Estadística I Tema 4: Probabilidad y modelos probabiĺısticos
|
|
- Francisco José Miguel Ángel Belmonte Pinto
- hace 6 años
- Vistas:
Transcripción
1 Estadística I Tema 4: Probabilidad y modelos probabiĺısticos
2 Tema 4. Probabilidad y modelos probabiĺısticos Contenidos Probabilidad: Experimentos aleatorios, espacio muestral, sucesos elementales y compuestos. Propiedades de la probabilidad. Probabilidad condicionada. Variables aleatorias y sus características. Modelos de probabilidad discretos: Ensayos de Bernoulli y distribuciones relacionadas. Modelos de probabilidad continuos: Distribución uniforme y distribución normal. Introducción a la distribución normal bivariante.
3 Conceptos básicos Experimento aleatorio: proceso de observar un fenómeno cuyos resultados son inciertos. Espacio muestral: es el conjunto de todos los posibles resultados de un experimento aleatorio. Se denota por Ω = {e 1, e 2,..., e n,...} donde cada uno de sus elementos se denomina suceso elemental. Estos son siempre disjuntos dos a dos. Suceso: un subconjunto del espacio muestral, es decir, un conjunto de sucesos elementales A = {e 1, e 3 } Ejemplos: Resultado al lanzar una moneda. Precio de la acción x al cierre de sesión el próximo lunes.
4 Sucesos: conceptos básicos Intersección de sucesos: Si A y B son dos sucesos del espacio muestral Ω, entonces la intersección, A B, es el conjunto de todos los sucesos de Ω que están en A y en B. Representación en diagramas de Euler-Venn:
5 Sucesos: conceptos básicos A y B son sucesos incompatibles si no tienen ningún suceso elemental en común i.e., el conjunto A B es vacío
6 Sucesos: conceptos básicos Unión de sucesos: Si A y B son dos sucesos de un espacio muestral Ω, entonces la unión, A B, es el conjunto de todos los sucesos de Ω que pertenecen a cualquiera de los dos, A ó B.
7 Sucesos: conceptos básicos Sucesos triviales: Suceso seguro Ω: conjunto = espacio muestral Suceso imposible : conjunto = conjunto vacío Complementario o suceso contrario El complementario de un suceso A es el conjunto de todos los sucesos elementales de Ω que no están en A.
8 Ejemplo: lanzamiento de un dado Consideremos el experimento aleatorio resultado observado al lanzar un dado : suceso elemental: el 1, el 2, el 3, el 4, el 5, el 6 espacio muestral: Ω = {1, 2, 3, 4, 5, 6} suceso: A = {2, 4, 6} B = {4, 5, 6} El suceso A es sale un número par. El suceso B es sale un número mayor que tres.
9 Ejemplo: lanzamiento de un dado Ω = {1, 2, 3, 4, 5, 6} A = {2, 4, 6} B = {4, 5, 6} Complementario: Ā = {1, 3, 5} B = {1, 2, 3} Intersección: A B = {4, 6} Ā B = {1, 3} = A B Unión: A B = {2, 4, 5, 6} Ā B = {1, 2, 3, 5} = A B Sucesos incompatibles: Notar que: A Ā = {1, 2, 3, 4, 5, 6} = Ω A Ā = A B A A A B A B B B A B
10 Probabilidad Probabilidad clásica (regla de Laplace) Considera un experimento para el que todos los sucesos elementales son equiprobables. Si tenemos k sucesos elementales, P(A) = 1 k tamaño de A De esta manera, la probabilidad es una aplicación que asigna a cada suceso A un valor numérico P (A) [0, 1].
11 Propiedades de la probabilidad 0 P(A) 1. Sea A = {e 1, e 2,..., e n }, entonces P(A) = n i=1 P(e i). P(Ω) = 1 y P( ) = 0. Complementario: P(Ā) = 1 P(A). Unión: P(A B) = P(A) + P(B) P(A B). Si A y B son incompatibles (A B = ), entonces P(A B) = P(A) + P(B).
12 Ejemplo: lanzamiento de un dado Probabilidad de un suceso elemental: P(e i ) = 1 6, donde e i = i, para i = 1,..., 6. Probabilidad de que salga par: A = {2, 4, 6}, luego P(A) = P( 2 ) + P( 4 ) + P( 6 ) = = 1 2 Probabilidad de que salga mayor que 3: B = {4, 5, 6}, luego P(B) = P( 4 ) + P( 5 ) + P( 6 ) = = 1 2 Probabilidad de que salga impar P(Ā) = 1 P(A) = = 1 2
13 Ejemplo: lanzamiento de un dado Probabilidad de que salga par (A = par ) o mayor que tres (B = mayor que 3 ) P(A B) = P(A) + P(B) P(A B) Como A B = {4, 6}, entonces P(A B) = 2 6 = 1 3 P(A B) = = 4 6 = 2 3 Probabilidad de que salga par o igual a uno. Los sucesos A = {2, 4, 6} y C = {1} son incompatibles (A C = ) por tanto P(A C) = P(A) + P(C) = = 4 6 = 2 3
14 Ejemplo: probabilidad condicional Jugamos a la ruleta y apostamos a los números 3, 13 y 22. Cuál es la probabilidad de ganar? El espacio muestral es Ω = {0, 1, 2,..., 36} por lo que el número de sucesos elementales es 37. Definimos el suceso A = nuestra apuesta = {3, 13, 22} que contiene tres sucesos elementales. Por lo tanto, la probabilidad de ganar es P (A) = Justo antes de empezar la partida, nos dicen que la ruleta está trucada de manera que siempre sale un número impar. Cuál es ahora nuestra probabilidad de ganar? Es la misma que antes?
15 Probabilidad condicional Probabilidad condicional Sean dos sucesos A y B tal que P(B) > 0, la probabilidad condicionada de A dado B es: P(A B) P(A B) = P(B) Ley de la multiplicación Si P(B) > 0, se tiene que P(A B) = P(A B)P(B) Independencia Se dice que dos sucesos A y B son independientes si P(A B) = P(A)P(B). Además, si P(B) > 0, P(A B) = P(A) y si P(A) > 0, P(B A) = P(B). OBS: No confundir sucesos independientes con sucesos incompatibles.
16 Ejemplo: Probabilidad condicional Definimos el suceso B = Siempre sale impar = {1, 3, 5,..., 35}, que contiene 18 sucesos elementales. Entonces, puesto que A B = {3, 13}, la probabilidad condicionada nos queda: P (A B) = P (A B) P (B) = = 2 18 = 1 9 Notar que cuando nos dicen que la ruleta está trucada, el espacio muestral deja de ser el inicial, pues nunca puede aparecer un número par, y se transforma en Ω = B = {1, 3, 5,..., 35}. La probabilidad de A en Ω es ahora 1 9. Puesto que P(A) P (A B), los sucesos A y B no son independientes.
17 Ejemplos De una baraja española, saco dos cartas sin reposición. Probabilidad de que: la primera carta sea copa: P(A) = la segunda sea copa, sabiendo que la primera lo fue: P(B A) = las dos cartas sean copas: P(A B) = P(B A)P(A) = 9 Tiro dos dados. Probabilidad de que: en el primer dado salga un uno: P(C) = en el segundo dado salga un uno, sabiendo que en el primero salió uno: P(D C) = P(D) = 1 6. en el primer dado salga un uno, si en el segundo salió uno: P(C D) = P(C) = 1 6. en los dos dados salga uno: P(C D) = P(D)P(C) = (sucesos independientes)
18 Ley de la probabilidad total Un conjunto de sucesos B 1, B 2,..., B k son mutuamente excluyentes si B i B j =, i j. Si además de eso cumplen Ω = B 1 B 2... B k, se dice que forman una partición del espacio muestral.
19 Ejemplo En la baraja española, los siguientes conjuntos de sucesos definen particiones del espacio muestral: Ω = {oros, copas, espadas, bastos}. Ω = {ases, treses, sotas, caballos, reyes, resto de cartas}.
20 Ley de probabilidad total Dada una partición del espacio muestral, B 1, B 2,..., B k, y dado un suceso A, se tiene que P(A) = P(A B 1 ) + P(A B 2 ) P(A B k ) = = P(A B 1 )P(B 1 ) + P(A B 2 )P(B 2 ) P(A B k )P(B k ).
21 Ejemplo: probabilidad total En una baraja española (48 cartas), calcular la probabilidad de sacar un as, utilizando la ley de la probabilidad total. Los cuatro palos de la baraja española establecen la partición del espacio muestral dada por Ω = {oros, copas, espadas, bastos}, por lo que: P (Ω) = P (oros) + P (copas) + P (espadas) + P (bastos) = = Si definimos el suceso A = as, entonces: P (A) = P (A oros) P (oros) + P (A copas) P (copas) + P (A espadas) P (espadas) + P (A bastos) P (bastos) = = = 4 48 = 1 12 Ahora si la carta extraída es un as, cuál es la probabilidad que sea el as de copas? Necesitamos invertir las condiciones.
22 Inversión de las condiciones: Teorema de Bayes Para dos sucesos A y B se tiene que P(A B) = P(A B) P(B) = P(B A)P(A) P(B) Este Teorema se aplica en situaciones en las que la probabilidad P(B A) es conocida. Ejemplo: (continuación del anterior) si la carta extraída es un as, cuál es la probabilidad que sea el as de copas? P(copas A) = P(A copas)p(copas) P(A) = = 1 4
23 Ejemplo Un gato quiere pescar un pez en una pecera que contiene tres peces amarillos y dos negros con rayas blancas. Suponiendo que pesque un pez, cuál es la probabilidad de que sea un pez rayado? Si R = rayado, entonces: P (R) = 2 5 Suponiendo que pesque dos peces, cuál es la probabilidad de que pesque uno rayado y uno amarillo? Si R 1 = el primero es rayado, R 2 = el segundo es rayado, A 1 = el primero es amarillo y A 2 = el segundo es amarillo, entonces: P (R 1 A 2 ) + P (A 1 R 2 ) = P (A 2 R 1 ) P (R 1 ) + P (R 2 A 1 ) P (A 1 ) = = = = = 3 5
24 Ejemplo Suponiendo que pesque dos peces y sabiendo que el segundo era rayado, cuál es la probabilidad de que el primero no lo fuera? P (A 1 R 2 ) = P (R 2 A 1 ) P (A 1 ) P (R 2 ) = = = P (R 2 A 1 ) P (A 1 ) P (R 2 A 1 ) P (A 1 ) + P (R 2 R 1 ) P (R 1 ) = = 6 8 = 3 4
25 Variables aleatorias Sea Ω el espacio muestral asociado a cierto experimento aleatorio. Se denomina variable aleatoria (v.a.) a una función X : Ω R, tal que a cada elemento e i Ω le asigna un valor numérico X (e i ) = x i R. Intuitivamente, una variable aleatoria es una medida o cantidad que varía en función del resultado concreto e i que se observa al realizar el experimento aleatorio. La v.a. se denota con letras mayúsculas, mientras que las letras minúsculas indican el valor concreto que toma la v.a. cuando se evalúa en un punto muestral. OBS: Las variables estadísticas que hemos visto en los temas 1, 2 y 3 son el resultado de evaluar las v.a. correspondientes en muestras de individuos.
26 Variables aleatorias V.a. discreta Si X toma valores sobre un conjunto S R finito o infinito numerable, se dice que X es una variable aleatoria discreta. V.a. continua Si X toma valores sobre un conjunto S R infinito no numerable (por ejemplo, en un intervalo o en una unión de intervalos de R), se dice que X es una variable aleatoria continua. Ejemplos X = Resultado al tirar un dado es una variable discreta donde S = {1, 2, 3, 4, 5, 6}. Y = Número de coches que pasan por un cierto peaje en una semana es una variable discreta donde S = {0, 1, 2,...} = N 0 es infinito numerable. Z = altura de un alumno elegido al azar es una variable continua donde S = [0, + ).
27 Variables aleatorias discretas Función de probabilidad Sea X una variable aleatoria discreta con posibles valores {x 1, x 2,...}. Se llama función de probabilidad o función de masa, al conjunto de probabilidades con las que X toma cada uno de sus valores, es decir, p i = P[X = x i ], para i = 1, 2,.... Ejemplo X = resultado de lanzar un dado. La función de probabilidad es x P[X = x] 1 6 En este caso, S = {1, 2, 3, 4, 5, 6} y p 1 =... = p 6 =
28 Variables aleatorias discretas Función de probabilidad. Propiedades Sea X una variable aleatoria discreta que toma valores en el conjunto S = {x 1, x 2...} con probabilidades p 1 = P(X = x 1 ), p 2 = P(X = x 2 ),... 0 P[X = x i ] 1. P[X = x i ] = 1. i P[X x] = i,x i x P[X = x i ]. P[X > x] = 1 P[X x].
29 Ejemplo Un juego consiste en ensartar 3 aros, uno a uno, en una pica. Participar cuesta 3 euros. Los premios son 4 euros por un acierto, 6 euros por dos aciertos y 30 euros por tres aciertos. Suponemos que la probabilidad de ensartar un aro es de 0.1 en cada tiro, y que los tiros son independientes. Definimos la v.a. X como la ganancia en el juego. El espacio muestral está dado por: Ω = {(f, f, f ), (a, f, f ), (f, a, f ), (f, f, a), (a, a, f ), (a, f, a), (f, a, a), (a, a, a)} donde a denota acierto y f denota fallo. Por lo tanto, X sólo admite cuatro posibles resultados con las siguientes probabilidades: P (X = 3) = 0,9 3 = 0,729 P (X = 1) = 3 0,1 0,9 2 = 0,243 P (X = 3) = 3 0,1 2 0,9 = 0,027 P (X = 27) = 0,1 3 = 0,001
30 Ejemplo Cuál es la probabilidad de ganar 3 o más euros, descontando los 3 euros por participar? P (X 3) = P (X = 3) + P (X = 27) = 0, ,001 = 0,028 Cuál es la probabilidad de no perder dinero? P (X 0) = P (X = 1) + P (X = 3) + P (X = 27) = o lo que es lo mismo: = 0, , ,001 = 0,271 P (X 0) = 1 P (X < 0) = 1 P (X = 3) = 1 0,729 = 0,271
31 Variables aleatorias discretas Función de distribución La función de distribución o función de probabilidad acumulada de una variable aleatoria X es una aplicación F : R [0, 1], que a cada valor x R le asigna la probabilidad: F (x) = P[X x] = P (X = x i ) x i S,x i x OBS: Está definida para todo x R y no sólo para los valores de X. 0 F (x) 1 para todo x R. F (y) = 0 para todo y < mín S. Por tanto, F ( ) = 0. F (y) = 1 para todo y > máx S. Por tanto, F ( ) = 1. Si x 1 x 2, entonces F (x 1 ) F (x 2 ), es decir, F (x) es no decreciente. Para todo a, b R, P (a < X b) = P (X b) P (X a) = F (b) F (a).
32 Ejemplo La función de probabilidad de la variable X en el ejemplo del juego es la siguiente: 0,729 x = 3 0,243 x = 1 P (X = x) = 0,027 x = 3 0,001 x = 27 La función de distribución de la variable X en el ejemplo del juego es la siguiente: 0 x < 3 0,729 3 x < 1 F (x) = P (X x) = 0, ,243 = 0,972 1 x < 3 0, , ,027 = 0,999 3 x < 27 0, , , ,001 = 1 27 x Notar que esta función presenta discontinuidades de salto en los puntos del conjunto S. El salto es de magnitud P (X = x), para todo x S.
33 Esperanza de una variable aleatoria discreta Sea X una v.a. discreta que toma valores en S = {x 1, x 2,... } con probabilidades p 1 = P (X = x 1 ), p 2 = P (X = x 2 ),... Entonces, la esperanza de X está dada por: E [X ] = x S xp (X = x) = i x i P (X = x i ) = i x i p i Se verifican las siguientes propiedades: Si a, b R, entonces: Sea g una función real. Entonces: E [a + bx ] = a + be [X ] E [g (X )] = x S g (x) P (X = x)
34 Ejemplo La esperanza de la variable aleatoria X del ejemplo del juego es la siguiente: E [X ] = x S xp (X = x) = = 3 P (X = 3) + 1 P (X = 1) + 3 P (X = 3) + 27 P (X = 27) = = 3 0, , , ,001 = 1,836 Por lo tanto, la ganancia esperada es de 1,836 euros.
35 Varianza de una variable aleatoria discreta La varianza de la v.a. discreta X está dada por: [ V [X ] = E (X E [X ]) 2] = (x E [X ]) 2 P (X = x) = x S = i (x i E [X ]) 2 P (X = x i ) = i (x i E [X ]) 2 p i Se verifican las siguientes propiedades: La varianza se puede escribir también como: V [X ] = E [ X 2] E [X ] 2 V [X ] 0 y Var [X ] = 0 si, y sólo si, X es una constante. Si a, b R, entonces: V [a + bx ] = b 2 V [X ] La raíz cuadrada de la varianza se denomina desviación típica y se denota por S[X ] = V [X ].
36 Ejemplo La varianza de la variable aleatoria X del ejemplo del juego es la siguiente: donde: V [X ] = E [ X 2] E [X ] 2 = 7,776 ( 1,836) 2 = 4,405 E [ X 2] = ( 3) 2 0, , , ,001 = 7,776 La desviación típica es por tanto S[X ] = 4,405 = 2,0988.
37 Ejemplo Consideramos la v.a. discreta X = número de caras al tirar una moneda dos veces. La función de probabilidad de X es: x P[X = x] 1 4 Por un lado, su esperanza viene dada por: mientras que su varianza es: E[X ] = = 1 donde: Var[X ] = E[X 2 ] E[X ] 2 = = 1 2 E[X 2 ] = = 3 2
38 Desigualdad de Chebyschev Este resultado es útil para estimar una probabilidad cuando se desconoce la distribución de probabilidad de una v.a. discreta X. Si X es una v.a. con esperanza y varianza finitas, entonces para todo k 1: P ( X E [X ] k) V (X ) k 2 o, equivalentemente, P ( X E [X ] < k) 1 V (X ) k 2 OBS: La cota que proporciona la desigualdad de Chebyschev es demasiado gruesa y sólo debe utilizarse cuando no se disponga de la distribución de X.
39 Desigualdad de Chebyschev Veamos como aplicar la desigualdad de Chebyschev con la variable aleatoria del ejemplo del juego. Tenemos que E [X ] = 1,836 y que V [X ] = 4,405. Entonces: Por otro lado, tenemos que: P ( X + 1,836 3) 4,405 9 = 0,4894 P ( X + 1,836 3) = P (X + 1,836 3) + P (X + 1,836 3) = = P (X 1,164) + P (X 4,836) = = P (X = 3) + P (X = 27) = 0, ,001 = 0,028 que demuestra que la cota de Chebyschev puede ser muy gruesa.
40 Ejemplo de repaso Sea X, la variable aleatoria que representa el número de caras menos el número de cruces en 3 tiradas de una moneda trucada de manera que es dos veces más probable que salga cara que cruz. Indicamos por c ={cara} y + ={cruz}. El espacio muestral es: Ω = { e1 = {c, c, c}, e 2 = {+, c, c}, e 3 = {c, +, c}, e 4 = {c, c, +}, e 5 = {+, +, c}, e 6 = {+, c, +}, e 7 = {c, +, +}, e 8 = {+, +, +} }
41 Ejemplo de repaso El conjunto S donde toma valores es S = { 3, 1, 1, 3} ya que: X (e 1 ) = 3 0 = 3 X (e 2 ) = X (e 3 ) = X (e 4 ) = 2 1 = 1 X (e 5 ) = X (e 6 ) = X (e 7 ) = 1 2 = 1 X (e 8 ) = 0 3 = 3 La función de probabilidad viene dada por: P (X = x) = P (X = 3) = ( ) = 1 27 P (X = 1) = 3 ( ) P (X = 1) = ( ) = 4 9 P (X = 3) = ( ) = = 2 9
42 Ejemplo de repaso Supongamos que participamos en el siguiente juego para el que hay que pagar de inicio 6 euros. Si al lanzar 3 veces la moneda anterior aparece 1 cruz, ganamos 4 euros, si aparecen 2 cruces ganamos 6 euros y si aparecen 3 cruces ganamos 30 euros. Cuál es la ganancia esperada? Sea Y la variable ganancia en el juego. Entonces: Si no obtenemos ninguna cruz, tenemos que X = 3, por lo que Y = 6 con probabilidad P (Y = 6) = P (X = 3) = Si obtenemos una cruz, tenemos que X = 1, por lo que Y = 2 con probabilidad P (Y = 2) = P (X = 1) = 4. 9 Si obtenemos dos cruces, tenemos que X = 1, por lo que Y = 0 con probabilidad P (Y = 0) = P (X = 1) = 2. 9 Si obtenemos tres cruces, tenemos que X = 3, por lo que Y = 24 con probabilidad P (Y = 24) = P (X = 3) = Por lo tanto, Y toma valores en el conjunto S = { 6, 2, 0, 24}. La ganancia esperada es: E [Y ] = = 1,78 euros 27
43 Modelo Bernoulli Descripción Partimos de un experimento aleatorio con sólo dos posibles resultados, que calificamos de éxito/fracaso. Definimos la variable aleatoria: { 1 si éxito X = 0 si fracaso Sea p la probabilidad de éxito. Entonces, 1 p es la probabilidad de fracaso. El experimento se llama ensayo de Bernoulli y la variable aleatoria se dice que sigue una distribución Bernoulli de parámetro p. Se escribe X Ber(p).
44 Modelo Bernoulli Ejemplo Tirar una moneda al aire X = { 1 sale cara 0 si sale cruz Es un ensayo Bernoulli, y X sigue una distribución Bernoulli de parámetro 1/2. Ejemplo Una ĺınea aérea estima que los pasajeros que compran un billete para un vuelo tienen una probabilidad igual a 0,05 de no presentarse al embarque de dicho vuelo. Definamos { 1 si el pasajero se presenta Y = 0 si no lo hace Y sigue una distribución Bernoulli con parámetro 0,95.
45 Modelo Bernoulli Función de Probabilidad: P[X = 0] = 1 p P[X = 1] = p Función de distribución: 0 si x < 0 F (x) = 1 p si 0 x < 1 1 si x 1 Propiedades E[X ] = p 1 + (1 p) 0 = p E[X 2 ] = p (1 p) 0 2 = p V [X ] = E[X 2 ] E[X ] 2 = p p 2 = p(1 p) S[X ] = p(1 p)
46 Modelo Binomial Descripción Un ensayo Bernoulli de parámetro p se repite n veces de manera independiente. La variable número de éxitos obtenidos, sigue una distribución Binomial (de parámetros n y p). Definición Una variable X sigue una distribución binomial con parámetros n y p si ( ) n P[X = x] = p x (1 p) n x x para x = 0, 1,..., n donde ( n x Se escribe X B(n, p). ) = n! x!(n x)!
47 Modelo Binomial Ejemplo La ĺınea aérea del ejemplo anterior ha vendido 80 billetes para un vuelo. La probabilidad de que un pasajero no se presente al embarque es de 0, 05. Definimos X = número de pasajeros que se presentan. Entonces (suponiendo independencia) X B(80, 0,95) La probablidad de que los 80 pasajeros se presenten ( ) 80 P[X = 80] = 0,95 80 (1 0,95) = 0, La probabilidad de que al menos un pasajero no se presente: P[X < 80] = 1 P[X = 80] = 1 0,0165 = 0,9835
48 Modelo Binomial Propiedades E[X ] = np Var[X ] = np(1 p) S[X ] = np(1 p)
49 Variables aleatorias continuas Función de distribución Para X v.a. continua, la función de distribución es la función F (x) = P[X x], x R Igual que en el caso discreto, la función F (x) da las probabilidades acumuladas hasta el punto x R, pero ahora se trata de una función continua y no de tipo escalón.
50 Variables aleatorias continuas Propiedades 0 F (x) 1, para todo x R F ( ) = 0. F ( ) = 1. Si x 1 x 2, entonces F (x 1 ) F (x 2 ), es decir, F (x) es no decreciente. Para todo x 1, x 2 R, P(x 1 X x 2 ) = F (x 2 ) F (x 1 ). F (x) es continua. La función de probabilidad no tiene sentido en variables aleatorias continuas, porque P(X = x) = 0. Para sustituir la función de probabilidad, en variables aleatorias continuas usaremos la función de densidad.
51 Variables aleatorias continuas Función de densidad Para una variable aleatoria continua X con función de distribución F (x), la función de densidad de X es: Propiedades f (x) = df (x) dx = F (x) f (x) 0 x R P(a X b) = b a f (x)dx F (x) = P(X x) = x f (u)du f (x)dx = 1 a, b R
52 Variables aleatorias continuas Ejemplo Una variable aleatoria X tiene función de densidad { 12x f (x) = 2 (1 x) si 0 < x < 1 0 si no Entonces: P(X 0,5) = 0,5 P(0,2 X 0,5) = F (x) = P(X x) = f (u)du = 0,5 x 0,2 0,5 0 f (u)du = f (u)du = 12u 2 (1 u)du = 0,3125 0,5 0,2 12u 2 (1 u)du = 0, ) si x 0 si 0 < x 1 ( x x si x > 1
53 Esperanza de una variable aleatoria continua Sea X una v.a. continua que toma valores en S R, con función de densidad f (x). Entonces, la esperanza de X está dada por: E [X ] = xf (x) dx Se verifican las siguientes propiedades: Si a, b R, entonces: E [a + bx ] = a + be [X ] S Sea g una función real. Entonces: E [g (X )] = S g (x) f (x) dx
54 Ejemplo La esperanza de la variable aleatoria X del ejemplo anterior es la siguiente: = 1 0 E[X ] = R x f (x)dx = 1 ( 12(x 3 x 4 ) ) ( 1 dx = 12 4 x 4 1 ) 5 x x 12x 2 (1 x)dx = 0 = 12 ( ) = 3 5 5
55 Varianza de una variable aleatoria continua La varianza de la v.a. continua X está dada por: [ V [X ] = E (X E [X ]) 2] = (x E [X ]) 2 f (x)dx = = x 2 f (x)dx E [X ] 2 = E [ X 2] E [X ] 2 S Se verifican las siguientes propiedades: V [X ] 0 y Var [X ] = 0 si, y sólo si, X es una constante. Si a, b R, entonces: S V [a + bx ] = b 2 V [X ] La raíz cuadrada de la varianza se denomina desviación típica y se denota por S[X ] = V [X ].
56 Ejemplo La varianza de la variable aleatoria X del ejemplo anterior es la siguiente: donde: E [ X 2] = Var[X ] = E [ X 2] E [X ] 2 = 2 5 ( 3 5 R x 2 f (x)dx = 1 0 ) 2 = = x 4 (1 x)dx = 12 5 x 5 x=1 x= x 6 x=1 x=0 = = = La desviación típica es por tanto S[X ] = 25 = 1 5.
57 Distribución uniforme Descripción La distribución uniforme es aquella en la que todos los intervalos de igual longitud en su rango son igualmente probables. Es decir, que la función de densidad es constante para todos los valores posibles de la variable. Definición Se dice que una variable X sigue una distribución uniforme en el intervalo (a, b) (sus parámetros son a y b) si Se escribe X U(a, b). f (x) = { 1 b a si a < x b 0 si no
58 Distribución uniforme Propiedades Esperanza: E[X ] = a+b 2 Varianza: V [X ] = (b a)2 12 Desviación típica: S[X ] = b a 12 Función de densidad
59 Ejemplo: distribución uniforme en (3,5) Una variable aleatoria X que sigue una distribución uniforme en el intervalo (3, 5) tiene función de densidad { 1 f (x) = 2 si 3 < x < 5 0 si no Calculamos algunas probabilidades: P(X 0,5) = 0,5 f (u)du = 0 P(X 4) = 4 f (u)du = 4 3 P(3,5 X 4,5) = 4,5 3,5 f (u)du = 4,5 3,5 1 2 du = 1 2 u 4 3 = du = 1 2
60 Ejemplo: distribución uniforme en (3,5) Función de distribución F (x) = P(X x) = x Si x 3 entonces F (x) = P(X x) = 0. f (u)du =... Si 3 < x 5 entonces F (x) = P(X x) = x 3 Si 5 < x entonces F (x) = P(X x) = 5 3 Es decir, que: F (x) = 0 si x 3 x 3 2 si 3 < x 5 1 si x > du = u 2 x 3 = x du = u = = 1.
61 Ejemplo: distribución uniforme en (3,5) Esperanza Varianza E[X ] = R x f (x)dx = 5 3 x 1 2 dx = x 2 4 Var[X ] = R x 2 f (x)dx E[X ] 2 = = = 4 x 2 2 dx 42 = x = 0,33 3
62 Distribución normal Descripción La distribución normal es un modelo teórico que aproxima bien muchas situaciones reales. La inferencia estadística se fundamenta básicamente en la distribución normal y en distribuciones que se derivan de ella. Definición Se dice que una variable X sigue una distribución normal o Gausiana con parámetros µ y σ, y se denota por X N (µ, σ), si f (x) = 1 σ 2π exp { 1 } (x µ)2 2σ2 Propiedades E[X ] = µ V [X ] = σ 2 Si X N (µ, σ), f (x) es simétrica respecto de µ.
63 Distribución normal Función de densidad para 3 valores distintos de µ y σ
64 Distribución normal Propiedad Si X N (µ, σ), P(µ σ < X < µ + σ) 0,683 P(µ 2σ < X < µ + 2σ) 0,955 P(µ 3σ < X < µ + 3σ) 0,997 Desigualdad de Chebyshev La desigualdad de Chebyschev también se puede aplicar en el caso de variables continuas. En particular, si X es Gaussiana de media µ y desviación típica σ, tenemos que: P (µ k < X < µ + k) = P ( X µ < k) 1 σ2 k 2 de donde, si k = cσ, tenemos que P (µ cσ < X < µ + cσ) 1 1 c 2.
65 Distribución normal Transformación lineal Si X N (µ, σ), entonces: Y = ax + b N (aµ + b, a σ) Estandarización Si X N (µ, σ), considero Z = X µ σ N (0, 1) Se llama distribución normal estándar. Es una distribución simétrica y centrada en 0. Además, está tabulada por lo que no tenemos que hacer uso de integrales para obtener probabilidades.
66 Tablas de la N (0, 1)
67
68 Distribución normal: Ejemplo Sea Z N(0, 1). Calculemos algunas probabilidades: Pr(Z < 1,5) = 0,9332. tabla Pr(Z > 1,5) = Pr(Z < 1,5) = 0,9332. por qué? Pr(Z < 1,5) = Pr(Z > 1,5) = 1 Pr(Z < 1,5) = 1 0,9332 = 0,0668. por qué no? Pr( 1,5 < Z < 1,5) = Pr(Z < 1,5) Pr(Z < 1,5) = 0,9332 0,0668 = 0,8664.
69 Distribución normal: Ejemplo Sea X N(µ = 2, σ = 3). Queremos calcular Pr(X < 4) y Pr( 1 < X < 3,5): En primer lugar, tipificamos la variable original como sigue: ( X 2 Pr(X < 4) = P < 4 2 ) = Pr ( Z < 0,66 6 ) 0,7454, 3 3 donde Z N(0, 1). A continuación, buscamos : Pr( 1 < X < 3,5) = Pr( 1 2 < X 2 < 3,5 2) ( 1 2 = P < X 2 < 3,5 2 ) = Pr( 1 < Z < 0,5) = = Pr(Z < 0,5) Pr(Z < 1) = 0,6915 0,1587 = 0,5328. donde Z N(0, 1).
70 Distribución normal: otro ejemplo Es difícil etiquetar la carne empaquetada con su peso correcto debido a los efectos de pérdida de ĺıquido (definido como porcentaje del peso original de la carne). Supongamos que la pérdida de ĺıquido en un paquete de pechuga de pollo se distribuye como normal con media 4 % y desviación típica 1 %. Sea X la pérdida de ĺıquido de un paquete de pechuga de pollo elegido al azar. Cuál es la probabilidad de que 3 % < X < 5 %? Cuál es el valor de x para que un 90 % de paquetes tengan pérdidas de ĺıquido menores que x? En una muestra de 4 paquetes, hallar la probabilidad de que todos tengan pérdidas de peso de entre 3 y 5 %. Sexauer, B. (1980) Drained-Weight Labelling for Meat and Poultry: An Economic Analysis of a Regulatory Proposal, Journal of Consumer Affairs, 14,
71 Distribución normal: otro ejemplo Pr(3 < X < 5) = ( 3 4 Pr < X 4 < 5 4 ) = Pr( 1 < Z < 1) = Pr(Z < 1) Pr(Z < 1) = 0,8413 0,1587 = 0,6827 Queremos Pr(X < x) = 0,9. Entonces ( X 4 Pr < x 4 ) = Pr(Z < x 4) = 0,9 1 1 Mirando las tablas, tenemos x 4 1,28 que implica que un 90 % de las paquetes tienen pérdidas de menores que x = 5,28 %. Para un paquete p = Pr(3 < X < 5) = 0,6827. Sea Y el número de paquetes en la muestra de 4 paquetes que tienen pérdidas de entre 3 % y 5 %. Luego Y B(4, 0,6827). ( ) 4 Pr(Y = 4) = 0, (1 0,6827) 0 = 0,
72 Distribución normal: otro ejemplo Si la muestra fuera de 5 paquetes, cuál seria la probabilidad que por lo menos una tuviera perdidas de entre el 3 % y 5 %? Tenemos que n = 5 y p = 0,6827. Por lo tanto, Y B(5, 0,6827). Entonces, Pr(Y 1) = 1 Pr(Y < 1) = 1 Pr(Y = 0) = ( ) 5 = 1 0, (1 0,6827) 5 0 = 1 (1 0,6827) 5 = 0,
73 Teorema central del ĺımite El siguiente teorema nos habla de la distribución de la media de un conjunto de muchas v.a. independientes e igualmente distribuidas: X = 1 n n i=1 X i y nos dice que si n es grande, la distribución de la media de v.a. independientes e identicamente distribuidas es normal, sea cual sea la distribución de las v.a. De aquí el papel central que juega la distribución normal. Teorema Sean X 1, X 2,..., X n v.a. independientes, e idénticamente distribuidas con media µ y desviación típica σ (ambas finitas). Si n es suficientemente grande, se tiene que X µ σ/ N (0, 1) n
74 Aproximaciones Binomial Si X B(n, p) con n suficientemente grande (o bien n 30 y 0,1 p 0,9 o bien np 5 y n (1 p) 5), entonces: X np np(1 p) N (0, 1)
75 TCL y aproximaciones: Ejemplo Sea X B(100, 1/3). Bucamos el valor de Pr(X < 40), si bien el cálculo exacto es muy largo ya que necesitamos un gran número de operaciones. Utilizando el TCL tenemos que X B(100, 1/3) N (33,3, 4,714), ya que: Por lo tanto, E[X ] = = V [X ] = = S[X ] = = 4,714 ( X Pr(X < 40) = P < 4,714 ) ,714 P (Z < 1,414) donde Z N(0, 1) 0,921.
76 Función de distribución conjunta de dos variables La función de distribución conjunta de dos variables aleatorias continuas X e Y es una aplicación F : R 2 [0, 1], tal que a cada valor (x, y) R 2 le asigna la probabilidad: F (x, y) = P(X x, Y y) = x y f (x, y) dydx, donde f (x, y) es la función de densidad conjunta de la variable aleatoria (X, Y ). La función de densidad conjunta, f (x, y), verifica tres propiedades: 1. f (x, y) 0, para cualquier par (x, y) R P(a X b, c Y d) = b a 3. f (x, y) dydx = 1. d c f (x, y) dydx.
77 Distribuciones marginales y condicionadas Las funciones de densidad marginales de las variables aleatorias continuas X e Y están dadas por: f X (x) = respectivamente. f (x, y) dy y f Y (y) = Las variables aleatorias continuas X e Y se dice que son independientes si y sólo si: f (x, y) = f X (x) f Y (y) f (x, y) dx siendo f X y f Y las funciones de densidad marginales de X y de Y, respectivamente. La función de densidad condicional de la variable continua Y, dado el valor X = x 0 de la variable aleatoria X, está dada por: f Y X (y X = x 0 ) = f (x 0, y) f X (x 0 )
78 Esperanza y covarianza La esperanza de la variable aleatoria (X, Y ) es el vector formado por las esperanzas de las distribuciones marginales de X e Y : [( )] ( ) X E [X ] E = Y E [Y ] La covarianza entre dos variables aleatorias X e Y se define como: cov [X, Y ] = E [(X E [X ]) (Y E [Y ])] y permite medir como cambian X e Y de forma conjunta. Si valores grandes de X se corresponden con valores grandes de Y, y lo mismo ocurre con los valores pequeños, cov [X, Y ] será positiva. Si valores grandes de X se corresponden con valores pequeños de Y, y viceversa, cov [X, Y ] será negativa. Notar que la covarianza depende crucialmente de las unidades de medida de las variables X e Y lo que hace difícil su interpretación.
79 Coeficiente de correlación El coeficiente de correlación entre dos variables aleatorias X e Y se define como: cov [X, Y ] corr [X, Y ] = V [X ] V [Y ] donde cov [X, Y ] es la covarianza entre X e Y y V [X ] y V [Y ] son las varianzas de X e Y, respectivamente. Notar que 1 corr [X, Y ] 1 independientemente de las unidades de medida de X e Y. corr [X, Y ] sólamente mide relaciones lineales. Un valor de corr [X, Y ] próximo a 1 indica una alta relación lineal positiva entre X e Y. Un valor de corr [X, Y ] próximo a 1 indica una alta relación lineal negativa entre X e Y. Por último, un valor de corr [X, Y ] próximo a 0 indica una relación lineal debil entre X e Y.
80 Matriz de covarianzas La matriz de covarianza de una variable aleatoria (X, Y ) es una matriz de tamaño 2 2 dada por: ( ) V [X ] cov [X, Y ] C [X, Y ] = cov [X, Y ] V [Y ] es decir, C [X, Y ] contiene las varianzas de X e Y en la diagonal principal y la covarianza entre X e Y fuera de la diagonal principal.
81 La distribución Gaussiana bivariante Se dice que una variable (X, Y ) sigue una distribución normal o Gaussiana bivariante con parámetros µ = (µ X, µ Y ) y matriz de covarianzas: ( ) σ 2 Σ = X σ XY σ XY y se denota por (X, Y ) N 2 (µ, Σ) si tiene función de densidad: ( 1 f (x, y) = exp 1 ( ) σ 1/2 2π Σ 2 (X µ 2 1 ( ) ) X, Y µ Y ) X σ XY X µx σ XY σy 2 Y µ Y Notar que µ X = E [X ], µ Y = E [Y ], σ 2 X = V [X ], σ2 Y = V [Y ] y σ XY = cov [X, Y ]. σ 2 Y
82 La distribución Gaussiana bivariante La varianza generalizada es el valor de: Σ = σx 2 σy 2 σxy 2 = σx 2 σy (1 2 corr [X, Y ] 2) y mide la dispersión global de la variable bivariante (X, Y ). Notar como la varianza generalizada disminuye si corr [X, Y ] tiende a ±1 y aumenta si corr [X, Y ] tiende a 0. Por último, la matriz Σ 1 se puede escribir como: ( Σ 1 1 σ 2 = Y σ XY σx 2 σ2 Y σ2 σ XY XY σx 2 )
83 Densidad Gaussiana bivariante µ = (0, 0), σ 2 X = σ2 Y = 1 y σ XY = 0, 0,9 y 0,9, respectivamente x x2 x1 0 2 x x2 4 2 x
84 Esperanza y varianza condicional Si (X, Y ) sigue una distribución Gaussiana bivariante con parámetros µ = (µ X, µ Y ) y matriz de covarianzas ( ) σ 2 Σ = X σ XY entonces: σ XY ( ) ( ) X N µx, σx 2 e Y N µy, σy 2, respectivamente. X e Y son independientes si y sólo si σxy = 0. Y X = x0 sigue una distribución Gaussiana univariante de parámetros: µ Y X = µ Y + σ XY σ 2 X σ 2 Y (x 0 µ X ) σ 2 Y X = σy 2 σ2 XY σx 2 X Y = y0 sigue una distribución Gaussiana univariante de parámetros: µ X Y = µ X + σ XY σ 2 Y σ 2 X Y = σ 2 X σ2 XY σ 2 Y (y 0 µ Y )
85 Ejemplo Sea (X, Y ) una variable aleatoria que sigue una distribución Gaussiana bivariante con parámetros µ = (2, 1) y matriz de covarianzas: ( ) 5 3 Σ = 3 10 Entonces, podemos afirmar que: Las distribuciones marginales de X e Y son X N (2, 5) e Y N (1, 10), respectivamente. X e Y no son independientes ya que σxy 0. Y X = 6 sigue una distribución Gaussiana univariante de parámetros: µ Y X = (6 2) = 3,4 5 σ 2 Y X = = 8,2 X Y = 3 sigue una distribución Gaussiana univariante de parámetros: µ X Y = (3 1) = 2,6 10 σ 2 X Y = = 4,1
Tema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesTema 4. Probabilidad y variables aleatorias
Tema 4. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
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 detallesTema 1. Probabilidad y modelos probabiĺısticos
1 Tema 1. Probabilidad y modelos probabiĺısticos En este tema: Probabilidad Variables aleatorias Modelos de variables aleatorias más comunes Vectores aleatorios 2 Tema 1. Probabilidad y modelos probabiĺısticos
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesRuido en los sistemas de comunicaciones
Capítulo 2 Ruido en los sistemas de comunicaciones Cuando una señal se transmite a través de un canal de comunicaciones hay dos tipos de imperfecciones que hacen que la señal recibida sea diferente de
Más detallesTEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL.
TEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL. 10.1 Experimentos aleatorios. Sucesos. 10.2 Frecuencias relativas y probabilidad. Definición axiomática. 10.3 Distribuciones de
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más 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 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 detallesTema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
Más detallesVARIABLES ALEATORIAS
VARIABLES ALEATORIAS Ejemplo: lanzar dos dados y sumar lo que sale en las dos caras. El espacio muestral está formado por los 36 resultados posibles (de lanzar los dados) Y el resultado del experimento
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 detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesTEMA 6: CÁLCULO DE PROBABILIDADES. 6.1 Concepto de suceso aleatorio. Terminología y definiciones.
I.E.S. Salvador Serrano Dto. de Matemáticas (Daniel García) 2º CCSS 202 / TEMA : CÁLCULO DE PROBABILIDADES.. Concepto de suceso aleatorio. Terminología y definiciones. La probabilidad se centra en los
Más detallesTema 4. Axiomática del Cálculo de Probabilidades
Tema 4. Axiomática del Cálculo de Probabilidades mjolmo@ujaen.es Curso 2007/2008 Espacio muestral finito equiprobable El espacio muestral contiene un número finito de sucesos elementales todos ellos con
Más detallesGRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD
GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD Prof. Rosario Martínez Verdú TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD 1. Nociones básicas de teoría de la probabilidad. 2. Variable
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA Pablo Torres Facultad de Ciencias Exactas, Ingeniera y Agrimensura - Universidad Nacional de Rosario Unidad 2: Probabilidad INTRODUCCIÓN Al lanzar un dado muchas veces veremos
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesUnidad 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 detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más 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 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 detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Más detallesTEMA 1.- PROBABILIDAD.-CURSO 2016/2017
TEMA 1.- PROBABILIDAD.-CURSO 2016/2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detalles2.3 PROPIEDADES DE LA PROBABILIDAD
2.3 PROPIEDADES DE LA PROBABILIDAD 1. La probabilidad es positiva y menor o igual que 1. 0 p( 1 2. La probabilidad del suceso seguro es 1. p (E) = 1 3. Si A y B son incompatibles, es decir A B = entonces:
Más detallesMétodos Matemá4cos en la Ingeniería Tema 7. Probabilidad
Métodos Matemá4cos en la Ingeniería Tema 7. Probabilidad Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA License:
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
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 detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesTema 1. Probabilidad y modelos probabiĺısticos
1 Tema 1. Probabilidad y modelos probabiĺısticos En este tema: Probabilidad Variables aleatorias Modelos de variables aleatorias más comunes Vectores aleatorios Tema 1. Probabilidad y modelos probabiĺısticos
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para
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 detallesProbabilidades. Gerardo Arroyo Brenes
Probabilidades Gerardo Arroyo Brenes Teoría de las Probabilidades Experimento: Es toda acción o proceso que produce resultados bien definidos. Ejemplos: Experimento Resultado: Lanzar una moneda Cara o
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detalles4. CONCEPTOS BASICOS DE PROBABILIDAD
4. CONCEPTOS BASICOS DE PROBABILIDAD 4.1 Introducción La probabilidad y la estadística son, sin duda, las ramas de las Matemáticas que están en mayor auge en este siglo, y tienen una tremenda aplicabilidad
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
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 detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detalles1. Variables Aleatorias Discretas
Tema 4: Variables Aleatorias Modelos de Probabilidad 1. Variables Aleatorias Discretas Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en
Más detallesAl conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por S. Algunos tipos de sucesos:
1.- CÁLCULO DE PROBABILIDADES. Un experimento aleatorio es aquel que puede dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cuál de éstos va a ser observado en la realización
Más detallesBloque I: Estadística y Probabilidad
Bloque I: Estadística y Probabilidad 1. Probabilidad 1. Teoría de la probabilidad 2. Probabilidad condicionada 3. Dependencia e independencia de sucesos 4. Técnicas de recuento: diagramas de árbol, tablas
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más 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 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 detallesPROBABILIDAD. Profesor: Rafael Núñez Nogales CÁLCULO DE PROBABILIDADES. Experimentos y sucesos
PROBABILIDAD CÁLCULO DE PROBABILIDADES Experimentos y sucesos Experimento aleatorio Es aquel cuyo resultado depende del azar, es decir no se puede predecir de antemano qué resultado se va a obtener aunque
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más detallesUniversidad Mariano Gálvez Estadística y probabilidad para Ingeniería Sección B. UNIDAD 2 PROBABILIDAD
Universidad Mariano Gálvez Estadística y probabilidad para Ingeniería Sección B. UNIDAD 2 PROBABILIDAD PRESENTA DRA. EN ING. RITA VICTORIA DE LEÓN ARDÓN 2.Trabajo en equipo 3. Estudio independiente 1.
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 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 detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesExperimento Aleatorio o ensayo
Clase 5 1 Experimento Aleatorio o ensayo Es un proceso o acción cuyo resultado es incierto, es decir no es predecible. Es factible de ser repetido infinitas veces, sin modificar las condiciones. Repetición
Más detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más 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 detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesCálculo de probabilidad. Tema 1: Combinatoria y probabilidad
Cálculo de probabilidad Tema 1: Combinatoria y probabilidad Guión Guión 1.1. Análisis combinatorio Regla de multiplicación Este es el método de conteo más sencillo que existe. Supongamos que realizamos
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
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 detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
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 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 detallesLa idea de probabilidad comienza con la observación: las frecuencias relativas de los resultados de los experimentos aleatorios se estabilizan.
6.1 Ideas básicas de probabilidad 47 Experimento aleatorio (ε) Diremos que un experimento es aleatorio, cuando el resultado de una realización del experimento es incierto pero las frecuencias relativas
Más detallesU D PROBABILIDAD 2º BACHILLERATO Col. LA PRESENTACIÓN PROBABILIDAD
PROBABILIDAD 0. DEFINICIONES PREVIAS 1. DISTINTAS CONCEPCIONES DE PROBABILIDAD a. Definición Clásica b. Definición Frecuentista 2. DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD a. Espacio Muestral b. Suceso Aleatorio
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
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 detallesTeoría de la decisión
Teoría de la decisión Repaso de Estadística Unidad 1. Conceptos básicos. Teoría de. Espacio muestral. Funciones de distribución. Esperanza matemática. Probabilidad condicional 1 Teoría de la decisión Teoría
Más detallesProbabilidad PROBABILIDAD
PROBABILIDAD La probabilidad es un método mediante el cual se obtiene la frecuencia de un suceso determinado mediante la realización de un experimento aleatorio, del que se conocen todos los resultados
Más detallesRepaso de Probabilidad y Estadística
Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................
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 detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesObjetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
PROBABILIDAD Tema 2.2: 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
Más detallesEL4005 Principios de Comunicaciones Clase No.10: Repaso de Probabilidades
EL4005 Principios de Comunicaciones Clase No.10: Repaso de Probabilidades Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 10 de Septiembre de 2010 1 of 29 Contenidos de la Clase
Más detallesUnidad 1. a. Probabilidades y Estadística
Unidad 1 a. Probabilidades y Estadística 1 IN3401 SEMESTRE OTOÑO, 2012 ESTADÍSTICA DESCRIPTIVA (Continuación) 2 Medidas de Tendencia Central Media Geométrica 3 La media geométrica proporciona una medida
Más detallesProbabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD
Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma
Más detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesTema 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 detallesANEXO.- DISTRIBUCIÓN BINOMIAL. DISTRIBUCIÓN NORMAL
ANEXO.- DISTRIBUCIÓN BINOMIAL. DISTRIBUCIÓN NORMAL. VARIABLES ALEATORIAS Consideremos el experimento de lanzar 3 monedas. Tenemos que su espacio muestral es E CCC, CCX, CXC, XCC, CXX, XCX, XXC, XXX Donde
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 detallesProbabilidad del suceso imposible
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I TEMA 6.- ESTADÍSTICA INFERENCIAL PROFESOR: RAFAEL NÚÑEZ -------------------------------------------------------------------------------------------------------------------------------------------------------------.-
Más detalles