Modelos Básicos de Distribuciones Discretas y Continuas
|
|
- Ricardo Sáez Castro
- hace 6 años
- Vistas:
Transcripción
1 Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla
2 Contenidos Modelos de Distribuciones Discretas y Continuas 2/27 1 Introducción. Variables Aleatorias 2 Distribución de Bernoulli 3 Distribución Uniforme Discreta en n puntos 4 Distribución Binomial 5 Distribución Geométrica 6 Distribución hipergeométrica 7 Distribución de Poisson 8 Distribución Uniforme Continua 9 Distribución Gamma 10 Distribución Exponencial 11 Distribución Beta 12 Distribución de Cauchy 13 Distribución Normal
3 Introducción. Variable Aleatoria. Modelos de Distribuciones Discretas y Continuas 3/27 Espacio Muestral [o de resultados del experimento]: Ω σ-álgebra [o espacio de sucesos]: F Probabilidad: función de conjunto P : F [0, 1]. Axiomática de Kolmogorov. Espacio de probabilidad: (Ω, F, P) σ-álgebra de Borel en IR: B(IR). Generada por los intervalos de la forma (, x]. Hay otras formas de generarla. En el Cálculo de Probabilidades es el σ-álgebra sobre IR usualmente empleada. Próximamente se generalizará para IR n. Variable Aleatoria, X 1 (B) F X : Ω IR B B(IR)
4 Función de Distribución Modelos de Distribuciones Discretas y Continuas 4/27 Función de distribución de X, F X (t) = P[X 1 ((, t])] = notación = P[X t] t IR Bien definida. Monótona no decreciente. Continua por la derecha t IR. F X ( ) = 0. F X (+ ) = 1
5 Variables Aleatorias Discretas X es discreta cuando F X es una función constante a trozos o escalonada. Saltos en un conjunto numerable {x k } k K, finito o infinito. Función de probablidad, P[X 1 ({x k })] = notación = P[X = x k ] = p k k K Esperanza matemática, E[X] = k K x k P[X = x k ] Siempre existe si K es finito. Si K es infinito, existe si la suma es convergente. Ejemplo. No existe la esperanza para una variable aleatoria con función de probabilidad, P[X = k] = 6 π 2 1 k 2 k IN por no ser convergente la serie, Modelos de Distribuciones Discretas y Continuas 5/27 k=1 1 k
6 Variables Aleatorias [Absolutamente] Continuas X es continua cuando F X es una función continua. La probabilidad no se reparte en un conjunto numerable. Si la función de distribución se puede expresar como, F X (t) = t f (x)dx siendo f no negativa, entonces diremos que X es absolutamente continua. La función f se denomina función de densidad, y obviamente ha de cumplir, Integrable en IR. + f (x)dx = 1 Esperanza matemática, E[X] = xf (x)dx No siempre existe pues la integral puede ser divergente. Ejemplo. No existe la esperanza para una variable aleatoria con función de densidad, f (x) = 1 1 π 1 + x 2 x IR Modelos de Distribuciones Discretas y Continuas 6/27
7 Función Generatriz de Momentos Modelos de Distribuciones Discretas y Continuas 7/27 Dada una variable aleatoria, X, se define la Función Generatriz de Momentos como, M X (t) = E[e tx ] supuesto que la región de convergencia no se reduce al caso trivial t = 0. X Discreta, M X (t) = k K e t x k P[X = x k ] X Continua, M X (t) = + e t x f (x)dx
8 Función Generatriz de Momentos. Ejemplos Modelos de Distribuciones Discretas y Continuas 8/27 X Discreta con función de probabilidad P[X = k] = 1/2 k, k IN siempre que, M X (t) = k=1 e t k 1 2 k = et /2 1 e t /2 e t 2 < 1 es decir t < ln(2) Región de convergencia X Continua con función de densidad, f (x) = 1 π M X (t) = x 2, x IR + 1 π e t x 1 + x 2 dx Integral divergente si t 0. No existe la función generatriz de momentos.
9 Momentos. Cálculo a partir de M X (t) Modelos de Distribuciones Discretas y Continuas 9/27 Dada la variable aleatoria X, se define el momento de orden n IN como, k K x k n P[X = x k ] X discreta E[X n ] = + f (x)dx X continua supuesto convergentes la serie o la integral. Esperanza. Momento de orden n = 1. E[X]. Momento de orden n = 2. E[X 2 ]. Varianza. V [X] = E[X 2 ] E[X] 2 Relación con la Función Generatriz de Momentos, E[X n ] = d n dt M n X (t) Derivamos n veces, y hacemos t = 0, ó t 0 si se produce indeterminación. t=0
10 Distribución de Bernoulli Modelos de Distribuciones Discretas y Continuas 10/27 Es de una variable aleatoria X : Ω {0, 1}, es decir, recorre dos valores, 0 ó 1, con probabilidades, E[X] = p V [X] = pq P[X = 1] = p P[X = 0] = 1 p = q p [0, 1] M X (t) = e t p + q Notación X Be(p)
11 Distribución Uniforme Discreta en n puntos Modelos de Distribuciones Discretas y Continuas 11/27 Dado n IN, diremos que la variable aleatoria discreta X tiene una distribución uniforme discreta en n puntos cuando recorre los valores {1, 2,..., n} con probabilidades, P[X = k] = 1 n k = 1, 2,... n E[X] = (n + 1)/2 V [X] = (n 2 1)/12 Función Generatriz de Momentos, Notación X U[1..n] M X (t) = et (e nt 1) n(e t 1)
12 Distribución Binomial Modelos de Distribuciones Discretas y Continuas 12/27 Dados n IN y p [0, 1], diremos que la variable aleatoria discreta X tiene una distribución binomial de parámetros n y p, si recorre los valores {0, 1,..., n}, siendo, P[X = k] = ( n k ) p k (1 p) n k, k = 0,..., n E[X] = np V [X] = npq M X (t) = (q + pe t ) n Notación X Bi(n, p)
13 Distribución Binomial. Propiedades. Modelos de Distribuciones Discretas y Continuas 13/27 Si repetimos n veces un experimento con dos resultados posibles, E, éxito, y F, fracaso, y probabilidad de éxito p, siendo independientes las repeticiones, el número de éxitos obtenidos es una variable aleatoria con distribución Bi(n, p). Si X 1,..., X n son variables aleatorias de Bernoulli, Be(p), independientes, entonces, n X i Bi(n, p) i=1 Si X 1,..., X n son variables aleatorias independientes, con distribución binomial, siendo X i Bi(n i, p), i = 1,..., n, entonces n i=1 X i Bi( n i=1 n i, p). [Reproductividad con respecto a n].
14 Distribución Geométrica Modelos de Distribuciones Discretas y Continuas 14/27 Diremos que la variable aleatoria discreta X tiene una distribución geométrica si recorre los valores k IN con función de probabilidad, P[X = k] = (1 p) k 1 p k IN E[X] = 1/p V [X] = q/p 2 M X (t) = pe t /(1 qe t ) Notación X Ge(p) t < ln(q) Si consideramos el experimento consistente en repetir un experimento con dos resultados posibles, E, éxito, y F, fracaso, con probabilidades respectivas p y q = 1 p, y las repeticiones son independientes, el número de repeticiones o ensayos hasta obtener el primer éxito es una variable aleatoria con distribución Ge(p).
15 Distribución Geométrica. Definición Alternativa Modelos de Distribuciones Discretas y Continuas 15/27 Si consideramos el experimento consistente en repetir un experimento con dos resultados posibles, E, éxito, y F, fracaso, con probabilidades respectivas p y q = 1 p, y las repeticiones son independientes, el número de fracasos PREVIOS al primer éxito es una variable aleatoria que también se suele denominar como Geométrica. En en este caso, P[X = k] = (1 p) k p k IN E[X] = q/p V [X] = q/p 2 M X (t) = p/(1 qe t ) Notación X Ge(p) t < ln(q)
16 Distribución Hipergeométrica Modelos de Distribuciones Discretas y Continuas 16/27 Consideremos un conjunto, U, con N elementos, de los cuales, N 1 son de tipo I y N 2 = N N 1 de tipo II. De la población se extrae una muestra de n N elementos, sin reemplazamiento y sin considerar el orden como característica diferenciadora, de forma que todas las posibles combinaciones sean equiprobables, y se considera la variable aleatoria X = número de elementos de tipo I en la muestra obtenida. Observemos que si k es un valor factible, entonces, ) P[X = k] = ( N1 )( N2 k n k ( N n) debiendo verificarse k n, k N 1, n k N 2, k 0, es decir, max{0, n + N 1 N} k min{n, N 1 } La distribución así obtenida se denomina hipergeométrica. E[X] = nn 1 /N V [X] = (N n)(n N 1 )nn 1 /(N 2 (N 1)) Notación X H(N, N 1, n)
17 Distribución de Poisson Modelos de Distribuciones Discretas y Continuas 17/27 Diremos que una variable aleatoria discreta, X, sigue una distribución de Poisson si recorre los valores k IN con función de probabilidad, P[X = k] = e λ λ k k! λ > 0 E[X] = λ V [X] = λ M X (t) = e λ(et 1) Notación X P(λ) t IR Si X P(λ 1 ) e Y P(λ 2 ) son independientes, entonces X + Y P(λ 1 + λ 2 ). Esta propiedad se generaliza inmediatamente a un número finito de variables aleatorias independientes, que siguen una distribución de Poisson. Reproductividad respecto a λ.
18 Distribución Uniforme Continua Diremos que la la variable aleatoria X se distribuye uniformemente en el intervalo [a, b] con a, b IR, a < b, o que es uniforme en dicho intervalo, o que sigue una distribución uniforme, si es absolutamente continua, con función de densidad, f (x) = 1 1, x [a, b] = b a b a I [a,b](x) x IR Función de distribución, F(x) = 0 x a x a a < x b b a 1 x > b E[X k ] = bk+1 a k+1 (b a)(k+1) k 0. E[X] = a+b 2 V [X] = (b a)2 12 M X (t) = etb e ta (b a)t Notación X U[a, b] También se puede definir en el abierto (a, b). Todo es igual salvo la notación Modelos de Distribuciones Discretas y Continuas 18/27
19 La Función Gamma Modelos de Distribuciones Discretas y Continuas 19/27 Es una función que aparece en numerosos campos de las Matemáticas Γ : IR + IR + Γ(p) = Algunas propiedades, Γ(1) = 1 + Γ(p) = (p 1)Γ(p 1) p > 1 Γ(n) = (n 1)! n IN Γ( 1 ) = π 2 0 x p 1 e x dx p > 0
20 Distribución Gamma La variable aleatoria X se distribuye según una distribución Gamma de parámetros a y p, si es absolutamente continua, con función de densidad, f (x) = ap Γ(p) e ax x p 1 I (0,+ ) (x) x IR, a > 0, p > 0 Momentos de orden k. E[X k ] = Γ(k + p) a k Γ(p) k IN Esperanza, momento de segundo orden y varianza. E[X] = p a E[X 2 ] = Función Generatriz de Momentos. p(p + 1) a 2 V [X] = p a 2 1 M X (t) = ( 1 t ) p t < a a Notación X Ga(p, a) Si X 1,..., X n son variables aleatorias independientes, con X k Ga(p k, a), k = 1,..., n, entonces n k=1 X k Ga( k p k, a) Modelos de Distribuciones Discretas y Continuas 20/27
21 Distribución Exponencial Diremos que X tiene una distribución exponencial de parámetro λ > 0, cuando X Ga(λ, 1). Se tiene pues que es absolutamente continua, con función de densidad, Función de distribución, F(x) = f (x) = λe λx I (0,+ ) (x) x Momentos de orden k. λe λt I (0,+ ) (t) dt = E[X k ] = k! λ k x R ( 1 e λx) I (0,+ ) (x) k IN Esperanza, momento de segundo orden y varianza. E[X] = 1 E[X 2 ] = 2 V [X] = 1 λ λ 2 λ 2 Función Generatriz de Momentos. 1 M X (t) = ( 1 t ) t < λ λ Notación X Exp(λ). Modelos de Distribuciones Discretas y Continuas 21/27
22 Distribución Beta La variable aleatoria X se distribuye según una distribución Beta de parámetros a y b, si es absolutamente continua, con función de densidad, f (x) = 1 B(a, b) x a 1 (1 x) b 1 I (0,1) (x) x IR a, b > 0 B(a, b) representa la función beta, definida como, B(a, b) = 1 Relación con la función Gamma, 0 x a 1 (1 x) b 1 dx a, b > 0 B(a, b) = Γ(a)Γ(b) Γ(a + b) Momentos ordinarios de orden k. E[X k B(a + k, b) ] = B(a, b) k IN Esperanza, momento ordinario de segundo orden y varianza. E[X] = a a + b E[X 2 ] = a(a + 1) (a + b)(a + b + 1) Notación X Be(a, b) Si a = b = 1 entonces X U(0, 1). V [X] = ab (a + b) 2 (a + b + 1) Modelos de Distribuciones Discretas y Continuas 22/27
23 Distribución de Cauchy Modelos de Distribuciones Discretas y Continuas 23/27 Diremos que la variable aleatoria X se distribuye según una distribución de Cauchy si es absolutamente continua, con función de densidad, Función de Distribución, F(x) = f (x) = 1 π x x 2 x IR f (t) dt = 1 π arctg(x) x IR No existen los momentos de orden mayor o igual que 1. En particular, no existe ni la esperanza ni la varianza. NO existe la función generatriz de momentos en un entorno abierto de t = 0 Notación X C(0, 1)
24 Distribución Normal N(0, 1) Modelos de Distribuciones Discretas y Continuas 24/27 Diremos que la variable aleatoria Z se distribuye según una distribución normal de parámetros 0 y 1, si es absolutamente continua, con función de densidad, f (z) = 1 e 2 1 z2 z IR 2π Observemos que f 0 y además, haciendo el cambio de variable z 2 = 2t, obtenemos, e z2 dz = 2 e z2 dz = t e t dt = Γ( 1 2 ) = 1 2π 0 2π 2π 0 π La correpondiente función de distribución, F Z, se denota tradicionalmente por Φ, es decir, Φ(z) = z E[X] = 0, E[X 2 ] = 1, V [X] = 1 M X (t) = e t2 /2 Notación Z N(0, 1) 1 2π e 1 2 t 2 dt
25 Distribución Normal N (µ, σ 2 ) Sea Z N(0, 1) y µ, σ IR con σ > 0, y sea X = µ + σz. La función de distribución de X será pues, x IR, [ F X (x) = P[X x] = P Z x µ ] = Φ σ ( x µ ) x µ σ = σ y mediante el cambio de variable t = zσ + µ, se obtiene, ( ) 2 1 t µ x 1 F X (x) = σ 2π e 2 σ dt 1 2π e 1 2 z2 dz La variable aleatoria X, absolutamente continua, tiene pues como función de densidad, f (x) = 1 1 ( x µ ) 2 σ 2π e 2 σ x IR y diremos que sigue una distribución normal de parámetros µ y σ 2. denotándose X N(µ, σ 2 ) (también se suele denominar de parámetros µ y σ, denotándose X N(µ, σ)). Algunas de sus características son, E[X] = µ, E[X 2 ] = µ 2 + σ 2, V [X] = σ 2 M X (t) = e tµ+σ2 t 2 /2 Notación X N(µ, σ 2 ) Modelos de Distribuciones Discretas y Continuas 25/27
26 Resultados Modelos de Distribuciones Discretas y Continuas 26/27 (1) [Reproductividad respecto a µ y σ 2 ]. Si X 1,..., X n son variables aleatorias independientes, con X k N(µ k, σk 2 ), k = 1,..., n, entonces, ( n n ) n X k N µ k, k=1 (2) Si X 1,..., X n son variables aleatorias independientes, con X k N(µ k, σk 2 ), k = 1,..., n, y a 0, a 1,..., a n IR tales que n k=1 a k = 0, entonces, ( ) n n n a 0 + a k X k N a 0 + a k µ k, akσ 2 k 2 k=1 k=1 (3) Dados µ, σ IR con σ > 0, se verifica, o, equivalentemente, k=1 k=1 σ 2 k k=1 Z N(0, 1) (µ + σ Z ) N(µ, σ 2 ) X N(µ, σ 2 ) X µ σ N(0, 1)
27 Modelos de Distribuciones Discretas y Continuas 27/27 Definición Dada una variable aleatoria X N(µ, σ 2 ), la variable aleatoria, Z = (X µ)/σ N(0, 1) se denomina tipificación de X o variable X tipificada. OBSERVACIÓN: La tipificación permite hallar probabilidades para una variable aleatoria cualquiera si se conocen las probabilidades para la N(0, 1). Por ejemplo, sea X N(6, 4), entonces, si queremos calcular P[X 10], tendremos, P[X 10] = P[(X 6)/ 4 2] = P[Z 2] = Φ(2) donde hemos denotado Z = (X 6)/2, siendo Z N(0, 1) por el resultado anterior. Así, para calcular probabilidades de una normal cualquiera basta tener tabulada la función Φ. FIN
Modelos 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 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 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 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 detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más 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 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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más 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 detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más 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 detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más 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
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 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 detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más 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 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 detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
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 detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más 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 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 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 detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
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 detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
Más 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 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 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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesProbabilidad y Estadística
Esperanza matemática Probabilidad y Estadística Esperanza matemática Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más 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 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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
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 detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Patricia Kisbye FaMAF 30 de marzo, 2010 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
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 detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
Más detallesTEMA 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 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 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 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 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 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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más 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 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 detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detallesEsperanza Condicional
Esperanza Condicional Podemos obtener la esperanza de una distribución condicional de la misma manera que para el caso unidimensional: 129 Caso 2 v.a. discretas X e Y: Caso 2 v.a. continuas X e Y: Percentiles
Más detallesVariables aleatorias
Variables aleatorias BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es) ALEJANDRO
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 detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más 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 detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesPráctica 11 Probabilidades
Matemáticas Especiales II Año 2014 Prof: T. S. Grigera JTP: V. Fernández AD: S. Franchino Práctica 11 Probabilidades Esta práctica abarca los siguientes temas: a) Definiciones y axiomas. Interpretación
Más detallescontablemente infinito.
III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.
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 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 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA SEGUNDA PRUEBA PARCIAL Profesor: Hugo S. Salinas. Segundo Semestre 2008 1. El problema de Galileo.
Más detallesPráctica 3 Esperanza Condicional
1. Generalidades Práctica 3 Esperanza Condicional 1. Sea (X i ) i I una familia de variables aleatorias definidas sobre un mismo espacio medible (Ω, F) y sea Y otra variable aleatoria en este espacio.
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más 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 detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0.75(1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesGeneración de números aleatorios con distribución uniforme
Generadores de Números Aleatorios 1 Existen en la actualidad innumerables métodos para generar números aleatorios En la literatura disponible se pueden encontrar gran cantidad de algoritmos. Generación
Más detallesFunción Característica
Germán Bassi 21 de marzo de 211 1. Variable Aleatoria Continua Para una variable aleatoria escalar y continua X, la función característica se define como el valor esperado de e jωx, donde j es la unidad
Más detallesEjemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }. Si la moneda no está trucada, p = 1.
Capítulo 4 Modelos de probabilidad 4.1 Modelos discretos 4.1.1 Pruebas de Bernoulli Definición 4.1.1. Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados se agrupan en dos conjuntos
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 detallesInstituto de Matemática Aplicada del Litoral
PROBLEMAS DE BARRERA EN PROCESOS ESTOCÁSTICOS Ernesto Mordecki http://www.cmat.edu.uy/ mordecki mordecki@cmat.edu.uy Facultad de Ciencias Montevideo, Uruguay. Instituto de Matemática Aplicada del Litoral
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesTema 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 detallesA. Probabilidad. Resultados. Elementos ω del espacio muestral, también llamados puntos muestrales o realizaciones.
Tema 1. Espacios de Probabilidad y Variables Aleatorias: Espacios de Probabilidad. 1 A. Probabilidad. Un experimento aleatorio tiene asociados los siguientes elementos: Espacio muestral. Conjunto Ω de
Más detallesTEMA 2: DISTRIBUCIONES DE PROBABILIDAD
ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,
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 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 detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesProbabilidad y Estadística
Variables aleatorias Probabilidad y Estadística Variables aleatorias y Función de distribución Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial)
Más detallesDistribuciones unidimensionales continuas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución uniforme continua 2 Estándar 3 Distribución χ 2 de Pearson 4 Distribución uniforme continua Definición Es una variable continua
Más detallesObjetivo del Cálculo de Probabilidades:
Objetivo del Cálculo de Probabilidades: Establecer y desarrollar modelos matemáticos adaptados al estudio de situaciones que presentan cierto grado de incertidumbre Definición de Estadística (Barnett,
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 detallesSabemos que en un proceso de Poisson la función de probabilidad está dada por:
DISTRIBUCIÓN DE WEIBULL Relación entre la dist eponencial y la dist de Poisson Sabemos que en un proceso de Poisson la función de probabilidad está dada por: e-! ( λt ) λt f X (, λ ) P( X = ) = Queremos
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesTema 6. Variables Aleatorias Discretas
Presentación y Objetivos. Tema 6. Variables Aleatorias Discretas En esta unidad se presentan algunos ejemplos estándar de variables aleatorias discretas relacionadas de diversas formas dependiendo de su
Más detalles4 VARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS Una ruleta está dividida en cuatro sectores de 90º de los que dos opuestos por el vértice son Azules, y los otros dos son uno Blanco y el otro Rojo. Conderemos el experimento
Más detallesTema 5 Variables aleatorias: distribuciones de probabilidad y características.
Tema 5 Variables aleatorias: distribuciones de probabilidad y características. 1. Introducción Según se ha reflejado hasta el momento, el espacio muestral asociado a un experimento aleatorio puede ser
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 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 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 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 detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detalles