan a la normal; pero en todo caso la distribución de la media muestralse puede tratar como normal, y así se hace por lo general siempre y cuando la muestra sea grande
23 La función de densidad de la variable aleatoria normal X, con media µy varianza σ 2, es: 1 2 (x µ ) f (x) e 2 2σ X = ; x R 2πσ Cuando nos referimos a una variable aleatoria con distribución normal de media µy varianza σ 2, escribimos de manera simbólica X ~ N(µ, σ 2 ) La curva normal presenta la siguiente apariencia: σ µ x
24 La curva normal posee las siguientes propiedades: La moda, que es el punto sobre el eje horizontal donde la curva tiene su máximo, ocurre en x = µ La curva es simétrica, por lo tanto, en x = µ también se encuentra la mediana La curva tiene sus puntos de inflexión en x = µ ± σ, fuera del intervalo [µ-σ, µ+ σ] es convexa, y es cóncava dentro de ese intervalo La curva normal se acerca al eje horizontal en forma asintótica en cualquiera de las dos direcciones El área total limitada por la curva y el eje horizontal es igual a 1
25 Aunque teóricamente el dominio de la función de densidad normal es infinito, en la práctica los valores de la variable se consideran reducidos a un intervalo finito De hecho el 99,73% de las observaciones quedan incluidas en el intervalo [µ-3σ, µ+ 3σ], esto es, P(µ-3σ< X < µ+ 3σ) = 0,9973 Además, el 68,45% de las observaciones quedan incluidas en el intervalo [µ-σ, µ+ σ], mientras que el intervalo [µ-2σ, µ + 2σ] incluye el 95,45% de ellas Como la curva normal depende de µyσ, las probabilidades asociadas a cada distribución normal dependerán del valor de estos parámetros
26 Sin embargo, esta tarea se ve simplificada por la estandarización Es decir, una variable aleatoria X distribuida normalmente con media µy varianza σ 2 (X ~ N(µ, σ 2 )) siempre puede transformarse en una Z que posea una distribución normal estándar, esto es, Z ~ N(0, 1) La estandarización consiste en la transformación: Z = X µ σ De esta forma, todo cálculo de probabilidades puede ser realizado usando la distribución normal estándar solamente, una vez hecha la estandarización requerida
27 Por ejemplo, supongamos que cierta pieza de automóvil tiene un promedio de duración de 3 años, con desviación estándar de 0,5 años. Si las duraciones de las piezas son normalmente distribuidas cuál es la probabilidad de que una pieza tenga una duración mayor a 3,5 años? Definiendo la variable aleatoria X = años de duración de una pieza, se pide P(X > 3,5) dado que X ~ N(3, 0,5) P(X > 3,5) 3 3,5 x
28 Si empleamos la distribución normal estándar debemos encontrar el valor estandarizado Z = (3,5-3)/0,5 = 1 Ahora el problema se reduce a encontrar P(Z > 1), dado que Z ~ N(0, 1) Luego, la probabilidad P(Z 1) = 0,8413, por lo tanto, P(Z >1) = 1-0,8413 = 0,1587 Cuál es la probabilidad de que una pieza tenga una duración entre 2,5 y 3,75 años? Se está pidiendo P(2,5 < X < 3,75) = P(X < 3,75) - P(X < 2,5) = 0,9332-0,1587 = 0,7745 En términos de la distribución normal estándar tenemos P(-1 < X < 1,5) = P(X < 1,5) -P(X < -1) = 0,7745
29 Gráficamente se tiene: P(2,5 < X < 3,75) 2,5 3 3,75 Qué duración debe tener una pieza que dura más que el 80% de las piezas actuales? En este caso no se pregunta la probabilidad a partir de un valor de la variable, sino por el contrario, partiendo de una probabilidad se debe determinar el valor de la variable x
30 Es decir, se pide P(X < x p ) = 0,80 x p = 3,42, por lo tanto, una pieza debe tener una duración de 3,42 años para durar más que el 80% de las piezas Empleando la distribución normal estandarizada tenemos que resolver P(Z < z p ) = 0,80 z p = 0,84 y, dado que x p = z p σ+ µ, se tiene que x p = 3,42 En términos gráficos se tiene: P(X < x p ) 3 3,42 x
31 Las probabilidades asociadas con experimentos binomiales se pueden obtener fácilmente cuando n es pequeño, mediante la distribución binomial Cuando n es grande resulta más práctico calcular las probabilidades asociadas a una variable aleatoria binomial por procedimientos de aproximación, empleando la distribución normal Si X es una variable aleatoria con distribución binomial de media µ= npy varianza σ 2 = npq, entonces la distribución límite(cuando n ) de X está dada por: X np Z = ~N(0,1) npq
32 Por ejemplo, si se seleccionan aleatoriamente 100 artículos de un proceso que produce el 10% de artículos defectuosos, cuál es la probabilidad de que el número de defectuosos exceda de 10? Dado que n = 100, se tiene que µ= np= 100(0,1) = 10 y σ 2 = npq= 100(0,1)(0,9) = 9 Así, el valor de la variable normal estandarizada, considerando la corrección por continuidad(p(x = a) es aproximada por P(a -0,5 < X < a + 0,5)), es: 10,5 10 0,5 z = = = 0,17 P(Z > 0,17) = 1 P(Z 0,17) = 9 3 0,43
33 Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy Higuera Cartes Doctor en Ciencias de la Ingeniería, Mención Ingeniería Civil de Industrias
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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesTema 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 detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesNº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00
U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria
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 detallesUnidad 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 detallesDistribuciones Continuas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 7.
Distribuciones Continuas de Probabilidad 1 Contenido 1. Ejemplo. 2. Diferencia entre variables aleatorias discretas y continuas. 3. Diferencia de f(x) entre variables aleatorias discretas y continuas.
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 detallesINTRODUCCIÓN 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 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 detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesAnálisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy
Más detallesPROBABILIDAD. 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 detallesTema 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 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 detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 6 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
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 detallesMuchas 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 detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
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 detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más 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 detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesObjetivo: 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 detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detalles5. 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 detallesTEMA 2: DISTRIBUCIÓN DE PROBABILIDAD
TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD A partir de un experimento aleatorio cualquiera, se obtiene su espacio muestral E. Se llama variable aleatoria a una ley (o función) que a cada elemento del espacio
Más detalles3 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 detallesAlgunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.
Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesEstadística 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 detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 4 Variables aleatorias Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las características de las variables aleatorias discretas y continuas.
Más detallesFormulario. 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 detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesAlgunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesT. 2 Modelos teóricos de distribución de probabilidad
T. 2 Modelos teóricos de distribución de probabilidad 1. La distribución binomial 2. La distribución o curva normal El conocimiento acumulado en Psicología ha permitido evidenciar como algunas variables
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más 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 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 detallesTema 4 Variables Aleatorias
Tema 4 Variables Aleatorias 1 Introducción En Estadística Descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y posteriormente se vimos los fundamentos de la teoría de probabilidades.
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesDistribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio
Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),
Más detallesLa 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 detallesDISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña
DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL Variable discreta.- Es aquella que casi siempre asume solamente un conjunto
Más detallesUnidad 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 detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más 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 detallesNombre: Distribuciones de probabilidad discreta. Segunda parte. A qué nos referimos con probabilidad discreta?
Estadística 1 Sesión No. 9 Nombre: Distribuciones de probabilidad discreta. Segunda parte. Contextualización A qué nos referimos con probabilidad discreta? En la presente sesión analizarás y describirás
Más detallesCORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS
CORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS ACTIVIDAD ACADEMICA: ESTADISTICA DE LA PROBABILIDAD DOCENTE: LIC- ING: ROSMIRO FUENTES ROCHA UNIDAD
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesMatemática. Desafío. GUÍA DE EJERCITACIÓN AVANZADA Cálculo de medidas de dispersión y muestreo GUICEN041MT22-A16V1
GUÍA DE EJERCITACIÓN AVANZADA Cálculo de medidas de dispersión y muestreo Desafío Una población estadística está compuesta de cuatro números enteros consecutivos, siendo n el menor de ellos. La desviación
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesTema 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 detalles1. Experimentos aleatorios
1. Eperimentos aleatorios La eperimentación es útil porque si se supone que llevamos a cabo ciertos eperimentos bajo condiciones esencialmente idénticas se llegará a los mismos resultados. En estas circunstancias,
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 detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
Más detallesBioestadística. Curso Capítulo 3
Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesTema 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 detallesDisponible en el sitio OCW de la Universidad Nacional de Córdoba.
OCW - UNC OpenCourseWare I UNC Curso: Estadística I U 4. Variables Aleatorias Autora: Rosanna Casini Cómo citar el material: Disponible en el sitio OCW de la Universidad Nacional de Córdoba. Casini, Rosanna
Más detallesLa distribución normal
La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más detallesTEOREMA DEL LÍMITE CENTRAL
Material de clase n 2 Domingo 13 Junio TEOREMA DEL LÍMITE CENTRAL A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media x = µ
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesMÉTODOS CUANTITATIVOS. Freddy Higuera Departamento de Ingeniería Industrial Universidad Católica del Norte
MÉTODOS CUANTITATIVOS Freddy Higuera Departamento de Ingeniería Industrial Universidad Católica del Norte Estadística La estadística tradicionalmente ha sido clasificada en dos tipos, la estadística descriptiva
Más detallesEjercicio 1(12 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Primer Parcial Montevideo, 30 de mayo de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(12 puntos) En las elecciones departamentales se
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesDistribuciones Discretas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 6.
Distribuciones Discretas de Probabilidad 1 Contenido 1. Variables Aleatorias. 2. Distribuciones Discretas de Probabilidad. 3. Valor Esperado y Varianza. Propiedades. 4. Distribución de Probabilidad Binomial.
Más detallesProbabilidad, 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 detallesFundamentos de la Teoría de la Probabilidad. Ing. Eduardo Cruz Romero
Fundamentos de la Teoría de la Probabilidad Ing. Eduardo Cruz Romero www.tics-tlapa.com Teoría elemental de la probabilidad (1/3) El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos
Más detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
Más detalles