UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES
|
|
- María Teresa Escobar Ortíz
- hace 6 años
- Vistas:
Transcripción
1 UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES
2
3 VARIABLE ALEATORIA DISCRETA. Definición. Se dice que una v.a es discreta si el conjunto de todos los valores que puede tomar es un conjunto, a lo sumo, numerable (discreta). Ejemplos. Son Variables discretas El numero de accidentes laborales en un año El numero de errores en un mensaje transmitido. El numero de piezas defectuosas producidas a lo largo de un día en una cadena de producción. Modelos de distribuciones de probabilidad para variables discretas. Según lo que hemos visto, la forma en que se asigna probabilidad a los resultados de una variable aleatoria discreta viene dada por la función de probabilidad. A partir de ahora vamos a describir algunos de los modelos teóricos de probabilidad mas habituales en el ámbito de las Ingenierías, comenzando por el caso de las v.a discretas.
4 VARIABLE ALEATORIA CONTINUA. Una variable aleatoria es continua si el conjunto de valores que puede tomar sólo puede encerrarse en intervalos, formando por tanto, un conjunto con un numero infinito no numerables de elementos, Ejemplos Son variables aleatorias continuas La tensión de fractura de una muestra de asfalto El grosor de una lamina de aluminio El ph de una muestra de lluvia La duración de una llamada telefónica
5 VARIABLE ALEATORIA CONTINUA. Hay una diferencia fundamental entre las variables discretas y continuas; en las discretas podemos, al menos, numerar los posibles valores y contar el numero de veces que sale cada valor posible de una muestra. Sin embargo, por el carácter que tienen los intervalos de números reales, por muy grande que fuera la muestra que tomaríamos de una variable continua, jamás tendríamos mas de un valor de algunos puntos que puede tomar la variable. Por esa razón, en una variable continua no podemos definir una función empírica, precisamente porque los valores de una variable continua no tiene masa de probabilidad. Sin embargo, como sabemos, existe una representación análoga a la función masa empírica que permite aproximar las probabilidades de los valores de una variable continua: el histograma.
6 DISTRIBUCIÓN BINOMIAL. Sea X una v.a discreta que toma los valores x = 0, 1,, n. donde n es un numero natural conocido. Se dice que X sigue una distribución binomial de parámetros n y p (y se nota X B (n,p)) si su función misma es, f x = n x px 1 p n x f x = n! x! n x! px 1 p n x, x = 0,1,2,, n
7 DISTRIBUCIÓN BINOMIAL. 1. La ultima novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los lectores ya la han leído. Un grupo de 4 amigos son aficionados a la lectura: a. Cual es la probabilidad de que en el grupo hayan leído la novela 2 personas? b. Y como máximo 2? Fuente:
8 DISTRIBUCIÓN BINOMIAL. 2. Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan de buena salud. Según las tablas actuales, la probabilidad de que una persona en estas condiciones viva 30 años o mas es 2/3. Hállese la probabilidad de que, transcurridos 30 años, vivan: a. Las cincos personas b. Al menos tres personas c. Exactamente dos personas
9 CARACTERIZACIÓN DE LA DISTRIBUCIÓN BINOMIAL. Supongamos que un determinado experimento aleatorio se repite n veces de forma independiente y que en ese experimento hay un suceso que denominamos éxito, que ocurre con probabilidad constante p. En ese caso, la variable aleatoria X que mide el numero de éxitos sigue una B(n,p). En esta caracterización es importante observar que las dos hipótesis fundamentales de esta distribución son: Los experimentos se repiten de forma independiente y La probabilidad del éxito es constante.
10 DISTRIBUCION GEOMÉTRICA. Sea X una v.a discreta que puede tomar los valores x=0,1,2, Se dice que sigue una distribución geométrica de parámetro p (y se nota X Geo(p)) con 0 < p < 1, si su función es, f x = p 1 p x 1, para x = 0,1,2, Sea X Geo(p). Entonces EX = (1-p)/p Var X= (1-p)/p^2 Caracterización de la distribución geométrica. Supongamos que un determinado experimento aleatorio se repite sucesivamente de forma independiente y que en ese experimento hay un suceso que denominamos éxito, que ocurre con probabilidad constante p. En ese caso, la variable aleatoria X que cuenta el numero de fracasos hasta que ocurre el primer éxito sigue una Geo(p).
11 DISTRIBUCION GEOMÉTRICA. 1. Se lanza un dado hasta que aparece el numero 6. Cual es la probabilidad de que el numero de lanzamientos sean 3? Solución. Éxito 6 Probabilidad que salga el numero 6 es 1/6 (p=1/6 y q=5/6) f X = 3 = p 1 p x 1 = = La probabilidad de que cierto análisis clínico de una reacción positiva es 0,4. Los resultados de los análisis son independientes unos de otros. Cual es la probabilidad de que la primera reacción positiva ocurra antes del tercer análisis? Solución. El éxito es que salga una reacción positiva. P=0,4 y q=0,6. Si la primera reacción positiva debe aparecer antes del tercer análisis, entonces f X < 3 = P X = 1 + P X = 2 = = 0.64
12 DISTRIBUCION GEOMÉTRICA. 3. Una maquina detecta fallas en los productos que elabora una fabrica. Si los productos tienen una probabilidad de falla del 5%, calcular la probabilidad de que la maquina encuentre su primer producto defectuoso en la octava ocasión que selecciona un producto para su inspección. Definir éxito: salga defectuoso el producto. Solución. X = 8 p = 0.05 q = = 0.95 f X = 8 = p 1 p x 1 = = Fuente :
13 DISTRIBUCION DE POISSON Sea X una v.a discreta que puede tomar los valores de x = 0,1,2,. Se dice que X sigue una distribución de Poisson de parámetro λ (y se nota X P(λ)) si su function es, Sea X P(λ), entonces EX = λ VarX= λ λx f x = e λ, x = 0,1,2 x! Caracterización de la distribución de Poisson. Consideremos el numero de éxitos en un periodo de tiempo donde los éxitos acontecen a razón de λ veces por unidad de tiempo (en promedio) y de forma independiente. En ese caso X: numero de ocurrencias del suceso por unidad de tiempo Es una variable de Poisson de parámetro λ, y se nota X P(λ). En esta caracterización, las hipótesis fundamental ahora son: La independencia de las realizaciones y El promedio constante de ocurrencias por unidad de tiempo
14 APLICACIONES DE POISSON La distribucion de Poisson suele utilizarse como modelo para el numero de accidentes ocurridos en los individuos de una población a lo largo de un periodo de tiempo. Lo que mucha gente no termina de asumir es que hacer una suposición equivale a decir que todos esos individuos tienen el mismo riesgo de tener un accidente y que el hecho de que un individuo tenga un accidente no modifica para nada la probabilidad de sufrir un nuevo accidente. Es evidente que en muchas situaciones de la vida real eso no es cierto, asi que el modelo no será adecuado en ellas. Otra aplicación muy común de la distribución de Poisson es al numero de partículas por unidad de volumen en un fluido cuando una disolución esta realmente bien disuelta. En caso de que los datos indiquen que la distribución de Poisson no es adecuada, podríamos inferir que la disolución no esta bien disuelta.
15 DISTRIBUCION DE POISSON 1. En una clase de contabilidad el 3% de alumnos son muy inteligentes. Si ya se conoce que solo el 3% de los alumnos de Contabilidad son muy inteligentes calcular la probabilidad de que si tomamos 100 alumnos al azar 5 de ellos sean muy inteligentes. Lamba es igual a n * P ( tamaño de muestra multiplicado por la probabilidad de éxito). n = Tamaño de muestra / x = Cantidad de éxitos / P = Probabilidad de éxito / e = base de logaritmos = n = 100 P = 0.03 lambda = 100 * 0.03 = 3 x = 5 e = P X = 5 = e = ! 2. La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto del 2%, si se toma un lote o muestra de 85 televisores, obtener la probabilidad de que existan 4 televisores con defectos. n = 85 P = 0.02 X = 4 lambda = 1.7 P X = 4 = e ! = En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20 pericos al azar 3 de ellos hablen ruso. n = 20 p = 0.15 X = 3 lambda =3 P X = 3 = e 3 33 = ! - See more at:
16
17 n r = n! r! n r!
18
19 1. En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad n objetos que son defectuosos, si se selecciona de esta urna n objetos al azar, y sin reemplazo, cual es la probabilidad de obtener x objetos defectuosos. Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si se seleccionan 4 objetos al azar. Cual es la probabilidad de que 2 sean defectuosos? Solución. N=10 objetos en total r=3 objetos defectuosos n=4 objetos seleccionados en muestra X=2 objetos defectuosos deseados en la muestra P x = = = 0.3 P(x) = r x N r n x N n n r = n! r! n r! Fin de presentación
20 DISTRIBUCION DE POISSON En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15 minutos. Solución: a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3,..., etc., etc. l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3,..., etc., etc. l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata =1-( ) = c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3,..., etc., etc. l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata = =
La Probabilidad propone modelos para los fenómenos aleatorios, es decir, los que se pueden predecir con certeza, y estudia sus consecuencias lógicas.
La Probabilidad propone modelos para los fenómenos aleatorios, es decir, los que se pueden predecir con certeza, y estudia sus consecuencias lógicas. Dado un experimento y cualquier evento A: La expresion
Más detallesTema 4. Distribución Binomial y Poisson
Universidad de Los Andes Facultad de Ciencias Económicas y Sociales Escuela de Administración y Contaduría Estadística I Sección 06 - I2016 Prof. Douglas Rivas Tema 4. Distribución Binomial y Poisson Conceptos
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 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 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 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 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 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 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 detalles1) Una caja contiene 3 bolitas rojas y 4 amarillas se extraen dos, una después de la otra y sin reposición. X= No de bolitas rojas extraídas
ENCUENTRO # 47 TEMA: Distribución binomial CONTENIDOS: 1. Definición. Distribución binomial 2. Ejercicios propuestos 3. Ejercicios de Entrenamiento PAES Ejercicios Reto 1) Una caja contiene 3 bolitas rojas
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 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 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 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 4. Variables aleatorias discretas
Tema 4. Variables aleatorias discretas 508 Estadística. ETDI. Curs 2002/03 Cuestiones de Verdadero/Falso 1. En un proceso de Bernoulli, hay exactamente dos posibles resultados en cada prueba. 2. La fórmula
Más detallesDistribuciones Discretas
Capítulo 4 Distribuciones Discretas 4.1. Distribución Bernoulli Un experimento Bernoulli es un experimento aleatorio, cuyos resultados pueden clasificarse de dos maneras mutuamente excluyentes y exhaustivas,
Más detallesJuan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES
Juan Carlos Colonia DISTRIBUCIONES DISCRETAS IMPORTANTES BIBLIOGRAFÍA Walpole, Ronal E., Myres, Raymond H., Myres, Sharon L.: Probabilidad y Estadística para Ingenieros. McGraw Hill-Interamericana. Canavos
Más detallesLa distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:
Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesCondiciones para una distribución binomial
ESTADÍSTICA INFERENCIAL FUNCIONES DE PROBABILIDAD DISCRETAS: BINOMIAL y POISSON EJERCICIOS RESUELTOS DE FUNCIÓN DE PROBABILIDAD BINOMIAL USANDO TABLAS y EXCEL Prof.: MSc. Julio R. Vargas A. Fórmulas de
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 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 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 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 detallesReporte de práctica. Materia: Procesos Estócasticos. Facilitador: Ing. Pedro Martín García Vite. Integrantes: Armendáriz Flores Adrián
Reporte de práctica Materia: Procesos Estócasticos Facilitador: Ing. Pedro Martín García Vite Integrantes: Armendáriz Flores Adrián Cruz Hernández Emmanuel González Manuel Ana Silvia Tema: Gráficas de
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 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 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 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 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 detallesProbabilidad Condicional
Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:
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 detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesModelos de 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 detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Georgina Flesia FaMAF 9 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Patricia Kisbye FaMAF 30 de marzo, 2010 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 3
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 3 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más 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 detallesCI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA
CI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA alcantarilla Puente? Badén http://www.disasternews.net/multimedia/files/drought5_9412.jpg Fenómenos en Ingeniería (según certeza de ocurrencia) determinísticos
Más detallesDISTRIBUCIONES DE PROBABILIDAD. es una representación gráfica que permite visualizar un experimento de pasos múltiples.
es una representación gráfica que permite visualizar un experimento de pasos múltiples. Considere un experimento que consiste en lanzar dos monedas. Defina los resultados experimentales en términos de
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 detallesEstadística I Tema 4: Probabilidad
Estadística I Tema 4: Probabilidad Tema 4. Probabilidad Contenidos Experimentos aleatorios, espacio muestral, sucesos elementales y compuestos. Definición de probabilidad. Propiedades. Probabilidad condicionada
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesVariables Aleatorias Discretas
Profesor Alberto Alvaradejo Ojeda 9 de septiembre de 2015 Índice 1. Variable aleatoria 3 1.1. Discretas...................................... 3 1.2. Continuas..................................... 3 1.3.
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 detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
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 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 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 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 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 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 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 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 detallesDISTRIBUCIONES DE PROBABILIDAD DISCRETA
Probabilidad DISTRIBUCIONES DE PROBABILIDAD DISCRETA Copyright 010, 007, 004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Combinando métodos descriptivos y probabilidades En este capítulo vamos a
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
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 detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 5 Distribuciones de probabilidad discretas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Distinguir las características de las distribuciones de
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 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 detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 4 Distribución de Probabilidades Distribución de Probabilidades Distribución de Probabilidades Variables Aleatorias: Discreta y Continua Función Densidad
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 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 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 detallesUnidad II Distribuciones de Probabilidad
Unidad II Distribuciones de Probabilidad Última revisión: 25-Septiembre-2009 Elaboró: Ing. Víctor H. Alcalá-Octaviano Página 11 II.1 Variables aleatorias discretas y continuas En gran número de experimentos
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 4 Distribución de Probabilidades Distribución de Probabilidades Distribución de Probabilidades Variables Aleatorias: Discreta y Continua Función Densidad
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 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 detallesUNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA 3: VARIABLES ALEATORIAS DISCRETAS Profesores: Jaime Arrué A. - Hugo S. Salinas. Primer Semestre
Más detallesVARIABLES ALEATORIAS CONTINUAS 1º Bto. CC.SS.
VARIABLE ALEATORIA CONTINUA VARIABLES ALEATORIAS CONTINUAS º Bto. CC.SS. Una variable aleatoria es continua si puede tomar, al menos teóricamente, todos los valores comprendidos en un cierto intervalo
Más detallesEjemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }. Si la moneda no está trucada, p = 1.
Capítulo 4 Modelos de probabilidad 4.1 Modelos discretos 4.1.1 Pruebas de Bernoulli Definición 4.1.1. Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados se agrupan en dos conjuntos
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 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 detalles04 Funciones de masa de probabilidad discretas. Contenido. Sobre la selección de las FMPs/FDPs. FMP de Bernoulli
04 Funciones de masa de probabilidad discretas Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales FMPs Bernoulli FMPs binomial FMPs Poisson FMP geométrica Contenido
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 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 detallesPrueba Integral Lapso /5
Prueba Integral Lapso 204-2 737-747 /5 Universidad Nacional Abierta Introducción a la Probabilidad (Cód. 737) Probabilidad (Cód. 747) Vicerrectorado Académico Cód. Carrera: 236-280 - 508 Fecha: 07 03 205
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 detallesObjetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
PROBABILIDAD Tema 2.2: 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
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 detallesReconocer la distribución binomial y el contexto de su aplicación. Calcular probabilidades para variables aleatorias binomiales.
TALLER NRO 1 DE ESTADISTICA 2 OBJETIVOS GENERALES Reconocer la distribución binomial y el contexto de su aplicación. Calcular probabilidades para variables aleatorias binomiales. Reconocer la distribución
Más detalles[ ] [ 0,5( )] [ ] 0,5
85.-Si el 0,5 % de las piezas que fabrica una máquina son defectuosas. Cuál es la probabilidad de obtener alguna pieza defectuosa de 0? X número de piezas defectuosas de 0 x B(0,0,05) Px ( > 0) Px ( 1)
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallescontablemente infinito.
III. Variables aleatorias Discretas y sus Distribuciones de Probabilidad 1 Variable aleatoria discreta Definición Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados posibles.
Más detallesRelación 4. Modelos discretos de distribuciones.
Relación 4. Modelos discretos de distribuciones. 1. Si se lanzan dos dados diez veces al aire, cuál es la probabilidad de que en más de la mitad de las ocasiones se obtenga una suma par de puntos? 2. Una
Más detallesGuía de Modelos Probabilísticos
Guía de Modelos Probabilísticos 1. Distribución Binomial 1. Una máquina produce cierto tipo de piezas de las cuales el 5 % son defectuosas. Se seleccionan en forma independiente 5 piezas al azar. Calcule
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 detallesTEMA 1.- PROBABILIDAD.-CURSO 2016/2017
TEMA 1.- PROBABILIDAD.-CURSO 2016/2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA SEGUNDA PRUEBA PARCIAL Profesor: Hugo S. Salinas. Segundo Semestre 2008 1. El problema de Galileo.
Más detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0.75(1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
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 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 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 detalles