TEMA 3.- MODELOS DISCRETOS
|
|
- Julián Valdéz Río
- hace 5 años
- Vistas:
Transcripción
1 TEMA 3.- MODELOS DISCRETOS 3.1. Introducción Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn, p 3.5 Distribución Geométrica de parámetro p. Notación: X G p 3.6 Distribución Poisson de parámetro. Notación: X P 3.7. Procedimiento para abordar problemas INTRODUCCIÓN. Estudio de algunas variables aleatorias discretas que sirven como modelos en situaciones reales. De cada una de ellas, vamos a ver: 1. Situaciones en las que se utiliza y definición. 2. Distribución de probabilidad xi, pi. Comprobación de que los p i son función de masa pi 0, pi 1 3. Medidas: media, xi pi, y varianza (formulario) 4. Cálculo de probabilidades (tablas). 5. Otras propiedades: reproductividad, falta de memoria, teoremas de aproximación,... 1
2 3.2. Distribución uniforme discreta de parámetro n Definición: Diremos que X sigue una distribución uniforme discreta de parámetro n si itoma un número finitoit de valores x 1, x 2,, x n todos ellos con la misma probabilidad 1/n. Este modelo recoge situaciones de máxima incertidumbre. Ejemplo 1: Las siguientes variables siguen una distribución uniforme discreta: X: número que se obtiene al elegir aleatoriamente un número entero entre 1 y 4. Y: número que se obtiene en el sorteo de la lotería de Navidad. Z: resultado que se obtiene en el lanzamiento de un dado FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE UNIFORME DISCRETA En el último tema del curso usaremos la función de distribución de este modelo. Si suponemos ordenados de menor a mayor los valores que toma la variable x1 x2... xn la función de distribución es: 0 x x1 1/ n x1 x x2 Ejemplo 2: Obtener la 2/ n x2 x x3 función de distribución de Fn x X: número que se obtiene i/ n xi x x al elegir aleatoriamente un i1 número entero entre 1 y 4. 1 x xn 2
3 3.3. Distribución de Bernoulli de parámetro p o binomial de parámetros 1 y p X B 1, p Situación: Se realiza un experimento aleatorio en que nos interesa observar si se verifica o no un cierto suceso A que tiene probabilidad p, P(A) = p. Por ejemplo, en un dado, obtener un 5 (A) o no obtener un 5; en un proceso de fabricación, que una pieza sea defectuosa (A) o no. Definición: La variable X que toma el valor 1 si ocurre A y 0 si no ocurre A se dice que tiene distribución de Bernoulli de parámetro p o binomial de parámetros 1 y p. Ejemplo 3: Obtener la distribución de probabilidad de X: número de veces que sale un 5 al lanzar 1 vez un dado. PROPIEDADES DE LA DISTRIBUCIÓN DE BERNOULLI 1. Distribución de probabilidad x i p i 0 1-p 1 p 2. E X 0(1 p) 1 p p E X 0 (1 p) 1 p p V X E X E X p p p p ( ) (1 ) 3
4 3.4.Distribución Binomial de parámetros n y p. X B n, p Situación: Se realiza un experimento aleatorio: Nos interesa observar si se verifica o no un cierto suceso A que tiene probabilidad p, P(A) = p. P(A) = p, se mantiene constante al repetir el experimento Se repite el experimento n veces de forma independiente. Definición: En la situación anterior, la v.a. definida como X: número de veces que ocurre el suceso A (éxito) en las n repeticiones del experimento. se dice que tiene distribución BINOMIAL de parámetros n y p. 3.4.Distribución Binomial de parámetros n y p. Ejemplo 4: La variable X: número de veces que sale un número menor o igual que 2 al llanzar 3 veces un dado, d es B(3,1/3). a) Calcular la probabilidad de salga dos veces un número menor o igual que 2 al lanzar 3 veces un dado. b) Obtener la distribución de probabilidad de X. Ejemplo 5: Se sacan 4 cartas de una baraja española sin reemplazamiento y se define la variable X: número de oros que se obtienen en las 4 extracciones. La variable X NO es binomial porque no se mantiene constante la probabilidad de obtener un oro en las 4 extracciones.. 4
5 PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL 1. La función de masa para X B n, p, 0 < p < 1, es: (demostrar) n n P X p 1 p, 0,1,2,..., n 2. EX [ ] npyv( X) np(1 p) (demostrar) 3. La distribución binomial verifica la propiedad de reproductividad para el parámetro n (si p se mantiene fijo) , Si X B n, p, X B n, p,..., X B n, p, independientes X X X B n n n p Ejemplo 6: Si X 1 : número de veces que sale 5 al lanzar 6 veces un dado y X 2 : número de veces que sale 5 al lanzar 8 veces más un dado, X 1 y X 2 son independientes. Entonces, Y: : número de veces que sale 5 al lanzar 14 veces el dado es: X B 6,1/6, X B 8,1/6 Y X X B 14,1/ Diagramas de barras de la distribución binomial 0,5 0,4 0,5,8 0,5 0,4 0,3,8 03 0,3 0,3 0,1 0, Si p = 0.5, la distribución ib ió binomial i es simétrica. i Si p < 0.5, la distribución binomial es asimétrica a la derecha. Si p > 0.5, la distribución binomial es asimétrica a la izquierda. 10 5
6 TABLAS DE LA DISTRIBUCIÓN BINOMIAL X B n, p Las tablas dan la función de distribución de X, F(): P X F, 012 0,1,2,..., n En las tablas de la binomial 0< p 0.5 y n 10 Si hay que hacer cálculos para una binomial donde p > 0.5, usaremos la propiedad: Si X B n, p, p0.5 Y B n,1 p verifica (1 p) 0.5 X B6,1/ 3 Además, P X P Y n, 0,1, 2,..., n Ejemplo 7: Si calcular: PX ( 3), P X4, P X2, P2 X4 Ejemplo 8: Si X B8,0.6 calcular PX ( 5) 3.5 Distribución geométrica de parámetro p X G p Definición: Sea un experimento aleatorio del que observamos si se verifica o no un cierto suceso A con P(A) = p, 0<p<1. Supongamos que p se mantiene constante al repetir de forma independiente el experimento. Entonces la variable: X: número de veces que hay que repetir el experimento ANTES de que ocurra por primera vez el suceso A (primer éxito) se dice que tiene distribución GEOMÉTRICA de parámetro p 6
7 3.5 Distribución geométrica de parámetro p X G p Ejemplo 9: La variable X: número de veces que hay que lanzar un dado antes de que salga por primera vez un 5 es geométrica con p = 1/6. a) Calcular la probabilidad de tener que lanzar el dado exactamente 7 veces antes de obtener un 5. b) Obtener la distribución de probabilidad de X. c) Calcular la probabilidad de tener que lanzar el dado más de tres veces antes de obtener un 5. PROPIEDADES DE LA DISTRIBUCIÓN GEOMÉTRICA 1. La distribución de probabilidad para X G p es: P X 1 p p, 0,1,2,3,..., 0 p1 2. La media y varianza son: 1 p 1 p EX [ ] 1 p p, V( X) 2 p p 0 3. Esta distribución NO es reproductiva respecto de p. 4. No hay tablas de la distribución geométrica. Para hacer cálculos podemos usar la igualdad: 1 P X p 7
8 PROPIEDADES DE LA DISTRIBUCIÓN GEOMÉTRICA 5. La distribución geométrica es la única variable discreta que verifica la propiedad p de falta de memoria: P X n / X P X n, n, 0,1,2,... Observación: El suceso que condiciona SIEMPRE tiene que ser del tipo X. El suceso del que hay que calcular la probabilidad puede ser: X > n+, X n+, X = n+, X < n+ óx n+. Ejemplo 10: Sea X~G(0.2), calcular usando la falta de memoria: 6/ 4, 8/ 5, 8/ 6 P X X P X X P X X Diagramas de barras de la distribución geométrica Distribución Geométrica 0,8 0,6 0,8 0,6 0,5 0,4 0, La distribución geométrica siempre es decreciente y asimétrica a la derecha. Cuanto más se acerca p a 1, más rápido decrece el diagrama de barras hacia
9 3.6. Distribución de Poisson de parámetro λ X P Condiciones para su definición: Ocurrencia de sucesos independientes en el tiempo λ= número medio de sucesos/unidad tiempo, se mantiene constante a lo largo del tiempo. Se dice que X: número de sucesos que ocurren en una unidad de tiempo, tiene distribución de Poisson de parámetro λ. Su distribución de probabilidad viene dada por, 0,1,2,3,... P X e! (demostrar) Observación: A veces se trabaja en otras unidades continuas distintas del tiempo: superficie, volumen, Ejemplo 11: Variables con distribución de Poisson 1. Si el número medio de vehículos que llegan al peaje de una autopista es de 2 cada 15 min y esta pauta se mantiene constante en el tiempo, la variable X: número de vehículos que llegan al peaje en 1 hora, sigue un modelo de Poisson de parámetro λ = 8. Calcular la probabilidad de que en una hora lleguen al peaje de la autopista más de dos coches. 2. X: número de defectos en una plancha de metal de 1 m X: número de bacterias en 1 cm 3 de un cultivo de laboratorio. 9
10 PROPIEDADES DE LA DISTRIBUCIÓN DE POISSON 1. EX [ ] yv( X) 2. La distribución de Poisson verifica la propiedad de reproductividad Si X1 P1, X2 P2,..., X P, independientes X X... X P Ejemplo 12: Sean X 1: número de vehículos que llegan al peaje de una autopista en 1 hora. Supongamos que X 1 es P(8) y X 2 : número de vehículos que llegan al peaje en la hora siguiente es P(8), entonces, el número de coches que llegan al peaje en esas dos horas es X1 X2 P(16) Diagramas de barras de la distribución Poisson 0,4 0,3 3 0,4 0,3 6 0,1 0, ,4 0,3 0, Esta distribución siempre es asimétrica a la derecha pero conforme crece, tiende a ser cada vez más simétrica 20 10
11 TABLAS DE LA DISTRIBUCIÓN POISSON X P Las tablas dan la función de distribución F(): PX F, 0,1,2,... Solamente tenemos tablas para λ 10. Ejemplo 13: Si X P 5 calcular: 4, 6, 5, 2 7 P X P X P X P X APROXIMACIÓN BINOMIAL B(n,p) POR POISSON(np) Teorema: Si X Bn, p, n, p0 y np es constante n n lim p 1 p e n! Consecuencia: Si n es grande (n 100), p pequeño (p < 0.1) y np permanece constante (np 10), la distribución B(n,p) se aproxima bien por una variable de Poisson de parámetro = np. Notación: B n, p P( ) Ejemplo 14: Sea X variable B(n=100, p=0.05). Calcular P(X > 7) de forma exacta (usando Statgraphics, que sustituye en la función de masa de la binomial) y usando la aproximación 22 por la distribución de P(5). Compararlas. 11
12 3.7. PROCEDIMIENTO PARA ABORDAR PROBLEMAS 1º Paso: DEFINIR UNA VARIABLE ALEATORIA, X, QUE PERMITA ESCRIBIR LA PREGUNTA QUE NOS HACEN EN TÉRMINOS DE ELLA. 2º Paso: VER SI ESTA VARIABLE X SIGUE UNO DE LOS MODELOS DE DISTRIBUCIÓN ESTUDIADOS EN EL TEMA. MODELOS ESTUDIADOS UNIFORME DISCRETA: TOMA UN NÚMERO FINITO DE VALORES, 0, 1, 2,..., n todos con la misma probabilidad 1/n. X: RESULTADO DEL EXPERIMENTO (de los n posibles) BINOMIAL(n,p): TOMA UN NÚMERO FINITO DE VALORES, 0, 1, 2,..., n. X: NÚMERO DE VECES QUE OCURRE UN SUCESO A (éxito) EN n REPETICIONES INDEPENDIENTES DE UN EXPERIMENTO. 12
13 MODELOS ESTUDIADOS GEOMÉTRICA(p): TOMA UN NÚMERO INFINITO NUMERABLE DE VALORES 0, 1, 2,... X: NÚMERO DE VECES QUE HAY QUE REALIZAR EL EXPERIMENTO ANTES DE QUE OCURRA POR PRIMERA VEZ EL SUCESO A (éxito). POISSON(): TOMA UN NÚMERO INFINITO NUMERABLE DE VALORES 0, 1, 2,... X: NÚMERO DE VECES QUE OCURRE UN SUCESO POR UNIDAD DE TIEMPO (LONGITUD, VOLUMEN,...) EJEMPLOS DE APLICACIÓN Ejemplo 15: En un hospital se comprobó que la aplicación de un nuevo medicamento en enfermos de cirrosis produce una cierta mejoría en el 20% de los casos. Si se aplica el tratamiento a 10 personas, calcular la probabilidad de que mejoren más de 5 Cuál es el número medio de personas que se espera que mejoren? Ejemplo 16: Sabiendo que en un puesto de servicio el Ejemplo 16: Sabiendo que en un puesto de servicio el número medio de llamadas por avería en las últimas semanas ha sido 2, calcular la probabilidad de que en un mes (cuatro semanas) cualquiera se produzcan menos de 10 llamadas por avería. 13
14 EJEMPLOS DE APLICACIÓN Ejemplo 17: En una cadena de montaje se sabe que los empleados cometen un error en una pieza una de cada 20 veces. Si suponemos independiente el montaje de las distintas piezas a) Calcular la probabilidad de que el primer error se cometa en la cuarta pieza que se monta. b) Obtener el número medio de piezas que se montan antes de que se produzca el primer error. 14
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesAlgunas Distribuciones EstadísticasTeóricas. Aproximación de la Distribución Binomial por la Distribución de Poisson
Algunas Distribuciones EstadísticasTeóricas Distribución de Bernoulli Distribución de Binomial Distribución de Poisson Aproximación de la Distribución Binomial por la Distribución de Poisson Distribución
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
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 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 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 detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
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 detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más 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 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 detallesVARIABLES ALEATORIAS Variable: Característica de los individuos u objetos
1 Definiciones VARIABLES ALEATORIAS Variable: Característica de los individuos u objetos Aleatoria: Azar 1. Una variable aleatoria ( v.a.) es una función que asigna un número real a cada resultado en el
Más 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 detallesEl primer momento centrado en el origen (k=1) es la esperanza matemática de X
MOMENTO K-ÉSIMO PARA UNA VARIABLE ALEATORIA DISCRETA RESPECTO DEL ORIGEN E(x) n i 1 k x i.p x i El primer momento centrado en el origen (k=1) es la esperanza matemática de X También se definen momentos
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
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 detallesUNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES
UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES VARIABLE ALEATORIA DISCRETA. Definición. Se dice que una v.a es discreta si el conjunto de todos los valores que puede tomar es un conjunto,
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 detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 4. Distribuciones comunes
Estadís5ca Tema 4. Distribuciones comunes María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica
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 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 detallesTema 5: Modelos probabilísticos
Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más 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 detallesMétodos Matemá6cos en la Ingeniería Tema 8. Distribuciones comunes
Métodos Matemá6cos en la Ingeniería Tema 8. Distribuciones comunes Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA
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 detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #3 Tema: Distribución Discreta Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Definir la función de probabilidad
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 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 detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detalles5 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 detallesProbabilidad Condicional
Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más 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 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 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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento
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 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 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 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2017-2018 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Combinatoria. Regla del producto 1.2.- Probabilidad condicionada.
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 detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más 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 detallesPrincipales leyes de distribución de variables aleatorias
Capítulo 6 Principales leyes de distribución de variables aleatorias 6.1. Introducción Como complemento al capítulo anterior en el que definimos todos los conceptos relativos a variables aleatorias, describimos
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 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 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 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesTema 4. Variables aleatorias discretas
Tema 4. Variables aleatorias discretas 508 Estadística. ETDI. Curs 2002/03 Cuestiones de Verdadero/Falso 1. En un proceso de Bernoulli, hay exactamente dos posibles resultados en cada prueba. 2. La fórmula
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 detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad de: Binomial, Hipergeometrica y Poisson
Más detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesEstadística Modelos probabilísticos discretos
Estadística Modelos probabilísticos discretos MODELOS ALEATORIOS Al considerar variables aleatorias distintas caemos en la cuenta de que sus comportamientos respecto a la distribución de probabilidad,
Más detallesPRÁCTICA 2: MODELOS DE DISTRIBUCIÓN DISCRETA
PRÁCTICA 2: MODELOS DE DISTRIBUCIÓN DISCRETA Primera parte (puntos 2.1-2.3): Diagramas de barras de cada uno de los modelos estudiados en función de su/s parámetro/s. Cálculo l de probabilidades bilid
Más detallesDistribuciones Dis de probabilidad pr discretas Jhon Jairo Jair Pa P dilla a A., PhD. PhD
Distribuciones de probabilidad discretas Jhon Jairo Padilla A., PhD. Introducción A menudo, las observaciones de diferentes experimentos aleatorios tienen el mismo tipo general de comportamiento. Las v.a.
Más detallesETSI de Topografía, Geodesia y Cartografía
Distribuciones (discretas y continuas) EVALUACIÓN CONTINUA (Tipo I) 14-XII-11 1. Una prueba del examen de Estadística consiste en un cuestionario de 10 preguntas con tres posibles respuestas, solamente
Más detallesVariables aleatorias discretas
Variables aleatorias discretas Considere el espacio de probabilidad Ω, F, P) y la función X : Ω R. La imagen de Ω bajo X se define como sigue ImgX) = x R ω Ω : Xω) = x}. Si ImgX) es un conjunto contable,
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 detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más 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 detallesJuan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES
Juan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES BIBLIOGRAFÍA Walpole, Ronal E., Myres, Raymond H., Myres, Sharon L.: Probabilidad y Estadística para Ingenieros. McGraw Hill-Interamericana. Canavos
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesVariables Aleatorias 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 detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más 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 detalles5. LAS DISTRIBUCIONES MÁS IMPORTANTES
5. LAS DISTRIBUCIONES MÁS IMPORTANTES Gauss y la distribución normal Objetivos Introducir las distribuciones más importantes y sus usos. Para leer Podéis ver los mini-videos de Emilio Letón y su equipo
Más detallesCuando la distribución viene dada por una tabla: 2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
1. DISTRIBUCIONES ESTADÍSTICAS. El siguiente grafico corresponde a una distribución de frecuencias de variable cuantitativa y discreta pues solo puede tomar valores aislados (0, 1, 2, 3, 10). Se trata
Más detallesDistribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de Poisson. Aplicaciones
Tema 65 Distribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de oisson. Aplicaciones 65.1 Conceptos básicos en Teoría de la robabilidad Sea un conjunto
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 detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Experimento aleatorio Probabilidad Definición variable aleatoria: discretas y continuas Función de distribución y medidas Distribución Binomial Distribución de Poisson Distribución
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 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 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 detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más 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 detallesCondiciones para una distribución binomial
ESTADÍSTICA INFERENCIAL FUNCIONES DE PROBABILIDAD DISCRETAS: BINOMIAL y POISSON EJERCICIOS RESUELTOS DE FUNCIÓN DE PROBABILIDAD BINOMIAL USANDO TABLAS y EXCEL Prof.: MSc. Julio R. Vargas A. Fórmulas de
Más detallesTEMA 4. MODELOS DE PROBABILIDAD DISCRETOS
TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS 4.1 Distribución binomial 4.1.1 Definición. Ejemplos 4.1.2 La media y la varianza 4.1.3 Uso de tablas 4.1.4 Aditividad 4.2 Distribución de Poisson 4.2.1 Definición.
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 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 detallesProcesos de Poisson. 21 de marzo, FaMAF 1 / 25
Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial
Más detallesUniversidad Técnica de Babahoyo DISTRIBUCIONES DE PROBABILIDAD
Universidad Técnica de Babahoyo DISTRIBUCIONES DE PROBABILIDAD Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 Variable aleatoria El resultado de un experimento aleatorio puede ser descrito en ocasiones
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 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 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 detallesDistribución de Probabilidad
Distribución de Probabilidad Variables discretas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Modelos probabilísticos Un modelo es una
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 detallesLa distribución normal
La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10
Más 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 detalles