Variables aleatorias
|
|
- Miguel Quintana Juárez
- hace 7 años
- Vistas:
Transcripción
1 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 para cada valor su frecuencia, esto es, el número de veces que sucede cada resultado. Sin embargo, antes de realizar un experimento aleatorio no se puede predecir con exactitud qué resultados se van a observar, sino que, como mucho, se puede describir cuáles van a ser los resultados posibles y con qué probabilidad puede ocurrir cada uno de ellos. En muchas ocasiones, nos interesa más que el resultado completo del experimento, una función real de los resultados. Tales funciones cuyos valores dependen de los posibles resultados de un experimento aleatorio, se llaman variables aleatorias. En todo proceso de observación o experimento aleatorio podemos definir una variable aleatoria asignando a cada resultado del experimento un número: si el resultado del experimento es numérico porque contamos o medimos, los posibles valores de la variable coinciden con los resultados del experimento. si el resultado del experimento es cualitativo, hacemos corresponder a cada resultado un número siguiendo algún criterio. Una variable aleatoria X es una función definida sobre el espacio muestral Ω (conjunto de los resultados de un experimento aleatorio) que toma valores en el cuerpo de los números reales IR, es decir X : Ω IR Una variable aleatoria puede ser discreta o continua según sea el rango de esta aplicación. Una variable aleatoria es discreta si toma un número de valores finito o infinito numerable. Estas variables corresponden a experimentos en los que se cuenta el número de veces que ha ocurrido un suceso. Una variable aleatoria es continua cuando puede tomar cualquier valor de un intervalo real de la forma (a, b), (a, ), (, b), (, + ) o uniones de ellos. Por ejemplo, el peso de una persona, el tiempo de duración de un suceso, etc. VARIABLES ALEATORIAS DISCRETAS Para la descripción de una variable aleatoria discreta, se especifican los posibles valores de la variable con sus respectivas probabilidades. Sea X una variable aleatoria que toma valores x 1, x 2,..., x n,.... Entenderemos por P (X = x i ) como la probabilidad del suceso X 1 (x i ) = {w Ω : X(w) = x i } = A Q. Por ejemplo, en el experimento consistente en lanzar dos monedas, el espacio muestral es Ω = {(c, c), (c, f), (f, c), (f, f)}, donde c representa cara y f representa cruz. Sobre este espacio se puede definir la función X : Ω IR dada por X(w) = número de caras que aparecen. Ésta es una variable aleatoria discreta, ya que toma los valores X(f, f) = 0; X(c, f) = X(f, c) = 1; X(c, c) = 2 Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 1
2 y las probabilidades con que toma estos valores serán P (X = 0) = 1 4 ; P (X = 1) = 2 4 ; P (X = 2) = 1 4. La tabla formada por los valores que toma la variable junto con sus probabilidades, recibe el nombre de distribución o función de probabilidad de la variable. Muchas veces interesa conocer con qué probabilidad una variable aleatoria toma valores que no sobrepasan un determinado número real x, es decir, la probabilidad acumulada de que la variable tome valores inferiores a ese x. La función de distribución de una variable aleatoria discreta X se define por Características de la función de distribución: F (x) = P (X x) = P (X = x i ) x i x F (x) está definida para todos los números reales. 0 F (x) 1, puesto que está definida a través de una probabilidad. lim x F (x) = 0 lim x F (x) = 1 Gráficamente, F (x) es una función escalonada(constante a trozos), cuyos saltos se producen en los valores que toma la variable. La función de distribución para la variable X= número de caras que aparecen al lanzar dos veces una moneda es: 0 si x < 0 1/4 si 0 x < 1 F (x) = 3/4 si 1 x < 2 1 si x 2 En ocasiones, resulta cómodo utilizar la función de distribución para el cálculo de probabilidades. Analizemos distintos casos: P (X x) = F (x), por definición. P (X > x) = 1 P (X x) = 1 F (x) Si consideramos n, m IN, valores que toma la variable X, se verifica P (n < X m) = P (X m) P (X n) = F (m) F (n) Como P (n X m) = P (n 1 < X m) = F (m) F (n 1). Para k IN cualquiera de los valores de la variable, se tiene P (X = k) = P (k X k) = P (k 1 < X k) = F (k) F (k 1) La función de probabilidad de una variable aleatoria discreta es un modelo teórico de la distribución de frecuencia relativa de los resultados de un experimento aleatorio. Por tanto, se pueden describir los datos del experimento con medidas descriptivas numéricas similares a las que se trataron en Estadística Descriptiva. Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 2
3 Sea X una variable aleatoria discreta que toma valores x 1, x 2,..., x n,.... El valor esperado o esperanza matemática es la medida de centralización más utilizada y se obtiene promediando cada posible valor por su probabilidad. µ = E(X) = i x i P (X = x i ) donde el sumatorio va extendido a todos los posibles valores que tome la variable. Asimismo, se define la varianza como 2 X = i (x i µ) 2 P (X = x i ) = i x 2 i P (X = x i ) µ 2 Igual que en el caso de Estadística Descriptiva, se define la desviación típica como la raíz cuadrada positiva de la varianza. VARIABLES ALEATORIAS CONTINUAS En las variable continuas, hay que observar que la probabilidad de que la variable tome un valor particular se considera igual a cero. Se supone que no es posible conocer el valor exacto de una variable continua, ya que medir su valor consiste en clasificarlo dentro de un intervalo. Las variables aleatorias continuas se describen por medio de una función real de variable real, a la que se denomina función de densidad, que surge como la generalización de las curvas de frecuencias asociadas a los histogramas, cuando la amplitud de los intervalos se considera infinitamente pequeña. Llamaremos función de densidad de una variable aleatoria X a una función real f(x) no negativa (f(x) 0) tal que + f(x) dx = 1 y de forma que es posible calcular la probabilidad de que X tome valores en un cierto intervalo [a, b], por integración P (a < X < b) = b a f(x) dx. Conviene resaltar de nuevo que en variables aleatorias continuas se mide la probabilidad de intervalos y que la probabilidad de que la variable tome un valor concreto se considera cero. Por lo tanto, b a f(x) dx = P (a < X < b) = P (a X < b) = P (a < X b) = P (a X b) La función de distribución de X se define igual que para variables discretas. Viene dada por F (x) = P (X x), ahora bien, la forma de acumular probabilidades está ahora asociada a acumular áreas de la función de densidad F (x) = x f(t) dt. Las características de la función de distribución para variables continuas son similares a las del caso discreto, con la diferencia fundamental de que en el caso continuo, la función de distribución es una función continua en todo IR. Si pensamos en el teorema Fundamental del Cálculo, obtenemos cómo recuperar la función de densidad, conociendo la de distribución f(x) = F (x). Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 3
4 Lo que implica, si aplicamos la regla de Barrow, P (a < X < b) = b a f(x) dx = F (b) F (a). En el caso continuo, la fórmula del valor esperado o esperanza matemática queda µ = E(X) = + xf(x) dx donde f(x) es la función de densidad de la variable aleatoria X. Análogamente, para la varianza 2 X = + (x µ) 2 f(x) dx = + x 2 f(x) dx µ 2 MODELOS PROBABILÍSTICOS Con frecuencia, al considerar variables aleatorias distintas, asociadas incluso a experimentos aleatorios diferentes, se observa que las distribuciones de probabilidad son, en esencia, similares. Se pueden, por tanto, considerar modelos de distribuciones de probabilidad, aplicables a numerosas situaciones reales. Nuestra intención ahora es exponer las condiciones teóricas que caracterizan a la situación que se desea modelar, para, a partir de ellas, razonar la forma de la correspondiente función de probabilidad o de la función de densidad, según se estén considerando variables que, por sus características, se pueden clasificar como discretas o continuas. Ahora bien, ante una situación real, es responsabilidad del observador, decidir qué modelo teórico es el adecuado para describir el problema. Distribuciones discretas Distribución uniforme discreta Una variable aleatoria discreta X que toma n valores enteros equiprobables recibe el nombre de variable uniforme discreta. Si la variable toma valores 1, 2,..., n, sus probabilidades asociadas serán P (X = k) = 1 para todo k {1, 2,..., n} n Su media y varianza son µ = n = n Distribución de Bernoulli Consideremos un experimento aleatorio que admite sólo dos resultados posibles excluyentes: suceso A (éxito) con probabilidad P (A) = p y suceso A c (fracaso) con probabilidad P (A c ) = 1 p = q. La realización de un experimento de este tipo recibe el nombre de prueba de Bernoulli. Asociada una prueba de Bernoulli, se puede definir una variable aleatoria discreta X= número de éxitos al realizar una prueba de Bernoulli, que toma el valor 0, cuando ocurre el suceso A c con probabilidad q y el valor 1, cuando ocurre el suceso A, con probabilidad p. La función de probabilidad de esta variable se puede escribir, por tanto: P (X = k) = p k q 1 k para k = 0, 1. Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 4
5 Su media y varianza son µ = p 2 = p q Distribución binomial Supongamos que se realizan n pruebas de Bernoulli independientes, es decir, la probabilidad de éxito, p, es la misma en todas las pruebas. Por ejemplo, si se lanza un dado tres veces, la probabilidad de sacar un seis es igual a 1/6, en los tres lanzamientos. A la variable aleatoria discreta X = número de veces que ocurre el suceso A (éxito) en las n pruebas se la denomina variable aleatoria binomial de parámetros n y p. Los valores que toma la variable X son los éxitos que se pueden producir cuando repito el mismo experimento n veces, luego irían desde 0 éxitos hasta n éxitos. La variable tomará el valor k arbitrario, cuando se produzcan k éxitos y n k fracasos. La probabilidad de k éxitos es p k y la de n k fracasos es (1 p) n k, luego la probabilidad de un resultado elemental con k éxitos y n k fracasos será p k (1 p) n k. Ahora bien, los k éxitos se pueden producir de varias formas distintas a lo largo de las n pruebas: pueden ocurrir en las k primeras pruebas o en las k últimas o un éxito en la primera prueba y los k 1 fracasos, todos seguidos al final o...hay que contar el número de subconjuntos de k elementos que se pueden formar con las n pruebas, esto es, ( ) n k. Por lo tanto, si se denota por q a 1 p, la función de probabilidad de esta variable será P (X = k)= ( n k ) p k q n k para k = 0, 1, 2,..., n. Para indicar que una variable X es una binomial de parámetros n y p, se escribirá X B(n, p). Su media y varianza son µ = np 2 = np q. Los valores de P (X = k) se encuentran tabulados para algunos valores de p entre 0 y 0.5. Si el valor de p es mayor que 0.5, entonces hay que tener en cuenta la denominada propiedad de simetría: dado un experimento de Bernoulli repetido n veces, se consideran las variables aleatorias X= número de éxitos en las n pruebas (X B(n, p)) e Y = número de fracasos en las n pruebas (Y B(n, q)). Entonces, P (X = k) = P (Y = n k). Distribución de Poisson Éste es un modelo probabilístico útil para describir el número de veces que ocurre un determinado suceso a lo largo de una unidad de tiempo, área, volumen, etc., establecido. Una situación característica de este tipo se da cuando se observa la cola que se forma en determinados servicios. El número de clientes que llegan a una caja de un supermercado en un cuarto de hora, el número de pacientes que llegan a la sala de urgencias de un hospital en una hora, el número de trabajos que recibe una impresora en red de una empresa por minuto, son variables cuya distribución se puede describir con este modelo probabilístico. Todas ellas tienen ciertas características comunes: el número de clientes, pacientes o trabajos por unidad de tiempo es independiente del número de los mismos que llegan en otra unidad de tiempo; la probabilidad de que un cliente, paciente o trabajo llegue en una unidad de tiempo es la misma para todas las unidades. Si se denota por la letra griega λ al número esperado de ocurrencias de un suceso por unidad de tiempo, área, volumen, etc., la variable aleatoria X= número de veces que ocurre un determinado Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 5
6 suceso por unidad de tiempo, área, volumen, etc. se dice que sigue una distribución de probabilidad de Poisson de parámetro λ. Puede tomar todos los valores enteros 0, 1, 2,... con probabilidades Su media y varianza son P (X = k) = λk k! e λ, para k = 0, 1, 2,.... µ = λ 2 = λ Esta distribución es una buena aproximación de la binomial cuando n es grande y p pequeña, a saber, cuando p 0.1 y np < 5. Distribuciones continuas Distribución uniforme continua Una variable aleatoria continua X que toma valores en un intervalo acotado de los números reales sigue una distribución uniforme cuando la probabilidad de que la variable tome valores en cualquier subintervalo del mismo, es proporcional a la longitud de dicho subintervalo, con lo que la probabilidad asociada a dos subintervalos de igual longitud es la misma. En tal caso, si [a, b] es el intervalo de la recta real en la que la variable toma valores, la función de densidad es { 1 si x [a, b] f(x) = b a 0 en el resto Por tanto, su función de distribución es F (x) = 0 si x < a x a b a si x [a, b] 1 si x > b Obsérvese que la probabilidad de cualquier subintervalo [x 1, x 2 ] [a, b] viene dada por P (x 1 X x 2 ) = x2 1 x 1 b a dx = x 2 x 1 b a Un cálculo simple muestra que la media y varianza de la variable uniforme continua son µ = a + b 2 2 = (b a)2 12 Distribución normal Sin duda, es la más importante de todos los modelos probabilísticos, pues su aplicación se extiende a numerosos campos de la naturaleza, la industria, la Economía, etc. Tiene su origen en la modelización de la distribución de frecuencias relativas de errores cometidos al efectuar repetidas veces una medición. Una variable continua X se dice que tiene una distribución normal de media µ y desviación típica y se representa por X N(µ, ), si puede tomar cualquier valor de los números reales y su función de densidad es f(x) = 1 2π e 1 (x µ) La función de densidad f(x) presenta un máximo en x = µ, dos puntos de inflexión en x = µ y x = µ + y tiene al eje OX como asíntota. Su gráfica es simétrica respecto a la recta x = µ. Al tratarse de una variable continua, para calcular probabilidades asociadas a la normal, por ejemplo x2 1 x 1 1 (x µ) P (x 1 X x 2 ) = 2π e Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 6
7 habría que calcular la integral anterior, pero ésto no puede hacerse analíticamente, sino que habría que emplear métodos de integración numérica. El recurso que queda es tabular las dististas probabilidades posibles, pero como depende de los valores de los parámetros µ y, en principio, sería necesario construir una tabla distinta para cada par de valores. Sin embargo la tipificación de una variable normal de parámetros µ y, da lugar a otra variable normal, ésta, de media 0 y desviación típica 1. Si una variable X es N(µ, ), la nueva variable Z = X µ sigue también una distribución normal de media 0 y desviación típica 1, es decir Z es N(0, 1). A la variable Z se le denomina variable tipificada de X y a la curva de su función de densidad curva normal estándar o tipificada. La distribución de la variable normal de media 0 y desviación típica 1 se encuentra tabulada. En las tablas aparecen áreas bajo la curva normal, a la derecha de un punto z α. Por z α se representa el valor de la abcisa que tiene a la derecha un área bajo la curva normal igual a α, es decir P (Z z α ) = α. Habitualmente, sólo se encuentran tabulados valores de Z positivos o áreas α 0.5. Para valores de Z menores que cero, debido a la simetría se tendrá en cuenta que si z α 0, entonces P (Z z α ) = P (Z z α ). Para las áreas a la izquierda, se tiene que P (Z z α ) = 1 P (Z z α ) = 1 α. Por otra parte, para calcular probabilidades asociadas a intervalos, distinguimos los casos siguientes: a) si a, b 0, entonces P (a Z b) = P (Z a) P (Z b) b) si a, b 0, entonces P ( a Z b) = P (a Z b) y se calcularía como el caso anterior c) si a 0 y b 0, entonces P ( a Z b) = 1 [P (Z a) + P (Z b)] = 1 [P (Z a) + P (Z b)] La gran utilidad de la variable tipificada Z es que nos permite calcular áreas (y por tanto probabilidades) de cualquier distribución normal. Si X es N(µ, ) entonces P (a X b) = P ( a µ X µ b µ ) ( a µ = P Z b µ ). Si X es una variable binomial de parámetros n y p, entonces si n es grande y ni p ni q son próximos a cero, podemos considerar que X sigue aproximadamente una distribución N(np, npq). Por tanto, la variable tipificada correspondiente Z = X np npq es N(0, 1). Se puede afirmar que la aproximación es suficientemente buena cuando np > 5, si p 0.5, o bien nq > 5, si p > 0.5. Hay que tener en cuenta que para utilizar correctamente esta transformación de una variable discreta X (con distribución binomial) en una variable continua Z (con distribución normal) es Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 7
8 necesario hacer una corrección de continuidad. Téngase en cuenta que P (X = a), saldría siempre igual a cero. Ésto se evita identificando el suceso {X = a} con {a 0.5 X a + 0.5}, es decir P (X = a) = P (a 0.5 X a + 0.5) = P (a 0.5 N(np, npq) a + 0.5) = P ( a 0.5 np npq Z ) a np npq Esta corrección puede extenderse a cualquier intervalo de forma que P (a X b) = P (a 0.5 N(np, npq) b + 0.5) Inmaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 8
Tema 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 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 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 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 detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más 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 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 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 detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más 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 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 detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más 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 detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
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 detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más 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 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 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
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 detallesEstadística Grado en Nutrición Humana y Dietética
Estadística Grado en Nutrición Humana y Dietética Tema 3: Probabilidad y variables aleatorias Francisco M. Ocaña Peinado http://www.ugr.es/local/fmocan Departamento de Estadística e Investigación Operativa
Más 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 detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesCuando la distribución viene dada por una tabla: 2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
1. DISTRIBUCIONES ESTADÍSTICAS. El siguiente grafico corresponde a una distribución de frecuencias de variable cuantitativa y discreta pues solo puede tomar valores aislados (0, 1, 2, 3, 10). Se trata
Más detallesANEXO.- DISTRIBUCIÓN BINOMIAL. DISTRIBUCIÓN NORMAL
ANEXO.- DISTRIBUCIÓN BINOMIAL. DISTRIBUCIÓN NORMAL. VARIABLES ALEATORIAS Consideremos el experimento de lanzar 3 monedas. Tenemos que su espacio muestral es E CCC, CCX, CXC, XCC, CXX, XCX, XXC, XXX Donde
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más 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 detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesVARIABLES ALEATORIAS INTRODUCCIÓN
DOCENTE: SERGIO ANDRÉS NIETO DUARTE CURSO: ESTADÍSTICA DE LA PROBABILIDAD VARIABLES ALEATORIAS INTRODUCCIÓN Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más 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 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 detallesBioestadística. Curso Capítulo 3
Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................
Más 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 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesEl 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 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 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 detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más 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 detalles1. Variables Aleatorias Discretas
Tema 4: Variables Aleatorias Modelos de Probabilidad 1. Variables Aleatorias Discretas Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesUNIDAD 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 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 detallesVariables aleatorias
Capítulo 5 Variables aleatorias 5.1. Introducción Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son valores numéricos. Por ejemplo, si el experimento consiste
Más 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 detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más detalles2. VARIABLE ALEATORIA. Estadística I Dr. Francisco Rabadán Pérez
2. VARIABLE ALEATORIA Estadística I Dr. Francisco Rabadán Pérez Índice 1. Variable Aleatoria 2. Función de Distribución 3. Variable Aleatoria Discreta 4. Variable Aleatoria Continua 5. Esperanza Matemática
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 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 detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
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 detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más 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 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 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 detallesCarrera: Ingeniería Zootecnista E S T A D I S T I C A
Carrera: Ingeniería Zootecnista E S T A D I S T I C A DISTRIBUCIONES DE PROBABILIDAD Una función de probabilidad es aquella que surge al asignar probabilidades a cada uno de los valores de una variable
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 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 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 detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesGUÍA TEÓRICA TEMA 3 UNIDAD II: INFERENCIA ESTADÍSTICA PARAMÉTRICA BÁSICA. TEMA 3. LA DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS.
Universidad de Los Andes Facultad de Ciencias Forestales y Ambientales Escuela de Ingeniería Forestal Departamento Manejo de Bosques Cátedra de Biometría Forestal Asignatura: ESTADISTICA Y BIOMETRIA Profesor
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 detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Introducción Inferencia estadística: Parte de la estadística que estudia grandes colectivos
Más detallesObjetivos 1-0. Francisco José García Álvarez
Objetivos Recordar los conocimientos elementales de las herramientas estadísticas que se aplican en el Control de Calidad. En base al conocimiento de los modelos probabilísticos más utilizados y teniendo
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
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 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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
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 detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
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 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 detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesVariables aleatorias
Estadística Variables aleatorias Supongamos que realizamos el experimento: tirar dos veces un dado. Hasta ahora, hemos tratado sucesos, por ejemplo: A2 = la suma de dos tiradas de un dado es 2. Podemos
Más detallesJulio Deride Silva. 18 de agosto de 2010
Estadística Descriptiva Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 18 de agosto de 2010 Tabla de Contenidos Estadística Descriptiva Julio Deride
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 detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesAPUNTES DE PROBABILIDAD Y ESTADISTICA ING. GUILLERMO CASAR MARCOS
CAPITULO III VARIABLES ALEATORIAS. DEFINICION.- UNA VARIABLE ALEATORIA ES UNA FUNCION DE LOS VALORES DEL ESPACIO MUESTRAL. ESTO ES, EL DOMINIO DE DEFINICION DE UNA VARIABLE ALEATORIA ES UN ESPACIO MUESTRAL,
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
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 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 detallesEjemplo: Si lanzamos un dado 7 veces y 3 de ellas nos sale par, la frecuencia
Probabilidad La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles,
Más detallesBiometría. Distribuciones de probabilidad para variables aleatorias continuas
Biometría Distribuciones de probabilidad para variables aleatorias continuas Variables aleatorias continuas Interesa estudiar la temperatura ambiente a las 12 hs en abril en la ciudad de Buenos Aires.
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 detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
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 detalles