Universidad Autónoma de Madrid Probabilidad y Estadística
|
|
- Bernardo Cáceres Suárez
- hace 5 años
- Vistas:
Transcripción
1 Pendiente de la lección 1: Lección 6 Variables aleatorias ˆ Si Ω es infinito, Ω sería su área en P(A) = A / Ω. ˆ Vamos a lanzar un bolígrafo en un suelo con pequeñas baldosas blancas que tienen un dibujo negro que ocupa un quinto del área de la baldosa. Probabilidad de que la punta se quede encima del dibujo? En un experimento normalmente hay varios resultados de interés. A veces nos interesa centrarnos en una magnitud determinada. Variable aleatoria = Magnitud que ocurre como resultado de un experimento. (10 cartas) Variables aleatorias: número de bastos, número de parejas, número de figuras, número de sotas en las primeras 4 cartas, número de ases, número máximo de cartas en escalera, número máximo de cartas del mismo palo, etc. (3 boletos de ) Variables aleatorias: número de 1, número de boletos pares, suma de los boletos, multiplicación de los boletos, etc (4 alumnos de clase) Variables: número de alumnos con ojos azules, número de alumnos que miden más de 180 centímetros, número de alumnos de Madrid, etc (5 dados) Variables: número de menos número de, algún? (vale 0 si no salen ningún y vale 1 si sale alguno). (bolígrafo) Variables aleatorias: distancia de la punta al lado izquierdo de la baldosa, distancia de la punta al borde más cercano de la baldosa, distancia al dibujo negro, tiempo que le cuesta al bolígrafo quedarse quieto. Para cada variable aleatoria X, su Rango es el conjunto de valores que puede tomar X. Dos tipos de variables aleatorias: ˆ Discretas = Su rango es un conjunto de puntos separados (por una distancia mínima). (10 cartas) X = número bastos es discreta. ˆ Continuas = Su rango es un intervalo de números reales y además P(X = x) = 0 para cualquier x. (boĺıgrafo) X = distancia al lado izquierdo es continua. 1 de 5
2 Vamos a centrarnos primero en las discretas. El comportamiento de cualquier variable aleatoria discreta queda descrito por su Función de masa p(x) = p X (x). Se define como p(x) = P(X = x) para todo x en el rango. Normalmente se dibuja su gráfica para tener una idea visual del comportamiento de X. (2 monedas) X = número de caras. ˆ Rango: {0, 1, 2}. ˆ Función de masa: p(0) = 1/4, p(1) = 1/2, p(2) = 1/4. Gráfica con R. (4 dados) X = número de. Rango: {0, 1, 2, 3, 4}. Función de masa: p(0) = (5/6) 4 p(1) = 4! 1!3! (1/6)(5/6)3 p(2) = 4! 2!2! (1/6)2 (5/6) 2 p(3) = 4! 3!1! (1/6)3 p(4) = (1/6) 4. Puede resumirse como p(x) = 4! x!(4 x)! (1/6)x (5/6) 4 x si definimos 0! = 1. Gráfica de la función de masa anterior con R. Si dos variables (discretas) tienen la misma función de masa se comportan exactamente igual. X = número de caras al lanzar dos monedas. Y = número al sacar un boleto de Se dice que X e Y tienen la misma distribución, o X Y. Variables (discretas) que aparecen mucho tienen nombre propio: ˆ Bernouilli (con proporción p) = Número de boletos 1 al sacar un boleto al azar de una caja con una con una proporción p de boletos 1 y 1 p de boletos 0. (1 dado) número de Bernouilli(1/6) ˆ Binomial (con n sacadas y proporción p) = Número de boletos 1 al sacar n boletos al azar con reposición de una caja con una proporción p de boletos 1 y 1 p de boletos 0. (4 dados) Número de Binomial(4,1/6) ˆ Hipergeométrica (con a unos, b ceros y n sacadas) = Número de boletos 1 al sacar n boletos al azar de una caja con a boletos 1 y b boletos 0. (4 cartas) Número de figuras Hipergeométrica(12,28,4) 2 de 5
3 ˆ Poisson (con parámetro λ) = Aproximación a una Binomial cuando la proporción p es muy pequeña y el número de sacadas n muy grande de forma que pn = λ. (1000 boletos con reposición de una caja con boletos, 3 1 ) y el resto 0 ) Número de 1 Poisson (0.3) Es fácil ver (usando Stirling y la aproximación (1 y/n) n e y para n grande) que la función de masa de una Poisson es λ λx p(x) = e x! con rango x = 0, 1, 2, 3,... Ver aproximación con R. Para una variable continua la función de masa no sirve de mucho porque vale siempre cero. En sustitución se usa la función de densidad. Función de densidad f(x) de una variable aleatoria continua X. Se define como f(x) P(x < X < x + δ) δ = masa longitud con δ muy pequeño. f nos da la densidad de probabilidad : Una zona con f más grande es más probable que salga que otra zona con f más pequeña. (bolígrafo) X = distancia al lado izquierdo de la baldosa (en milímetros). Si la baldosa tiene lado 25 milímetros, A = {3 < X < 15}, P(A) = A / Ω = (12 25)/(25 25) = 12/25. P(x < X < x + δ) = δ/25 f(x) = 1/25 con rango x [0, 25]. (bolígrafo) X = suma de la distancia al lado izquierdo y de la distancia al lado de abajo en milímetros. El rango es el intervalo [0, 50]. y por simetría P(15 < X < 15 + δ) área de un rectángulo (δ/ ) área total P(x < X < x + δ) xδ 25 2 si x < 25 f(x) = x/25 2 si 0 < x < 25, f(x) = (50 x)/25 2 si 25 < x < 50. = 15 δ de 5
4 Caja decimal de a a b con k cifras= Caja que contiene boletos con todos los números entre a y b con k cifras decimales. Algunas variables continuas con nombre: ˆ Uniforme (con mínimo a y máximo b) = Número de un boleto sacado al azar de un Caja decimal de a a b con k cifras con k muy grande. f(x) = 1 b a con rango [a, b]. (boĺıgrafo) Distancia al lado izquierdo Uniforme(0,25) ˆ Exponencial (con frecuencia λ) = Aproximación continua al tiempo (en segundos) que pasa hasta que sale un boleto 1 si sacamos (con reposición) un boleto al azar cada 1/m segundos de una caja con una proporción λ/m de boletos 1 y el resto boletos 0, con m muy grande. (Un boleto (reposición) cada milésima de una caja con 800 boletos, 2 1 y el resto 0 ) Tiempo en salir 1 Exponencial(2.5) Es fácil ver (usando la aproximación (1 y/m) m e y ) que su función de densidad es f(x) = λe λx con rango [0, ). λ se llama frecuencia porque lo normal es que aparezca un 1 aproximadamente tras 1/λ segundos ( λ por segundo si continuáramos). La exponencial se suele usar para el modelizar el tiempo que le cuesta a un aparato estropearse. Para variables discretas, podemos usar la función de masa para calcular probabilidades: P(a < X < b) = P(X = x) = p(x). P(a < X < b) = Para continuas, lo mismo con la función de densidad: P(a < X < b) a<jδ<b P(jδ < X < jδ + δ) p(x). a<jδ<b f(jδ) δ b a f(x) dx P(a < X < b) = Área por debajo de la grafica de f(x) entre x = a y x = b. 4 de 5
5 Decimos que dos variables aleatorias X, Y son independientes cuando para todo par A, B de resultados posibles para X e Y se cumple que P(X esté en A Y esté en B) = P(X esté en A). (dos dados) par en el primer dado?, suma de los dados par? Independientes. Puntuación primer dado, suma de los dados. No Independientes. (bolígrafo) distancia a izquierda, distancia abajo Independientes. distancia a izquierda, suma de distancias a izquierda y abajo. No independientes. Hasta ahora hemos considerado variables aletorias numéricas. También tenemos variables aleatorias multidimensionales (o vectoriales), cuyos valores son vectores en vez de números. (4 cartas) X = números de las cartas. Por ejemplo, X = (3, 11, 1, 1) querría decir que en la primera carta sael un 3, en la segunda un caballo y en la dos últimas ases. (bolígrafo) X = Posición de la punta en la baldosa. Por ejemplo, X = (2.3, 4.1) quiere decir que la punta se ha quedado a 2.3 milímetros del lado izquierdo y a 4.1 milímetros del lado de abajo. Todos los conceptos vistos para variables (rango, función de masa, función de densidad) funcionan igual para variables vectoriales (sólo que en la definición de densidad habría que cambiar longitud por volumen ). 5 de 5
VARIABLES 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 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 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 detallesTEMA 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 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 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 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 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 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 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 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 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 detallesEstadística. Grado en Biología. Universidad de Alcalá. Curso Capítulo 4: Variables Aleatorias. Fernando San Segundo. Actualizado:
Grado en Biología. Universidad de Alcalá. Curso 2017-18. Fernando San Segundo. Actualizado: 2017-10-16 Fernando San Segundo. Actualizado: 2017-10-16 1 Qué es una variable aleatoria? Pronto veremos una
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 detallesEstadística Grado en Nutrición Humana y Dietética
Estadística Grado en Nutrición Humana y Dietética Tema 3: Probabilidad y variables aleatorias Francisco M. Ocaña Peinado http://www.ugr.es/local/fmocan Departamento de Estadística e Investigación Operativa
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 detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
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 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 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 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 detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
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 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 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 detalles1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES
1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMAS 14 y 15.- DISTRIBUCIONES DISCRETAS. LA DISTRIBUCIÓN BINOMIAL. DISTRIBUCIONES CONTINUAS. LA DISTRIBUCIÓN NORMAL 1 1.- VARIABLES ALEATORIAS DISCRETAS Concepto
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 detallesVARIABLES ALEATORIAS INTRODUCCIÓN
DOCENTE: SERGIO ANDRÉS NIETO DUARTE CURSO: ESTADÍSTICA DE LA PROBABILIDAD VARIABLES ALEATORIAS INTRODUCCIÓN Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son
Más detallesApuntes de Clases. Modelos de Probabilidad Discretos
2010 Índice 1. Distribución de Bernouilli 2 2. Distribución Binomial 3 3. Distribución Hipergeométrica 3.1. Aproximación Binomial de la distribución Hipergeométrica............. 7 4. Distribución Geométrica
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 detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
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 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 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 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 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 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 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 detallesTeorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso F. San Segundo.
Teorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso 2014-2015. F. San Segundo. Variables de Bernouilli. Una de las familias de variables aleatorias más básicas
Más detallesMétodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del
Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del Límite Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón
Más detallesTema 7: Introducción a la probabilidad
Tema 7: Introducción a la probabilidad A veces, la probabilidad es poco intuitiva. (1) El problema de Monty Hall (El problema de las tres puertas) (2) El problema del cumpleaños. Hay n personas en una
Más detallesPROBLEMAS DE PROBABILIDAD. 3. Calcula la probabilidad de que al lanzar dos dados la suma de sus puntos sea: a) igual a 5 b) mayor que 10
1. Se lanza un dado. Halla la probabilidad: a) de salir el 3 b) de salir un número par c) de salir un número mayor que 2 PROBLEMAS DE PROBABILIDAD 2. Calcula la probabilidad de que al lanzar dos monedas:
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más 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 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 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 detallesUniversidad Autónoma de Madrid Probabilidad y Estadística
Propuesta de Problemas 7 (Soluciones) 1. a) Y es el promedio al sacar dos boletos con reposición de Y y hacer su promedio. Por eso, puede tomar los valores 1, 1.5 y. Tenemos que, P(Y = 1) = P( 1 1 ) =
Más detallesESTADÍSTICA Y ANÁLISIS DE DATOS. Práctica del Tema 5. Variable aleatoria (en R y R 2 )
ESTADÍSTICA Y ANÁLISIS DE DATOS Práctica del Tema 5. Variable aleatoria (en R y R ). Se considera un dado regular y se define la v.a. X: puntuación obtenida en un lanzamiento cualquiera de dicho dado.
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 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 detallesProbabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades
Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,
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 detallesTEMA 2: DISTRIBUCIÓN DE PROBABILIDAD
TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD A partir de un experimento aleatorio cualquiera, se obtiene su espacio muestral E. Se llama variable aleatoria a una ley (o función) que a cada elemento del espacio
Más 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 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 detallesProbabilidad. a) Determinista. c) Aleatorio. e) Determinista. b) Aleatorio. d) Aleatorio.
Probabilidad 08 Clasifica estos experimentos en aleatorios o deterministas. a) Lanzar una piedra al aire y verificar si cae al suelo o no. b) Hacer una quiniela y comprobar los resultados. c) Predecir
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 3
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 3 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. 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,
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
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: 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
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 detallesDistribuciones discretas. Distribución binomial
Variables aleatorias discretas y continuas Se llama variable aleatoria a toda función definida en el espacio muestral de un experimento aleatorio que asocia a cada elemento del espacio un número real.
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 detalles1. Mencione tres características que debe tener un gráfico realizado correctamente. Cuándo se usa el blanco/negro y cuando se usa el color?
Quiz # 1 1. Mencione tres características que debe tener un gráfico realizado correctamente. Cuándo se usa el blanco/negro y cuando se usa el color? 2. Mencione el tipo de datos al que pertenecen los siguientes
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 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 detallesMATEMÁTICAS PRUEBA DE ACCESO A LA UNIVERSIDAD MAYORES 25 AÑOS. UNIDAD DIDÁCTICA 13: Nociones elementales de probabilidad
UNIDAD DIDÁCTICA 3: Nociones elementales de probabilidad. ÍNDICE. ÍNDICE 2. INTRODUCCIÓN GENERAL A LA UNIDAD Y ORIENTACIONES PARA EL ESTUDIO 3. OBJETIVOS ESPECÍFICOS 4. CONTENIDOS Sucesos equiprobables
Más detallesSon los experimentos de los que podemos predecir el resultado antes de que se realicen.
Probabilidad Experimentos deterministas Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Ejemplo Si dejamos caer una piedra desde una ventana sabemos, sin lugar a
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 detallesPreguntas más Frecuentes: Tema 6
Preguntas más Frecuentes: Tema 6 Pulse sobre la pregunta para acceder directamente a la respuesta 1. En el ejemplo 6.2, no entiendo por qué dividimos entre 8. Si tiro 3 veces la moneda y las opciones son
Más detallesEjemplo: Si lanzamos un dado 7 veces y 3 de ellas nos sale par, la frecuencia
Probabilidad La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles,
Más detallesSon los experimentos de los que podemos predecir el resultado antes de que se realicen.
PROBABILIDAD Definición de probabilidad La probabilidad de un suceso es un número, comprendido entre 0 y 1, que indica las posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio.
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 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 detallesEJERCICIOS DE PROBABILIDAD
Ejercicio nº 1.- Qué es una experiencia aleatoria? De las siguientes experiencias, cuáles son aleatorias? a) En una caja hay cinco bolas amarillas, sacamos una bola y anotamos su color. b) Lanzamos una
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 detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Tutor: Antonio Rivero Cuesta 5.1 Lanzamos una moneda dos veces consecutivas. Consideramos el espacio de posibilidades formado por los cuatro casos Ω = {,,, }. En este
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 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 detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detalles12 ESTADÍSTICA Y PROBABILIDAD
12 ESTADÍSTICA Y PROBABILIDAD 12.1.- TABLAS DE FRECUENCIA ABSOLUTA Y RELATIVA. PARÁMETROS ESTADÍSTICOS. 12.2.- GRÁFICOS ESTADÍSTICOS 12.3.- CÁLCULO DE PROBABILIDADES. REGLA DE LAPLACE. 12.1.- TABLAS DE
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesMATEMÁTICAS: EBAU 2017 JUNIO CASTILLA Y LEÓN
MATEMÁTICAS: EBAU 7 JUNIO CASTILLA Y LEÓN Opción A Ejercicio A Sean A = ( 4 ) y B = ( 3 ), a) Estudiar si A y B tienen inversa y calcularla cuando sea posible. ( punto) Una matriz cuadrada M tiene inversa
Más detallesTEMAS BIMESTRAL. Son los experimentos de los que podemos predecir el resultado antes de que se realicen.
Profesora: Mónica Marcela Parra Zapata A continuación se presentan los temas que serán evaluados en el Bimestral de estadística del grado octavo. El grado octavo 1 presentará el bimestral el miércoles
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 detallesApellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva:
Cátedra: Probabilidad y Estadística Apellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva: Atención! Para aprobar el examen se debe alcanzar
Más detallesESCUELA SECUNDARIA FEDERAL 327 JORNADA AMPLIADA GUIA DE MATEMÁTICAS III MAESTRA MÓNICA VÁZQUEZ MARTÍNEZ NOMBRE: GRUPO: N.L.
ESCUELA SECUNDARIA FEDERAL 327 JORNADA AMPLIADA GUIA DE MATEMÁTICAS III MAESTRA MÓNICA VÁZQUEZ MARTÍNEZ NOMBRE: GRUPO: N.L. RECUERDA VI. CONOCIMIENTO DE LA ESCALA DE LA PROBABILIDAD Evento Independiente:
Más detallesVariables aleatorias
Capítulo 5 Variables aleatorias 5.1. Introducción Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son valores numéricos. Por ejemplo, si el experimento consiste
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 detallesDistribuciones de Probabilidad.
Práctica núm. 3 1 Distribuciones de Probabilidad. 3.1. Distribuciones de Probabilidad en Statgraphics El estudio de las distribuciones de probabilidad en Statgraphics se puede realizar en el menú Descripción/Distribuciones/Distribuciones
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 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 detallesEJERCICIOS. 4 6 e) Si en una caja hay 2 fichas blancas y 3 fichas negras, la probabilidad de sacar una ficha negra es. 2 3
. La probabilidad de obtener un número mayor que en el lanzamiento de un dado es: EJERCICIOS. Si en una caja hay fichas blancas y fichas negras, la probabilidad de sacar una ficha negra es.. Si elegimos
Más detalles