Tema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
|
|
- Eva Calderón Moreno
- hace 5 años
- Vistas:
Transcripción
1 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 será capaz de: Comprender las hipótesis de las distintas distribuciones presentadas 4.7 Otras distribuciones relacionadas con tiempos de espera y fiabilidad Distribución Erlang Distribución Weibull Seleccionar la distribución discreta o continua correcta en aplicaciones específicas Calcular probabilidades, determinar medias y varianzas para las distribuciones más comunes 4.10 Distribuciones relacionadas con la Normal Distribución χ de Pearson Distribución t de Student Distribución F de Fisher 1 Tema 4: Variables aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial 4.7 Otras distribuciones relacionadas con tiempos de espera y fiabilidad Distribución Erlang Distribución Weibull Cuando un experimento tiene las siguientes características: Sólo hay dos resultados posibles: Aceptable (A) Defectuoso (D) La proporción de A y D es constante en la población y no se modifica cualquiera que sea la cantidad observada Pr( D) = p Pr( A) = q= 1 p 4.10 Distribuciones relacionadas con la Normal Distribución χ de Pearson Distribución t de Student Distribución F de Fisher 3 Las observaciones son independientes 4
2 Cuando un experimento tiene las siguientes características: Sólo hay dos resultados posibles: Aceptable (A) Defectuoso (D) La proporción de A y D es constante en la población y no se modifica cualquiera que sea la cantidad observada Pr( D) = p Pr( A) = q= 1 p s Observar el resultado al lanzar una moneda Si un una pieza es defectuosa o no en un proceso de fabricación Observar el sexo de un recién nacido Si se transmite correctamente un bit a través de un canal digital Las observaciones son independientes 5 6 Distribución de Bernouilli Distribución Binomial X = 0 si el suceso ocurre A q= 1 p= Pr( X = 0) 1 si el suceso no ocurre A p= Pr( X = 1) Si se repite un número fijo de veces, n, un experimento de Bernoulli con parámetro p, el número de éxitos sigue una distribución Binomial de parámetros (n,p). La función de probabilidad es: [ ] px p p x x 1 x ( ) = (1 ) = 0,1 µ = E X = 0 (1 p) + 1 p= p X = Número de veces que ocurre un suceso en las n pruebas X toma valores 0,1,,,n X ~ B( n, p) [ ] σ = Var X = (0 p) (1 p) + (1 p) p = p(1 p) 7 8
3 n=5 La función de probabilidad es: n r n r P( X = r) = p (1 p), r = 0,1,, n r n=5 p=0.75 p=0.5 p=0. [ ] E X = np [ ] = (1 ) Var X np p 9 10 Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El producto funciona sólo si no hay ningún circuito defectuoso. Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El producto funciona sólo si no hay ningún circuito defectuoso. Cuál es la probabilidad de que el aparato funcione? Cuál es la probabilidad de que el aparato funcione? X = Número de circuitos defectuosos en los 40 de un aparato X = Número de circuitos defectuosos en los 40 de un aparato Pr( X = 0) Experimento: Observar si un circuito es defectuoso o no. Se repite 40 veces Son independientes La probabilidad de ser defectuoso es constante,
4 Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El producto funciona sólo si no hay ningún circuito defectuoso. Cuál es la probabilidad de que el aparato funcione? X = Número de circuitos defectuosos en los 40 de un aparato Cuando un experimento tiene las siguientes características: Sólo hay dos resultados posibles La probabilidad de éxito se mantiene constante Las observaciones son independientes X ~ B(40,0.01) Se repite el experimento hasta que ocurre el primer éxito 0 40 Pr( X = 0) = 0.01 (1 0.01) = X = Número de veces que hay que repetir el experimento hasta conseguir el primer éxito X ~ Ge( p) 14 Xi i = 1,... n son Berrnouilli Xi i = 1,... n son Berrnouilli X X X X X X = 1 Pr( X = 1) = p X = Pr( X = ) = qp X = 3 Pr( X = 3) = qqp X = 4 Pr( X = 4) = qqqp X1 X X3 X4 X X = 1 Pr( X = 1) = p X = Pr( X = ) = qp X = 3 Pr( X = 3) = qqp X = 4 Pr( X = 4) = qqqp La función de probabilidad es: r 1 PX ( = r) = (1 p) p, r= 1,, 15 [ ] = 1/ p [ ] = (1 ) / E X Var X p p 16
5 La probabilidad de que un bit transmitido a través de un canal de transmisión digital sea recibido como un error es 0.1. Si las transmisiones son independientes, Cuál es el número medio de transmisiones que hemos de observar hasta que ocurre el primer error? X = Número de transmisiones que hay que observar hasta encontrar el primer error [ ] = 1/ p= 1/0.1= 10 E X Tema 4: Variables aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Cuando un experimento tiene las siguientes características: Se observa la ocurrencia de sucesos en un intervalo La probabilidad de que ocurra un suceso en un intervalo 4.7 Otras distribuciones relacionadas con tiempos de espera y fiabilidad Distribución Erlang Distribución Weibull Es la misma para los intervalos del mismo tamaño Es proporcional a la longitud del intervalo Los sucesos ocurren de forma independiente. El número de sucesos que ocurren en un intervalo es independiente del número de sucesos que ocurren en otro intervalo 4.10 Distribuciones relacionadas con la Normal Distribución χ de Pearson Distribución t de Student Distribución F de Fisher 19 0
6 Distribución de Poisson Distribución de Poisson X = Número de sucesos en un intervalo de longitud fija La función de probabilidad es: La distribución de Poisson se puede obtener como límite de una Binomial cuando n y p 0 r e λ λ PX ( = r) =, r= 0,1, r! λ = np Número medio de sucesos en ese intervalo n λ n λ lim 1 = e n n λ r r 1 e λ λ λ E[ X] = λ E[ X] = r = λe = λ r! ( r 1)! [ ] Var X = λ 0 1 X ~ P( λ ) Y ~ P( λ ) independientes X + Y ~ P( λ + λ ) Distribución de Poisson s Número de defectos en un milímetro de cable. Número de llamadas de teléfono que se reciben en una centralita en una hora. Número de erratas por página en un documento 3 4
7 El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente. Por término medio llega un cliente cada minuto. Cuál es la probabilidad de que no lleguen clientes en 3 minutos? X = Número de clientes por minuto X ~ P( λ = 1) El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente. Por término medio llega un cliente cada minuto. Mantener el citado puesto de servicio abierto 8 horas al día cuesta 6000 euros diarios. Cuál debe ser el precio mínimo que se cobre a cada cliente para que sea rentable? Y = Número de clientes en 3 minutos Y ~ P( λ = 3) Y = Número de clientes en 8 horas Y ~ P( λ = 60 8 = 480) 3 0 e 3 Pr( Y = 0) = = e 0! 3 5 Beneficio = Tarifa x Y [ ] Beneficio Esperado = Tarifa EY 6000 > 0 = Tarifa > 0 Tarifa > Distribución de exponencial Distribución de exponencial La distribución exponencial se puede utilizar para modelizar X = Numero de sucesos en la unidad de tiempo X ~ P( λ) Tiempo entre llamadas telefónicas Tiempo entre llegadas a un puesto de servicio Tiempo de vida de un componente eléctrico Cuando el número de sucesos sigue una distribución de Poisson, el tiempo entre sucesos sigue una distribución exponencial 7 T = Tiempo hasta que ocurre el primer suceso Podemos calcular su función de distribución: PT ( > t) = P(cero sucesos en (0,t )) X= Número de sucesos en una unidad de tiempo X ~ P( λ) Y = Número de sucesos en (0,t 0 ) Y ~ P( λt0) P( T > t0) = Pr( Y = 0) = e λt 0 F( t ) = P( T t ) = 1 e λt 0 8
8 Distribución de exponencial X = Numero de sucesos en la unidad de tiempo T = Tiempo entre dos sucesos consecutivos X ~ P( λ) f ( x) = x e df() t t f() t = = λe λ, t 0 dt f( x) = x e f( x) = x e [ ] E X = 1/ λ Si hay λ sucesos por término medio en un intervalo de tiempo Var X [ ] = 1/ λ El tiempo medio entre dos sucesos es 1/λ 9 30 Propiedad El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente. Por término medio llega un cliente cada minuto. Cuál es la probabilidad de que pasen más de 3 minutos entre la llegada de dos clientes? X = Número de clientes por minuto X ~ P( λ = 1) T = Tiempo entre dos clientes T ~ Exp( λ = 1) ( ) Pr( T > 3) = 1 Pr( T 3) = 1 F(3) = 1 1 e = e = Pr(No haya clientes en 3 minutos) Pr(T > t 1+t / T > t 1) = Pr( T > t ) λ (t 1+t ) Pr(T > t 1+t T > t 1) Pr( T > t 1+t ) e = = = e λt1 Pr( T > t ) Pr( T > t ) e 1 1 Si no ha habido clientes en 4 minutos, cuál es la probabilidad de que no haya clientes en los próximos 3 minutos? Pr( Y > 7 Y > 4) = Pr( Y > 3) = 1 F(3) = e 3 λt 3
9 Tema 4: Variables aleatorias Distribución de Bernouilli Distribución Binomial La distribución Normal describe gran cantidad de procesos aleatorios Distribución de Poisson Distribución Exponencial 4.7 Otras distribuciones relacionadas con tiempos de espera y fiabilidad Distribución Erlang Distribución Weibull Errores de medida Ruido en una señal digital Corriente eléctrica en un trozo de cable En muchas situaciones otras distribuciones se pueden aproximar a una Normal 4.10 Distribuciones relacionadas con la Normal Distribución χ de Pearson Distribución t de Student Distribución F de Fisher 33 Es la base para la inferencia estadística 34 Está caracterizada por dos parámetros: La media, µ, y la desviación típica, σ. N ( µ, σ ) Toma valores en toda la recta real Su función de densidad es: Tiene forma de campana y es simétrica respecto de la media f ( x) La media, mediana y moda coinciden ( x µ ) σ 1 f( x) = e < x< πσ EX [ ] = µ VarX [ ] = σ µ
10 El efecto de µ y σ Cómo afecta la deviación típica la forma de f(x)? σ= σ =3 σ =4 Cómo afecta el valor esperado a la posición de f(x)? µ = 10 µ = 11 µ = 1 Es un factor de escala f(x) Pr(c X d) La probabilidad es el área bajo la curva No es posible calcular la probabilidad de un intervalo simplemente usando la integral de la función de densidad Es un factor de traslación c d X Todas las distribuciones normales se pueden transformar en N(0,1) X Z = X µ σ Densidad de (X-µ)/σ Densidad de X-µ X ~ N(3,) Densidad de X 3 6 Pr( X 6) Z ~ N(0,1) Mismoº área σ 1 µ Pr Z = Pr( Z 1.5) 40
11 El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas? Qué tiempo de vida en horas es excedido por el 94.05% de los semiconductores? Pr( X < 6000) El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas? Pr( X < 6000) = Pr Z < = Pr( Z < 1.66) 600 Pr( X > a) = El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas? Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas? Pr( X < 6000) = Pr Z < = Pr( Z < 1.66) Pr( X < 6000) = Pr Z < = Pr( Z < 1.66) 600 = 1 Pr( Z < 1.66)
12 Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas? = 1 Pr( Z < 1.66) El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas Qué tiempo de vida en horas es excedido por el 94.05% de los semiconductores? a 7000 Pr( X > a) = Pr Z > = = = a 46 El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas Qué tiempo de vida en horas es excedido por el 95% de los semiconductores? a 7000 Pr( X > a) = Pr Z > = b Valor negativo 0.95 Qué tiempo de vida en horas es excedido por el 95% de los semiconductores? ( a 7000) Pr( X > a) = Pr Z < = b b 47 b 48
13 Qué tiempo de vida en horas es excedido por el 95% de los semiconductores? ( a 7000) Pr( X > a) = Pr Z < = Más ejemplos de cálculo de probabilidades Pr( -0.6 < Z < 1.83 )= Pr( Z < 1.83 ) - Pr( Z -0.6 ) Pr ( Z <-0.6) = Pr ( Z >0.6 ) = 1 - Pr (Z < 0.6 ) = = ( a 7000) = a = 6010 = = Pr( Z < 1.83 ) = El 94.05% de los semiconductores duran más de 6010 horas Ilustración La Normal es importante, no sólo porque muchas variables comunes sigan esa distribución, sino porque aunque una v.a. no posea distribución normal, ciertos estadísticos/estimadores calculados sobre muestras elegidas al azar sí poseen una distribución Normal. Sea X una variable Uniforme en el intervalo [50,70]. Tenemos una muestra de tamaño 000. La muestra tiene media 59.9 y desviación típica 4.57 El histograma no se parece a una distribución normal con la misma media y desviación típica xx x 51 5
14 Muestra Elegimos aleatoriamente grupos de 10 observaciones. 1ª ª ª La distribución de las medias muestrales tiene distribución aproximadamente normal. 40 Para cada grupo de 10 obtenemos entonces una nueva medida: la media muestral La media de esta nueva variable es muy parecida a la de la variable original. a 30 0 Las medias de cada muestra están más o menos cerca de la media de la variable original Las observaciones de la nueva variable están menos dispersas. La desviación típica es menor, en este caso xxx aa$x Supongamos que tenemos n variables aleatorias X i independientes con medias (µ ι ) y desviaciones típicas (σ i ) y distribución cualquiera Teorema Central del Límite Supongamos que tenemos n variables aleatorias X i independientes con medias (µ ι ) y desviaciones típicas (σ i ) y distribución cualquiera Teorema Central del Límite Cuando n crece, Y = X + X + + X la distribución de Y µ i N(0,1) σ i 1 n ( i i ) Y ~ N µ, σ 55 Sea lo que sea lo que midamos, cuando se promedie sobre una muestra grande, nos va a aparecer de manera natural la distribución Normal 56
15 Tema 4: Variables aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial 4.7 Otras distribuciones relacionadas con tiempos de espera y fiabilidad Distribución Erlang Distribución Weibull Distribuciones relacionadas con la Normal Distribución χ de Pearson Distribución t de Student Distribución F de Fisher 57 La variable Binomial es suma de variables de Bernouilli, que toman el valor 0 ó 1. Y X1 X Xn Binomial-Normal = + + E[ Xi ] T.C.L. (, (1 )) = p Var[ X ] = p(1 p) Y N np np p n > 30 npq > 5 i 58 Binomial-Normal Factor de corrección La distribución Normal es continua pero la Binomial es discreta x n= 50 p= 0.3 npq = 10.5 N ( 15, 10.5) 59 Para mejorar la aproximación introducimos un factor de corrección que consiste en añadir o substraer 0.5 al valor al que le queremos calcular la probabilidad. x+ 0.5 np Pr( X x) = Pr( X x+ 0.5) Pr Z np(1 p) x 0.5 np Pr( x X) = Pr( x 0.5 X) Pr Z np(1 p) 60
16 Un fabricante de semiconductores admite que produce un % de chips defectuosos. Los chips se empaquetan en lotes de 000 chips para su venta. Un comprador rechazará un lote si contiene 5 o más chips defectuosos Poisson-Normal La distribución de Poisson surge como límite de la Binomial cuando el número de experimentos tiende a infinito. Aproximamos a una Normal cuando λ grande (λ > 5) Cuál es la probabilidad de rechazar un lote? Pr( X 5) X ~ B(000, 0.0) n > 30 X N(40,6.6) np = 40 Pr Z = 6.6 np(1 p) = 39. Pr( Z.47) = Pr( Z.47) = X X ~ P( λ) N ( λ, λ ) 6 Poisson-Normal El número de defectos en la superficie de un material por metro cuadrado sigue una distribución de Poisson con media 100. Si se analiza un metro cuadrado de dicho material, Cuál es la probabilidad de encontrar 95 defectos o más? Pr( X 95) Pr Z = Pr( Z 0.55) = 10 Pr( Z 0.55) =
17 Tema 4: Variables aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial 4.7 Otras distribuciones relacionadas con tiempos de espera y fiabilidad Distribución Erlang Distribución Weibull Distribuciones relacionadas con la la Normal 4.10 Distribuciones relacionadas con la Normal χ g Tiene un sólo parámetro denominado grados de libertad. La función de densidad es asimétrica. Sólo toma valores positivos. La función de densidad se hace más simétrica cuando aumenta el número de grados de libertad. Xi ~ N ( µ, σ ) independientes Xi µ Xi µ ~ N(0,1) ~ χ1 σ σ g X i µ Y = ~ χ [ ] [ ] i 1 g E Y = g Var Y = g = σ Distribución χ de Pearson Distribución t de Student Distribución F de Fisher Distribuciones relacionadas con la Normal χ g Tiene un sólo parámetro denominado grados de libertad. La función de densidad es asimétrica positiva. Sólo toma valores positivos. La función de densidad se hace más simétrica cuando aumenta el número de grados de libertad. f(x) grados de libertad 3 grados de libertad 4 grados de libertad 5 grados de libertad 4.10 Distribuciones relacionadas con la Normal t de Student Tiene un sólo parámetro denominado grados de libertad. La función de densidad es simétrica respecto al 0. Toma valores en toda la recta real. La función de densidad se aproxima a una N(0,1) cuando aumenta el número de grados de libertad. Se obtiene como el cociente entre dos variables: Z tg = Z ~ N(0,1) Y ~ χ Y / g g x 67 68
18 4.10 Distribuciones relacionadas con la Normal t de Student 4.10 Distribuciones relacionadas con la Normal F de Fisher Tiene un sólo parámetro denominado grados de libertad. La función de densidad es simétrica positiva respecto al 0. Toma valores en toda la recta real. La función de densidad se aproxima a una N(0,1) cuando aumenta el número de grados de libertad. f(x) grados de libertad 0 grados de libertad 100 grados de libertad x 69 Tiene un dos parámetros denominados grados de libertad. La función de densidad es asimétrica. Sólo toma valores positivos. Se obtiene como el cociente entre dos variables: F X / g = X ~ χ Y ~ χ 1 g1, g g1 g Y / g 70
Modelos 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 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 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 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 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 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 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 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 detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más 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 detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más 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 detallesDistribuciones habituales
Distribuciones habituales Tema 5 Eponencial Ignacio Cascos Depto. Estadística, Univerdad Carlos III 1 Ignacio Cascos Depto. Estadística, Univerdad Carlos III 2 Objetivos Adquirir soltura con el manejo
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 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 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 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 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 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 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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesBioestadística. El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
Bioestadística Tema 5: Modelos probabilísticos Variable aleatoria El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica. En estos casos aparece la noción de
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 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 detallesDISTRIBUCIONES CONTINUAS INFERENCIA ESTADISTICA LIC. MIGUEL CANO.
DISTRIBUCIONES CONTINUAS INFERENCIA ESTADISTICA LIC. MIGUEL CANO. En esta sección se estudian las distribuciones más importantes de las variables aleatorias continuas unidimensionales. Algunas distribuciones
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 detallesCAPÍTULO 5 DISTRIBUCIONES TEÓRICAS
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS Hugo Grisales Romero Profesor titular CONCEPTOS BÁSICOS Experimento: Variable aleatoria: Clasificación: Proceso por medio del cual una medición se obtiene. Aquella que
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 detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Estadística
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Estadística Profesor: MSc. Julio Rito Vargas Avilés. Estudiantes: FAREM-Carazo UNIDAD III Variables Aleatorias Y Distribuciones de probabilidades
Más detalles10/04/2015. Ángel Serrano Sánchez de León
0/04/05 Ángel Serrano Sánchez de León 0/04/05 Índice Distribuciones discretas de probabilidad Discreta uniforme Binomial De Poisson Distribuciones continuas de probabilidad Continua uniforme Normal o gaussiana
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. 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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
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 detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesTema 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 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 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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más 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 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 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 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 detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más 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 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 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 detallesTEMA 6. Distribuciones
TEMA 6. Distribuciones Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 6. Distribuciones 1 / 16 Probabilidad= Distribución= Distribución de Probabilidad Cuando queremos conocer
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
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 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 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 detalles9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
Más detallesESTADÍSTICA I. Unidad 4: Resumen de Contenidos Teóricos 1. Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS
ESTADÍSTICA I Unidad 4: Resumen de Contenidos Teóricos Mariano Lanza DISTRIBUCIONES DE PROBABILIDAD COMÚNMENTE UTILIZADAS. VARIABLES ALEATORIAS DISCRETAS. Distribución Binomial Definición previa: Prueba
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 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 detallesDónde estamos? MODELOS DE PROBABILIDAD
Dónde estamos? MODELOS DE PROBABILIDAD DESCR. 98 CÁLC. P. Probabilidad INFERENCIA 988 MODELOS DISCRETOS MODELOS CONTINUOS TEOREMA CENTRAL DEL LÍMITE Variables aleatorias Modelos de robabilidad 994 999
Más detallesProbabilidad para una V.A. Continua. P( a X b) = f ( x)
Tema 4: Variables Aleatorias Contínuas Prof. Heriberto Figueroa S. Capítulo 4 Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 4.1. Variables Aleatorias Continuas Una variable aleatoria
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 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 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 detallesINGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
Más detallesVariables aleatorias continuas
Variables aleatorias continuas VARIABLE ALEATORIA UNIFORME Definición Se dice que una variable X tiene una distribución uniforme en el intervalo [a;b] si la fdp de X es: 1 si a x b f(x)= b-a 0 en otro
Más detallesUNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD
UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesBioestadística. El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
Bioestadística Tema 5: Modelos probabilísticos Tema 5: Modelos probabilísticos 1 Variable aleatoria El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
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 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 detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. 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. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
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 detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
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 detallesAlgunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.
Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución
Más detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
Más detallesD I S T R I B U C I Ó N N O R M A L
D I S T R I B U C I Ó N N O R M A L 1. V A R I A B L E A L E A T O R I A C O N T I N U A. F U N C I O N E S A S O C I A D A S Variable aleatoria continua es aquella que puede tomar valores en un conjunto
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 detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más 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 detallesProbabilidad, Variables Aleatorias y Distribuciones
GRUPO A Prueba de Evaluación Continua 5-XII-.- Tres plantas de una fábrica de automóviles producen diariamente 00, 00 y 000 unidades respectivamente. El porcentaje de unidades del modelo A es 60%, 0% y
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más 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 detallesEstadística. Soluciones ejercicios: Modelos de probabilidad. Versión 8. Emilio Letón
Estadística Soluciones ejercicios: Modelos de probabilidad Versión 8 Emilio Letón. Nivel. Durante los nes de semana, un servidor web recibe una media de accesos cada minutos, considerándose estos un proceso
Más detallesFundamentos de la investigación en psicología
Fundamentos de la investigación en psicología TEMA 10 1º curso Grado Psicología Curso académico 2017-18 TEMA 10. MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD: VARIABLES CONTINUAS 1. El modelo normal 2. Ejercicios
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 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 detalles