1. Regla para los valores esperados en variables aleatorias
|
|
- Agustín Sevilla Ramos
- hace 5 años
- Vistas:
Transcripción
1 Valores esperados, varianza y desviación estándar para variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla para los valores esperados en variables aleatorias A continuación expondremos las reglas al momento de calcular valores esperados cuando tenemos mas de una variable o simplemente alguna alteración de la variable original. Propiedad 1.1. Para variables aleatorias tenemos que: 1. Si X es una variable aleatoria y a, b números fijos entonces, µ a+bx a + bx. 2. Si X y Y son variables aleatorias entonces, µ X+Y µ X + µ Y. Considere que la compañia Gain Communications vende productos de comunicación para propósitos militares y propósitos civiles. Las ventas del próximo año dependen de las condiciones del mercado las cuales no se pueden predecir con exactitud. Gain utiliza un modelo probabilístico para estimar sus ventas en el próximo año. La división de productos militares tiene la siguiente distribución: Unidades vendidas ,000 Probabilidad La división civil estima: Unidades vendidas Probabilidad Ahora, sea X Y el número de unidades vendidas con propósito militar. el número de unidades vendidas con propósito civil. Utilizando las tablas de distribución podemos calcular el valor esperado para X de la siguiente manera: µ X (1, 000)(0.1) + (3, 000)(0.3) + (5, 000)(0.4) + (10, 000)(0.2)
2 lo que nos indica que el valor esperado para la variable aleatoria X es de 5,000 unidades. Haciendo lo mismo para la variable aleatoria Y obtenemos: µ Y (300)(0.4) + (500)(0.5) + (750)(0.1) así que el valor esperado para la variable aleatoria Y es de 445 unidades. Ahora, suponga que la compañia Gain genera una ganancia de $2,000 dólares por unidad militar y $3,500 por unidad civil. Podemos estimar la ganancia promedio para los productos militares: µ 2,000X 2, 000µ X (2, 000)(5, 000) $10, 000, 000 De la misma forma, la ganancia promedio para los productos civiles es: µ 3,500Y 3, 500µ Y (3, 500)(445) $1, 557, 500 Ya tenemos la ganancia estimada promedio para el próximo año por tipo de producto, obviamente si queremos calcular cual es la ganancia total promedio de la compañia para el próximo año, solamente tenemos que tomar la suma de $10, 000, 000+$1, 557, 500 lo que nos da un gran total de $11,557,500. Está será la ganancia promedio para el próximo año en la compañia Gain communications. Ahora, si queremos ver como matemáticamente es posible tenemos que hacer lo siguiente, la ganancia total (Z) para la compañia Gain communications es descrita por: Z 2, 000X + 3, 500Y entonces la ganancia total promedio para el próximo año es: µ Z µ 2,000X+3,500Y µ 2,000X + µ 3,500Y 2, 000µ X + 3, 500µ Y 2, 000(5, 000) + 3, 500(445) 10, 000, , 557, , 557, Varianza de una variable aleatoria Sabemos que la varianza y la desviación estándar son medidas de disperción. La notación para la varianza de datos se denotó como s 2. Ahora vamos a denotar la varianza de una variable aleatoria como σ 2 X. 2
3 Definición 1.1. Suponga que X es una variable aleatoria discreta cuya distribución es: Valor de X x 1 x 2 x k Probabilidad p 1 p 2 p k con media µ. La varianza de la variable aleatoria X se define como: σx 2 (x 1 µ X ) 2 p 1 + (x 2 µ X ) 2 p (x k µ X ) 2 p k k (x i µ X ) 2 p i i1 cuya desviación estándar es σ X σ 2 X k (x i µ X ) 2 p i i1 Note que los términos de la varianza de una variable aleatoria son muy similares a la varianza de una serie de datos, la única diferencia es que en vez de que cada término utilize x, se utiliza µ X y se multiplica por la probabilidad p i. Ejemplo 1.2. Utilizando el ejemplo de la compañia Gain Communications, considere los estimados de los productos con propósito militar: Unidades vendidas ,000 Probabilidad Entonces, podemos encontrar la varianza de la variable aleatoria X. Para esto utilizamos la siguiente tabla: x i p i x i p i (x i µ X ) 2 p i 1, (1, 000 5, 000) 2 (0.1) 1, 600, 000 3, (3, 000 5, 000) 2 (0.3) 1, 200, 000 5, (5, 000 5, 000) 2 (0.4) 0 10, (10, 000 5, 000) 2 (0.2) 5, 000, 000 µ X 5, 000 σx 2 7, 800, 000 Vemos que el valor esperado es la suma de todos los elementos en la tercera columna y la varianza es la suma de todos los elementos en la cuarta columna. Si queremos calcular la desviación estandar, entonces: σ X σx 2 7, 800, 000 2,
4 1.2. Reglas para la varianza de una variable aleatoria Definición 1.2. Dos variables aleatorias X y Y son independientes si al conocer eventos relacionados con la variable X no afecta a los eventos relacionados con la variable Y. Cuando dos variables no son independientes la varianza de sus sumas depende de su correlación. Obviamente, si no son independientes la correlación es distinta de cero. Anteriormente para un conjunto de datos utilizamos r para denotar la correlación entre dos conjuntos, ahora para denotar la correlación de dos variables aleatorias utilizamos la letra griega ρ ( rho ). Definición 1.3 (Regla de varianza para variables aleatorias). 1. Si X es una variable aleatoria discreta e independiente y a, b números fijos entonces σa+bx 2 b2 σx Si X y Y tienen una correlación ρ, entonces σ 2 X+Y σ 2 X + σ 2 Y + 2ρσ X σ Y σ 2 X Y σ 2 X + σ 2 Y 2ρσ X σ Y 3. Si X y Y son independientes entonces ρ 0 y por lo tanto σ 2 X+Y σ 2 X + σ 2 Y σ 2 X Y σ 2 X + σ 2 Y Note que cuando X y Y son variables independientes entonces ρ 0 entonces el término ±2ρσ X σ y 0, por lo tanto ese último término se elimina. Ejemplo 1.3. Utilizando el ejemplo del Pega 3 ya discutido en clase, sabemos que la 1 probabilidad de ganar $500 y 0 la otra parte del tiempo. Esto lo podemos utilizar para 1,000 hacer la siguiente tabla: x i p i x i p i (x i µ X ) 2 p i (0 0.5) 2 (0.999) ( ) 2 (0.001) µ X 0.5 σx Esto tiene una desviación estándar de σ X $ Ahora, si se compra un boleto su ganancia neta se define como W X 1 esto es ya que X es la cantidad ganada menos el $1 invertido. La cantidad promedio que usted gana es µ W µ 1+X 1 + µ X $0.50 lo que nos indica que usted pierde $0.50 por cada jugada. 4
5 Ahora, suponga que usted compra un boleto ($1) dos días diferentes. La ganancia de X y Y de cada boleto son independientes ya que son sorteos separados. La ganancia total promedio de ambos sorteos es: µ X+Y µ X + µ Y $ $0.50 $1.00. Como X y Y son independientes entonces ρ 0, lo que implica a que su varianza es y cuya desviación estándar es: σ 2 X+Y σ 2 X + σ 2 Y 2(249.75) σ X+Y $22.35 Note que esto no es lo mismo que la suma de las desviaciones estándares de cada variable ya que Note que la varianza de variables independientes se suman, pero las desviaciones estándares no. Ejemplo 1.4. Las universidades a nivel subgraduado utilizan el SAT para propósitos de admisión. Suponga que la variable aleatoria X representa la puntuación obtenida en la parte de matemáticas con µ X 625 y σ X 90. Además, suponga que Y es la variable aleatoria que representa la puntuación en la parte verbal con µ Y 590 y σ 100. Cual es la media y la desviación estándar de la puntuación total obtenida en el examen del SAT?, esto es, calclular µ X+Y. Para esto tenemos que el promedio de la puntuación total del SAT es µ X+Y µ X + µ Y No podemos calcular la varianza y la desviación estándar por que no tenemos el factor de correlación ρ. Ahora, suponga que ρ 0.7, entonces σx+y 2 σx 2 + σy 2 + 2ρσ X σ Y (90) 2 + (100) 2 + (2)(0.7)(90)(100) 30, 700 Cuya desviación estándar es σ X+Y 30, Distribución binomial Una compañia de recursos humanos le pregunta a 100 empleados si se sienten presionados en el trabajo. Si vemos, las posibles respuestas son si o no. Esto es un claro ejemplo de lo que es una distribución binomial. Podemos decir que la distribución binomial es útil al momento de querer medir éxitos o fracasos en algún experimento. Para poder utilizar la distribución binomial, tenemos que cumplir ciertos requisitos: 5
6 1. Tiene que tener un número fijo de n observaciones. 2. Las n observaciones tienen que ser independientes. 3. Cada observación se tiene que clasificar entre éxito o fracaso. 4. La probabilidad de éxito, llamada p, tiene que ser igual para todas las observaciones. Definición 1.4. La distribución del conteo X de éxitos que cumpla con los requisitos mencionados anteriormente es una distribución binomial con parametros n y p. El parametro n es el número de observaciones y p es la probabilidad de éxito de cualquier observación. Ejemplo 1.5. Cada consumido tiene una probabilidad de 0.25 de preferir nuestro producto sobre otros productos de la competencia. Si le preguntamos a 5 consumidores, Cual es la probabilidad de que exactamente 2 consumidores prefieran nuestro producto? Para esto, tenemos que definir que nuestra variable aleatoria X es el conteo de consumidores que prefieren nuestro producto. Vemos que X es una variable aleatoria binomial con parametros n 5 y p Usando una notación mas corta, podemos decir que, X Bin(5, 0.25). Note que lo que queremos calcular es P (X 2). S éxito prefieren nuestro producto Sea Ahora com primer paso, F fallo no prefieren nuestro producto suponga que el primer y el tercer encuestado son s, entonces, el outcome es SF SF F pero como los eventos son independientes entonces P (SF SF F ) P (S)P (F )P (S)P (F )P (F ) (0.25)(0.75)(0.25)(0.75)(0.75) (0.25) 2 (0.75) 3 Ahora si vermos todas nuestas opciones, obtenemos 10 posibilidades SSF F F SF SF F SF F SF SF F F S F SSF F F SF SF F SF F S F F SSF F F SF S F F F SS vemos que cada observación tiene la misma probabilidad de ocurrir, entonces P (X 2) 10(0.25) 2 (0.75) Note que el patrón de todas las observaciones se basa que de 5 personas 2 son éxito. Definición 1.5. El número de maneras para obtener k éxitos de n observaciones es dado por el coeficiente binomial, este se define como ( ) n n! k k!(n k)! para k 0, 1, 2,..., k 6
7 Note que n! n (n 1) (n 2) y por definición 0! 1. Ahora por ejemplo si queremos cuantas opciones tenemos si que remos dos éxitos en 5 personas, para esto tenemos que, ( n k ) 5! 3!(5 3)! 5! 3!2! 5 4 3! 3!2! Ahora la definición formar de la distribución de probabilidad de una variable aleatoria binomial es, Definición 1.6. Si X Bin(n, p) entonces ( ) n P (X k) p k (1 p) n k k Ejemplo 1.6. En el ejemplo anterior se entrevisto a 5 personas, por lo tanto n 5 con una probabilidad idénticamente distribuida de 0.25 por lo tanto p 0.25 que prefieran nuestro producto. Por lo tanto aplicando la definición anterior tenemos que ( ) 5 P (X 2) (0.25) 2 (0.75) ( ) 5 (0.25) 2 (0.75) 3. 2 Ejemplo 1.7. Una encuesta encontró que un 65 % de todos los consumidores financieros están muy satisfechos con su institución bancaria. Suponga que 25 clientes son escogidos aleatoriamenete y que esta encuestra es válida al momento hacer dicha selección. Cual es la probabilidad de que exactamente 19 clientes están muy satisfechos con su institución primaria? Para esto, tenemos que la probabilidad de que los clientes estén muy satisfechos es p 0.65 por lo tanto los que no están muy satisfechos son 1 p Como se observaron 25 clientes, entonces n 25 y queremos ver 19 de estos eventos por lo tanto k 19. Entonces tenemos ( ) 25 P (X 19) (0.65) 19 (0.35) (177, 100)( )( ) Esto significa que 9.08 % de las veces se obtienen 19 de 25 clientes que están muy satisfechos con su intitución financiera. 7
8 Ejemplo 1.8. Según el U.S. Census Bureau, aproximadamente 6 % de todos los trabajadores en Jackson, Mississippi están desempleados. Si se realiza una encuesta telefónica aleatoria, Cual es la probabilidad de que se obtengan 2 o menos trabajadores desempleados de una uestra de 20 trabajadores? Para resolver este problema, tenemos que p 0.6, por lo tanto 1 p Sea X el número de trabajadores desempleados, entonces queremos calcular P (X 2), P (X 2) P (X 0) + P (X 1) + P (X 2) Entonces tenemos que calcular la probabilidad individual de cada evento y luego sumar, a esto se le conoce como la probabilidad acumulada. P (X 2) P (X 0) + P (X 1) + P (X 2) ( ) ( (0.06) 0 (0.94) ! 0!(20 0)! (0.06)0 (0.94) 20 + ) (0.06) 1 (0.94) 19 + ( ) 20 (0.06) 2 (0.94) ! 1!(20 1)! (0.06)1 (0.94) ! 2!(20 2)! (0.06)2 (0.94) 18 20! 0!(20)! (0.06)0 (0.94) ! 1!(19)! (0.06)1 (0.94) ! 2!(18)! (0.06)2 (0.94) 18 20! 0! 20! (0.06)0 (0.94) ! (0.06) 1 (0.94) ! 19! (1)(0.06) 0 (0.94) 20 + (20)(0.06) 1 (0.94) (0.06) 2 (0.94) ! (0.06) 2 (0.94) 18 2! 18! (1)( ) + (20)( ) + 190( ) Media y desviación estándar de la distribución binomial Definición 1.7. Si X Bin(n, p) entonces la media y la desviación estándar se definen como: 2. Distribución Poisson µ np σ np(1 p) Esta distribución cuenta variables aleatorias. Cuenta el número de eventos éxitos que ocurren en alguna unidad fija de medida como lo es la longitud, el área o el tiempo. Existen ciertos requisitos necesarios que se deben cumplir para decir que es un evento Poisson: 8
9 1. El número de eventos a ocurrir en cualquier unidad fija de medida tienen que ser independientes. No puede existie un overlapping. 2. La probabilidad de que un evento ocurra tiene que ser igual para todas las opciones. 3. La probabilidad de que 2 o mas eventos ocurran se hace 0 si la unidad de medida fija se aproxima a 0. La definición formal para la distribución Poisson es: Definición 2.1. La distribución del conteo X de éxitos que cumple con los requisitos de un evento Poisson es una distribución de probabilidad Poisson con media µ. El parameto µ es la media de los éxitos por unidad de medida. Los posibles valores para X son números enteros 0, 1, 2,. Si k (0, ) entonces P (X k) µk e µ cuya desviación estándar es µ. Note que e Ejemplo 2.1. En un bando sus clientes llegan aleatoriamente a promedio de 3.2 clientes cada 4 minutos. Cual es la probabilidad de tener mas de 7 clientes en un intérvalo de 4 minutos? Para esto tenemos que µ 3.2 clientes/4 minutos y queremos ver X > 7 clientes/ 4 minutos. En teoría es necesario encontrar valores para X 8, 9, 10, 11, 12,... pero veamos lo que pasa: k! P (X 8 µ 3.2) (3.2)8 e 3.2 8! P (X 9 µ 3.2) (3.2)9 e 3.2 9! P (X 10 µ 3.2) (3.2)10 e ! P (X 11 µ 3.2) (3.2)11 e ! P (X 12 µ 3.2) (3.2)12 e ! P (X 13 µ 3.2) (3.2)13 e ! Si seguimos calculando para X 14, 15,... vamos a obtener P (X) 0, así que basta con llegar a P (X 13). Ahora tomando la suma tenemos que: P (X > 7) P (X 8)
Tercer examen parcial ESTA 3041
Tercer examen parcial ESTA 3041 Prof. Héctor D. Torres Aponte 27 de abril de 2012 Instrucciones Este examen tiene un valor de 109 puntos. Todos los problemas son basados en el material cubierto en clase.
Más detalles1. Variables aleatorias
1. Variables aleatorias Variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte Definición 1.1. Una variable aleatoria es una variable cuyo valor es un outcome numérico
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 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 detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesCORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS
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 detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más 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 detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesN O S I N T E R E S A S A B E R E L N Ú M E R O D E É X I T O S Q U E S U C E D E N E N N I N T E N T O S J U A N J O S É H E R N Á N D E Z O C A Ñ A
N O S I N T E R E S A S A B E R E L N Ú M E R O D E É X I T O S Q U E S U C E D E N E N N I N T E N T O S J U A N J O S É H E R N Á N D E Z O C A Ñ A DISTRIBUCIÓN DE PROBABILIDAD Consiste en todos los
Más detallesRequisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Universidad Austral de Chile Escuela de Ingeniería Comercial ICPM050, Econometría Clase 01 Requisitos Matemáticos Profesor: Carlos R. Pitta Econometría, Prof. Carlos R. Pitta, Universidad Austral de Chile.
Más detallesDISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña
DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL Variable discreta.- Es aquella que casi siempre asume solamente un conjunto
Más detallesAlgunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más 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 detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
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 detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
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 de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesESTADÍSTICA INFERENCIAL. Sesión 6: Distribuciones de probabilidad para variables aleatorias continuas
ESTADÍSTICA INFERENCIAL Sesión 6: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas que toman estrictamente valores enteros,
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 detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesPOISSON JUAN JOSÉ HERNÁNDEZ OCAÑA
POISSON JUAN JOSÉ HERNÁNDEZ OCAÑA Distribución de Poisson Cuando una variable discreta se usa para estimar la cantidad de sucesos u ocurrencia en un determinado intervalo de tiempo o espacio es necesario
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detallesVariables aleatorias discretas
Variables aleatorias discretas Considere el espacio de probabilidad Ω, F, P) y la función X : Ω R. La imagen de Ω bajo X se define como sigue ImgX) = x R ω Ω : Xω) = x}. Si ImgX) es un conjunto contable,
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #3 Tema: Distribución Discreta Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Definir la función de probabilidad
Más 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 detallesDistribución de Probabilidad
Distribución de Probabilidad Variables discretas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Modelos probabilísticos Un modelo es una
Más detallesIntroducción a la probabilidad (continuación) Universidad de Puerto Rico ESTA Prof. Héctor D. Torres Aponte
Introducción a la probabilidad (continuación) Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Probabilidad II 1.1. Dígitos aleatorios VS Ley de Benford Considere que los primeros
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 detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos
Más detallesTrimestre Septiembre-Diciembre 2007 Departamento de Cómputo Científico y Estadística Probabilidades para Ingenieros CO3121 Guía de ejercicios # 6
Trimestre Septiembre-Diciembre 2007 Departamento de Cómputo Científico y Estadística Probabilidades para Ingenieros CO3121 Guía de ejercicios # 6 Contenido Valor Esperado, Caso Discreto. Valor Esperado,
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
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 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 detallesExamen Final A Total puntos: /100. Buena suerte y éxito! Utilice la siguiente información para responder a las preguntas 1 al 5.
Universidad de Puerto Rico, Recinto de Río Piedras Instituto de Estadística y Sistemas Computarizados de Información Estadísticas para administración de empresas (ESTA 3041) Nombre: Número de estudiante:
Más detallestiene distribución t con n 1 grados de libertad. Si utilizamos dicha cantidad como pivote, entonces para el intervalo
. Intervalos de confianza para muestras pequeñas.. Para µ. Si Y, Y,..., Y n representa una muestra aleatoria tomada de una población normal, con Ȳ la media de a muestra y S la varianza de la muestra, queremos
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 detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
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 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 detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
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 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 detalles6-1 y. Sec Distribuciones de probabilidad discreta Pearson Prentice Hall. All rights reserved
Sec. 6-1 y 3 6-2 Distribuciones de probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio Su valor se determina al
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
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 detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 4 Variables aleatorias Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las características de las variables aleatorias discretas y continuas.
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 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 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 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 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 detallesGUÍA DE CÁLCULO INTEGRAL. 2. De la siguiente tabla del peso en kilogramos de 40 personas.
INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN MEDIA SUPERIOR CENTRO DE ESTUDIOS CIENTÍFICOS Y TECNOLÓGICOS NARCISO BASSOLS GUÍA DE CÁLCULO INTEGRAL 1. Las puntuaciones siguientes
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 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 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 detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
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 detallesTema 4: Distribución de Probabilidades Modelos de distribuciones, Bernoulli, Binomial.
Tema 4: Distribución de Probabilidades Modelos de distribuciones, Bernoulli, Binomial. Algunos modelos de variables aleatorias. Hay v.a. que aparecen con frecuencia en las Ciencias de la Salud. Experimentos
Más detallesFunciones de análisis de datos
Funciones de análisis de datos Matlab contiene varias funciones que facilitan la evaluación y análisis de datos. Primero presentaremos varias funciones de análisis sencillas, y luego veremos funciones
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 detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad de: Binomial, Hipergeometrica y Poisson
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejercicios y Talleres puedes enviarlos a klasesdematematicasymas@gmail.com Taller 1.0 de Estadística aplicada Ejercicios tomados del texto: Probabilidad y estadística de Walpole Octava edición 2.4 Un experimento
Más detallesTema 6. Variables Aleatorias Discretas
Presentación y Objetivos. Tema 6. Variables Aleatorias Discretas En esta unidad se presentan algunos ejemplos estándar de variables aleatorias discretas relacionadas de diversas formas dependiendo de su
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más 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 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 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 detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detallesTema 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 detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesLA FUNCIÓN VARIABLE ALEATORIA (va.)
LA FUNCIÓN VARIABLE ALEATORIA (va.) Una variable aleatoria X es una función que asocia un número real con cada elemento del espacio muestral. Ej: Se sacan fichas de manera sucesiva sin reemplazo de una
Más detallesDistribución bidimensional. Marginales. Correlación lineal. Rectas de regresión.
REGRESIÓN LINEAL. Distribución bidimensional. Marginales. Correlación lineal. Rectas de regresión. Dada una población, hasta ahora hemos estudiado cómo a partir de una muestra extraída de ella podemos
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2017 Agenda 1 Concepto de probabilidad
Más detallesEstadística. SESIÓN 9: Distribuciones de probabilidad discreta. Segunda parte.
Estadística. SESIÓN 9: Distribuciones de probabilidad discreta. Segunda parte. Contextualización En la presente sesión analizarás y describirás un experimento binomial, definirás y conocerás la función
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2000-2.001 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro
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 detallesTEOREMA DEL LÍMITE CENTRAL
Material de clase n 2 Domingo 13 Junio TEOREMA DEL LÍMITE CENTRAL A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media x = µ
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 detallesMomentos de una variable
Momentos de una variable Momentos respecto del origen Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X que sea igual a la variable elevada a un
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 detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesEstadística 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 detallesConceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD
Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria
Más detalles