Mg. Ing. Susana Vanlesberg Profesor Titular
|
|
- Juana Torregrosa de la Fuente
- hace 5 años
- Vistas:
Transcripción
1 Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeierías: Recursos Hídricos-Ambietal-Agrimesura- Iformática Mg. Ig. Susaa Valesberg Profesor Titular
2 MODELOS PARA VARIABLES ALEATORIAS DISCRETAS
3 INTRODUCCIÓN La resolució de situacioes reales lleva a la aplicació de la teoría de probabilidad, se observa que preseta ua regularidad e el plateo. Esto ha llevado a platear ua serie de modelos que permite resolverlas. Estos modelos se deomia modelos probabilísticos. Los igeieros debe realizar supuestos respecto del problema a resolver, esto los lleva a descripcioes aálogas y a formas matemáticamete similares a las de los modelos probabilísticos.
4 Se presetará los modelos más usados para fies prácticos, para variables aleatorias discretas. E cada caso se brida alguas ocioes de los mecaismos por los cuales se ha origiado cada uo. Esto es de gra importacia para u igeiero, ya que la eistecia de tales mecaismos puede describir ua situació física de iterés, y ésta es ua razó más importate que quizás la buea aproimació matemática de algú modelo a la situació plateada.
5 Modelo Beroulli Modelo Biomial Modelo Geométrico Modelo Poisso Modelo Hipergeométrico
6 Para cada modelo se va a determiar la fució que permite calcular probabilidades y sus características más importates (esperaza y variaza)
7 Situacioes a resolver: 1- Estudios de medio ambiete realizados e la ciudad ha evaluado que e el 30% de los hogares se separa los residuos orgáicos de los del resto. La Direcció de Limpieza de la Muicipalidad seleccioa u barrio al azar, detro de ese barrio ua mazaa y, e la mazaa, elige 10 hogares e forma aleatoria.
8 a) E base a estos datos relevados, a la Muicipalidad le iteresa saber la probabilidad de que se separe los residuos e la mitad de los hogares de la ciudad. b) U aálisis más miucioso estableció que, de ese 30% que hace la separació, u 1% o lo realizaba de maera correcta. Si se obtiee ua muestra de 500 hogares e toda la ciudad, iteresa a la muicipalidad determiar la probabilidad de que e por lo meos 5 hogares haya realizado mal la separació.
9 2-Se cueta co registros de catidad de días co lluvia superior a 150mm e ua determiada estació meteorológica. Se sospecha que etre los registros hay valores que so erróeos. El técico que realiza las observacioes dice que e geeral el 80% so correctos. Se aaliza la població de 100 valores.
10 Se seleccioó ua muestra aleatoria si reemplazo de 6 valores. A partir de esta iformació se quiere saber que probabilidad hay de que etre los registros seleccioados haya al meos uo equivocado.
11 Modelo Beroulli Los resultados de los eperimetos puede separarse e dos categorías mutuamete ecluyetes: éito o fracaso; por ejemplo se mide y hay equivocació o se mide y o hay error, o llueve o o llueve etc. Se puede defiir la variable aleatoria de tipo Beroulli y asigarle valores (arbitrarios pero muy prácticos) a los evetos ates mecioados:
12 =0 =1 fracaso éito f()= p, 1 p, 1 0 Esta fució deberá cumplir co las codicioes de ua fució de probabilidad
13 Características E() = i i f( i )= 0.(1- p)+1.p= p V()= _ i ( i - E() ) 2 f( i )= = (0 - p ) 2 p)+(1- (1- p ) 2.p = Var= p(1- p)
14 Modelo Biomial Si se realiza ua serie de pruebas de tipo Beroulli cuyos resultados sea idepedietes, co probabilidad de éito ivariable e todas las pruebas se origia u uevo modelo deomiado BINOMIAL.
15 La epresió de la fució surge de cosiderar todas las combiacioes posibles de éitos e pruebas co probabilidad del suceso e estudio igual a p
16 Para geeralizar se cosidera el caso de 3 pruebas: =3
17 - Nigú éito: 0 ; 0 ; 0 ; (1 - p ) 3 - U éito : 1 ; 0 ; 0 ; ó 0 ; 1 ; 0 ; ó 0 ; 0 ; 1 cada secuecia es u eveto ecluyete su probabilidad es p ( 1 - p ) 2 ; luego: 3 p ( 1 - p ) 2 - Dos éitos : 1 ; 1 ; 0 ; ó 1 ; 0 ; 1 ; ó 0 ; 1 ; 1 ; uevamete cada secuecia es u eveto ecluyete de los restates p 2 ( 1 - p ) luego 3 p 2 ( 1 - p ) - Tres éitos: 1 ; 1; 1; p ; p ; p p 3
18 geeralizado P(X = )= p (1- p ) - coeficiete biomial =!!( - )!
19 La fució de distribució: F() = P(X )= i f( i )
20 Características E(X)= i =0 i f( i )=! = 0. 0!(-0)! p 0 q +1.! 1!( -1)! p 1 q !!( - )! p q 0 = = p(p+q ) -1 E()= p
21 Var(X)= E[X - E(X) ] 2 = E( X 2 ) - E 2 (X) E( X 2 )= =0 i i p i q - i 2 i = ya que el primer termio es cero, la suma se tomadesde1
22 = p =1 i ( -1)! i! ( - i )! p -1 i q - i 2 i = p =1 i ( -1)! i ( i - 1)! ( - i )! p -1 i q - i 2 i haciedo i = j +1, para i = 1, j = 0, i =, j = -1 i!=( i -1)! i = j!( j +1) p -1 =0 j ( -1)! ( j )!( j +1)( - j -1)! p j q -1- j ( j +1)= p -1 =1 j -1 p j j q -1- j j + -1 =0 j -1 j p q j -1- j
23 El 2do termio de la suma es 1; se aaliza el 1º, ya -1 ( -1)! j ( - 2)!( -1) j que j = = j j!( -1- j )! ( j -1)! j( - 2 -( j -1))! sacado factor comu( - 1)p, se cosigue -1 =1 j - 2 p j -1-1 haciedo j = k +1, k varia de0 a - 2 co lo cual j q -1- j -2 =0 k - 2 p k k q -2- k = 1 E( X 2 ] = p[(-1)p+1] = p - p + p
24 Var(X)= 2 p 2 - p 2 + p - 2 p 2 = p(1- p) Var(X)= pq
25 Estos mismos resultados se podría haber obteido de forma mucho más secilla por cosiderar a la variable aleatoria X como la suma de variables idepedietes idéticamete distribuidas como Beroulli, co esperaza p y variaza p q
26 Modelo Geométrico Pruebas repetidas, idepedietes, co dos posibles resultados: ocurrecia o o del eveto e estudio, co probabilidad favorable p = costate. Se deriva el modelo correspodiete a la variable N: úmero de pruebas hasta que ocurre el primer éito. Este primer éito se produce sí y sólo sí e las pruebas ateriores o ocurrió. Esto ocurre co probabilidad igual a (1 - p)
27 P (N = )= f()= (1- p ) -1 p co = 1,2,3... F ()= j=1 p(j)= j=1 (1- p ) j-1 p = (1- p ) -1 = p = 1-(1- (1- p)- 1 p ) (1- p ) -1 desarrollo (1- p)- 1 de la suma de ua progresió geométrica
28 Esto mismo se podría haber obteido al cosiderar la probabilidad de que N simplemete como la probabilidad que eista al meos ua ocurrecia e pruebas: P (N P(N < 1)=1-1)=1- P(o haya ocurrecias e pruebas)= = 1-(1- p )
29
30 Características E (N)= =1 p (1- p ) -1 = p =1 (1- p ) -1 1 E (N)= p 2 p = 1 p
31 Este resultado sigifica que el úmero promedio de pruebas hasta que ocurre el primer éito es la iversa de la probabilidad p de ocurrecia del eveto. Esto se asocia al cocepto de período de retoro, sumamete utilizado e igeiería.
32 Var(N)= E ( N 2 ) - E 2 (N)= =1 2 p (1- p ) -1-1 p 2 = = 1 (1+q-1) p 2 1- p Var(N) = 2 p
33 El térmio período de retoro es muchas veces mal iterpretado. Si se dice que es 100 se cree que pasará 100 años etre ocurrecias de valores de ua variable de iterés y superiores a u valor crítico; pero esto o es así, ya que la probabilidad de que se produzca u valor mayor al crítico permaece ivariable para cualquier año, idepedietemete de lo que ocurrió e años ateriores. Es el valor e promedio!!
34 Modelo Poisso Si (úmero de pruebas) se icremeta y p (probabilidad del eveto e estudio) se hace pequeña, pero el úmero promedio de evetos e el itervalo de aálisis permaece costate e igual a p. el modelo Biomial da lugar al modelo de Poisso. Cosiderado la fució de probabilidad del modelo Biomial pasado al límite sus codicioes: p 0 y y λ =. p
35 1 1 )! (! 1! 1 )!!(! ) ( f p p! e f()= P (X = )= -
36 Características E(X)= =0 e -! = = - -1 e E(X)= 1 (- 1)! = e (- 1)! = 1
37 Var(X)= E( X 2 ) - E 2 (X) E( X 2 )= =0 2 e -! = =0 2-1 e (-1)! - = Var(X)=
38 Geeralmete este modelo se vicula a aquellos evetos que ocurre e ua uidad de tiempo, luego el período de tiempo e el que se realiza el aálisis costituye ua secuecia de pruebas idepedietes cada ua co distribució Biomial. Si se tomara para el aálisis u itervalo de tiempo igual al doble o al triple del iicial el parámetro es tambié igual al doble, al triple, etc., marcado esto la depedecia del tiempo de este modelo y por ello viculado a los procesos estocásticos. Se etiede por procesos estocásticos a aquellos e los que iteresa la secuecia, e el tiempo, de ocurrecia de evetos.
39 U feómeo para ser clasificado como proceso de Poisso debe cumplir co las siguietes codicioes: a- Estacioariedad: esto sigifica que la probabilidad de que ocurra u eveto dado e u itervalo de tiempo muy pequeño Δt, es proporcioal a ese tiempo e igual a λδt. b- No multiplicidad: esto es que la probabilidad de que ocurra dos o más evetos e u itervalo de tiempo Δt es despreciable comparado co λδt. c- Idepedecia: el úmero de evetos e algú itervalo de tiempo es idepediete del úmero de evetos e algú otro itervalo de tiempo.
40 Modelo Hipergeométrico Este modelo surge cuado se realiza u muestreo si reposició de ua població fiita co sus elemetos clasificados e dos categorías. Si N es el total de elemetos de los cuales hay k de ua categoría y N-k de otra, al realizar ua etracció de elemetos, si reposició, cada etracció que se realice posteriormete es depediete del resultado de la etracció aterior co lo cual va cambiado la probabilidad de éito.
41 P (X = )= f()= k N - k N -
42 Características Para obteer las características es posible decir que la variable aleatoria X es la suma de variables i como e el caso Biomial, pero co la diferecia que aquí las i so depedietes. Como para sumar las esperazas o se ecesita que las variables aleatorias sea idepedietes etoces:
43 E(X) = E( 1 )+ E( 2 )+...+E( ) Cada E (i) es la probabilidad de e la i ésima prueba: k/n, si o se sabe que ha ocurrido e pruebas ateriores o posteriores: E(X)= k N
44 La variaza e cambio o es aditiva para variables depedietes. Pero se obtiee la siguiete epresió: Var(X) = * p* q* N - N -1 (N-/ N-1) es el factor de correcció por muestreo si reposició.
45 Resolució de las Situacioes a resolver: Estudios de medio ambiete realizados e la ciudad ha evaluado que e el 30% de los hogares se separa los residuos orgáicos del resto. La Direcció de Limpieza de la Muicipalidad seleccioa u barrio al azar, detro del barrio ua mazaa y, e la misma, elige 10 hogares e forma aleatoria.
46 a) E base a estos datos, la Muicipalidad quiere saber la probabilidad de que se separe los residuos e la mitad de los hogares de la ciudad. b) U aálisis más miucioso estableció que, de ese 30%, u 1% o realizaba ua separació correcta. Si se obtiee ua muestra de 500 hogares e toda la ciudad, Cuál es la probabilidad de que e por lo meos 5 haya realizado mal la separació?
47 E primer lugar, debemos defiir de qué variable se trata, cómo está defiida, y cuál es la distribució de probabilidades que se ajusta al plateo del problema. Se trata de ua variable discreta (las cuales está asociadas a problemas de coteo: X = {Catidad de hogares dode se realiza la separació de residuos}
48 El eperimeto es de tipo Beroulli: tiee solamete dos resultados posibles: Se separa los residuos. No se separa los residuos. Al repetir el eperimeto veces, se obtiee la DISTRIBUCIÓN BINOMIAL
49
50
51
52
53
54
55
56
57
58
59
60 2- Resolvemos co el modelo Hipergeométrico ya que teemos dos clases de registros: los erróeos y los o erróeos. Se hace u muestreo si reposició de ua població fiita:
61 ) ( 1 1) ( 1 1) ( X P X P X P K N K N
UNIDAD 4 MODELOS PROBABILÍSTICOS
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeiería Iformática TEORÍA Mg.Ig. Susaa Valesberg Profesor Titular UNIDAD 4 MODELOS PROBABILÍSTICOS Estadística - Igeiería
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesPara resolver una probabilidad con la distribución binomial se aplica la siguiente fórmula
CORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS ACTIVIDAD ACADEMICA: ESTADISTICA DE LA PROBABILIDAD DOCENTE: LIC- ING: ROSMIRO FUENTES ROCHA UNIDAD
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesDistribución Multinomial
Uiversidad de Chile. Rodrigo Assar Facultad de Ciecias Físicas y Matemáticas M A34B 3 Adrés Iturriaga Departameto de Igeiería Matemática. Víctor Riquelme Distribució Multiomial Resume E el presete artículo
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesTEMA IV: MODELOS PROBABILÍSTICOS COMUNES.
TEMA IV: MODELOS PROBABILÍSTICOS COMUNES. Objetivo: El alumo coocerá alguas de las distribucioes más utilizadas e la práctica de la Igeiería y seleccioará la más adecuada para aalizar algú feómeo aleatorio
Más detallesUnidad 1: Las Ecuaciones Diferenciales y Sus Soluciones
Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesIdentificación de Sistemas
Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesNOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011.
NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA José G. Ríos Alejadro Abril del 11. INTRODUCCIÓN E los cursos de estadística usualmete se estudia la estadística co efoque frecuetista, la cual alguos autores
Más detallesGráficos de control por atributos
Gráficos de cotrol por atributos por Felipe de la Rosa Los gráficos de cotrol por variables so istrumetos sumamete útiles para moitorear y mejorar la calidad, si embargo, preseta al meos dos limitacioes
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesSUMA DE VARIABLES ALEATORIAS
SUMA DE VARIABLES ALEATORIAS do C. 018 Clase Nº 9 Mg. Stella Figueroa Teorema Cetral del Límite El teorema afirma que la distribució de la suma de u gra úmero de variables aleatorias tiee aproximadamete
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesM arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para
GEOMETRÍA, TRIGONOMETRÍA Y SERIES Tema 4 Series uméricas M arcelo, de vez e vez, usa ua reata de 10 m de largo y cm de grueso para medir el cotoro de los terreos que fumiga. Para que la reata que usa o
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detalles1.- Nociones de los Procesos Estocásticos.
Capítulo 1. 1.- Nocioes de los Procesos Estocásticos. 1.1. Procesos Estocásticos. La palabra estocástico es sióimo de aleatorio, los procesos estocásticos so modelos matemáticos que estudia los feómeos
Más detallesCombinatoria y definiciones básicas de probabilidad
Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia
Más detallesMAS obtenidas de una población N, son por naturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño n, tomadas de la misma
MAS obteidas de ua població N, so por aturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño, tomadas de la misma població N, tega la misma media muestral o que sea completamete
Más detallesLAS SUCESIONES Y SU TENDENCIA AL INFINITO
LAS SUCESIONES Y SU TENDENCIA AL INFINITO Sugerecias al Profesor: Resaltar que las sucesioes geométricas ifiitas so objetos matemáticos que permite modelar alguos procesos ifiitos, y que a la vez su costrucció
Más detallesMINITAB y MODELOS DE REGRESIÓN
Prácticas de Fudametos Matemáticos para el estudio del Medio Ambiete www.um.es/docecia/jpastor jpastor@um.es MINITAB y MODELOS DE REGRESIÓN 1. Itroducció Ua de las cuestioes de mayor iterés e las Ciecias
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
Más detallesConsideremos los siguientes experimentos aleatorios
69 Veremos e lo que sigue uevas variables aleatorias discretas. Estas variables y sus distribucioes se utiliza como modelos e muchas alicacioes estadísticas. Distribució Biomial Cosideremos los siguietes
Más detallesDISTRIBUCIONES DE PROBABILIDAD
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez DISTRIBUCIONES DE PROBABILIDAD Gestió Aeroáutica:
Más detallesLAS SERIES GEOMÉTRICAS Y SU TENDENCIA AL INFINITO
LA ERIE GEOMÉTRICA Y U TENDENCIA AL INFINITO ugerecias al Profesor: Al igual que las sucesioes, las series geométricas se itroduce como objetos matemáticos que permite modelar y resolver problemas que
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detallesTAMAÑO DE MUESTRA. 5.1 Coeficiente de homogeneidad al interior de las escuelas
TAMAÑO DE MUETRA Ua de las etapas del diseño muestral es el cálculo del tamaño de la muestra (Cocra, 977, p. 7-88; Médez, 004, p. 45-47; y aro, 999, p. 39-4), ésta se lleva a cabo cosiderado el objetivo
Más detallesMETODO DE ITERACION DE NEWTON
METODO DE ITERACION DE NEWTON Supogamos que queremos resolver la ecuació f( ) y lo que obteemos o es la solució eacta sio sólo ua buea aproimació, para obteer esta aproimació observemos la siguiete figura
Más detallesMATEMÁTICAS 3º ESO - SUCESIONES. Una sucesión es un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero
ucesioes Ua sucesió es u cojuto de úmeros dados ordeadamete de modo que se pueda umerar: primero, segudo, tercero Ejemplos: a), 3, 5, 7, 9, b), 4, 9, 6, 25, 36 c) 2, 4, 8, 6, 32, 64 e llama térmios a los
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesPropiedades de la funcion de distribucion empirica. Propiedades de la Función de distribución Empírica:
Propiedades de la fucio de distribucio empirica Propiedades de la Fució de distribució Empírica: a. Fˆ es creciete de 0 hasta 1. b. Fˆ es ua fució escaloada co saltos e los distitos valores de X 1, X,...,
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribucioes de probabilidad discretas Departameto de Ciecias del Mar y Biología Aplicada Itroducció Iferecia estadística: Parte de la estadística que estudia grades colectivos a partir
Más detallesMatemáticas Discretas Inducción y Recursión
Coordiació de Ciecias Computacioales - INAOE Matemáticas Discretas Iducció y Recursió Cursos Propedéuticos 00 Ciecias Computacioales INAOE Iducció y recursió Geeralidades Iducció de úmeros aturales Iducció
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesResolución N 2. Axiomas de Probabilidades. Ejercicios Resueltos. Profesor: Iván Rapaport Z. Auxiliar: Abelino Jiménez G.
Resolució N 2 Axiomas de Probabilidades Profesor: Ivá Rapaport Z Auxiliar: Abelio Jiméez G Ejercicios Resueltos 1 Cierta efermedad se trasmite e forma geética de los padres a los hijos, del siguiete modo:
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más detallesMaestría en Marketing Métodos y técnicas de análisis cuantitativo y cualitativo. Métodos de Muestreo. Otoño Problemas a tratar
Maestría e Marketig Métodos y técicas de aálisis cuatitativo y cualitativo Métodos de Muestreo Referecia: PR Cap 11, KT 1-14. Otoño 004 Problemas a tratar Que alterativas hay para cofeccioar ua muestra
Más detallesSesión No. 6. Contextualización. Nombre: Funciones exponenciales y logarítmicas y el uso de las MATEMÁTICAS. progresiones aritméticas y geométricas.
Matemáticas Sesió No. 6 Nombre: Fucioes expoeciales y logarítmicas y el uso de las progresioes aritméticas y geométricas. Cotextualizació Las fucioes expoeciales y logarítmicas se les cooce como trascedetes,
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesProbabilidad FENÓMENOS ALEATORIOS
Probabilidad FENÓMENOS ALEATORIOS E el mudo real hay feómeos regidos por leyes de tipo empírico (basadas e la experiecia), lógico o deductivo, e los que el efecto está determiado por ciertas causas. El
Más detallesLa Matemática Financiera desde un enfoque de las Ecuaciones en Diferencias
La Matemática Fiaciera desde u efoque de las Ecuacioes e Diferecias Luis Eresto Valdez Efraí Omar Nieva Luis Edgardo Barros Eje temático: Matemática aplicada Resume Usualmete, se preseta a la Matemática
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
Más detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo acioal de Estadística Direcció de Regulació, Plaeació, Estadarizació y ormalizació -DIRPE- Especificacioes de Coeficiete y Variaza Ecuesta de Cosumo Cultural Julio 008 ESPECIFICACIOES
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesSEMANA 01. CLASE 01. MARTES 04/10/16
EMANA 0. CLAE 0. MARTE 04/0/6. Experimeto aleatorio.. Defiició. Experimeto e el cual o se puede predecir el resultado ates de realizarlo. Para que u experimeto sea aleatorio debe teer al meos dos resultados
Más detallesEstadística Aplicada a las ciencias Sociales Examen Febrero de 2008 segunda semana
Estadística Aplicada a las ciecias Sociales Exame Febrero de 008 seguda semaa Ejercicio 1.- E la siguiete tabla, se tiee el úmero de alumos de educació de adultos matriculados e el curso graduado escolar
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detalles[e j N 2 e j N 2 ]...} (22)
Trasformadores multiseccioales de cuarto de oda. La teoría de reflexioes pequeñas descrita e la secció aterior se puede usar para aalizar trasformadores multiseccioales de u cuarto de oda. Cosidere la
Más detallesSucesiones de números reales Sucesiones convergentes: límite de una sucesión
Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detallesLaboratorio N 10, Series de Fourier. Introducción. Para funciones ( ) cos. f x está definida en la mitad del intervalo
Uiversidad Diego Portales Facultad de Igeiería Istituto de Ciecias Básicas Asigatura: Ecuacioes Difereciales aboratorio N 1, Series de Fourier Itroducció Para fucioes x,, la serie de Fourier f x cotiuas
Más detallesCód. Carrera: Área de Matemática Fecha: MODELO DE RESPUESTAS Objetivos 1 al 11.
rueba Itegral Lapso 03-7-76-77 /0 Uiversidad Nacioal Abierta Matemática I (Cód. 7-76-77) icerrectorado Académico Cód. Carrera: 6-36-80-08- -60-6-6-63 Fecha: 0 0-0 MODELO DE RESUESTAS Objetivos al. OBJ
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesSeries alternadas Introducción
Sesió 26 Series alteradas Temas Series alteradas. Covergecia absoluta y codicioal. Capacidades Coocer y aplicar el criterio para estudiar series alteradas. Coocer y aplicar el teorema de la covergecia
Más detallesINFERENCIA ESTADÍSTICA
X INFERENCIA ESTADÍSTICA Sea ua característica o variable aleatoria de la població objeto de estudio y sea ( X, X, X,..., X ) ua muestra aleatoria de dicha població. 1 3 U parámetro poblacioal es ua caracterizació
Más detallesClases 9-10: El proceso de Wiener y los paseos al azar: el teorema de Donsker *
Clases 9-10: El proceso de Wieer y los paseos al azar: el teorema de Dosker * 6 de oviembre de 2017 Ídice 1. Itroducció 1 2. Paseos al azar 1 3. Paseo al azar co variables gaussiaas 2 4. Paseo al azar
Más detallesSucesiones. f : {1,2,...,r} S. Por ejemplo, la sucesión finita, (de longitud 4) de números primos menores que 10: 2,3,5,7
Sucesioes. Defiició Sucesió Matemática Ua sucesió fiita (a k ) (de logitud r) co elemetos perteecietes a u cojuto S, se defie como ua fució y e este caso el elemeto a k correspode a f(k). f : {,,...,r}
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA DE CORRECCIÓN PRUEBA RECUPERATIVA N 2 Profesor: Hugo S. Salias. Segudo Semestre 2009 DESARROLLO
Más detalles4.4 Sistemas mal condicionados
7 4.4 Sistemas mal codicioados l resolver u sistema de ecuacioes lieales usado u método directo, es ecesario aalizar si el resultado calculado es cofiable. E esta secció se estudia el caso especial de
Más detallesLímites en el infinito y límites infinitos de funciones.
Límites e el ifiito y límites ifiitos de fucioes. 1 Calcula 2 Límite e el ifiito Cuado se calcula el límite de ua fució e el ifiito se trata de determiar la tedecia que tedrá la fució (los valores que
Más detallesMedida de Probabilidad
Medida de Probabilidad Memo Garro Resume E este artículo etramos de lleo e el estudio del cocepto de medida de probabilidad. Para llegar a él seguiremos dos camios complemetarios: e primer térmio, partiremos
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció ( p ). Para
Más detallesDISTRIBUCIONES MUESTRALES
UNIDAD II DISTRIBUCIONES MUESTRALES Competecia: -El estudiate debe saber utilizar las diferetes distribucioes muestrales,es decir las diferetes distribucioes de cualquier estadístico estimado a partir
Más detallesEvaluación NOMBRE APELLIDOS CURSO Y GRUPO FECHA CALIFICACIÓN. 9. Límite y continuidad
Evaluació NOMBRE APELLIDOS CURSO GRUPO FECHA CALIFICACIÓN Calcula el térmio geeral de ua progresió geométrica que tiee de térmio a y por razó /. a) b) c) El 6 es: a) b) 0 c) / 6 7 El es: a) b) c) 0 El
Más detallesUNIDAD 9. PROBABILIDAD Matemáticas II. Ies do Barral.Curso 2017/ Experimentos aleatorios
1. Experimetos aleatorios U experimeto se llama aleatorio cuado o se puede predecir su resultado; además, si se repitiese el mismo experimeto e codicioes aálogas, los resultados puede diferir. a) El resultado
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció
Más detallesPauta de Corrección Primer Certamen Fundamentos de Informática II
Pauta de Correcció Primer Certame Fudametos de Iformática II 11 de octubre de 2008 1. Defia fucioes geeratrices que ayude a resolver las recurrecias siguietes para 0, y platee las ecuacioes del caso para
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesSumatoria, Progresiones y Teorema del Binomio
Capítulo Sumatoria, Progresioes y Teorema del Biomio.. Símbolo Sumatorio Es u símbolo muy útil y coveiete que permite escribir sumas e forma abreviada. Este símbolo se represeta mediate la letra griega
Más detallesAlgoritmos y Estructuras de Datos II, Segundo del Grado de Ingeniería Informática, Test de Análisis de Algoritmos, marzo Test jueves.
Algoritmos y Estructuras de Datos II, Segudo del Grado de Igeiería Iformática, Test de Aálisis de Algoritmos, marzo 017. Test jueves. Para cada problema habrá que justificar razoadamete la respuesta que
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detallesUNIDAD 2 Ecuaciones Diferenciales Lineales de Orden Superior
UNIDAD Ecuacioes Difereciales Lieales de Orde Superior. Defiició Ua ecuació diferecial lieal de orde tiee la forma: d y a a a a y= g d d d Si las fucioes a a so todas costates (o cero) etoces se dice que
Más detalles