Modelos Probabilisticos

Mtodos Estadsticos
Tema : Modelos probabilsticos
Tema: Modelos probabilisticos

Estadstica. Facultad de Matemticas
Espacio Muestral
Algunos conceptos:
Un experimento aleatorio es cualquier

operacin cuyo resultado no puede predecirse
con exactitud.
Cuando se realiza un experimento aleatorio

diversos resultados son posibles. El conjunto
de todos los resultados posibles se llama
espacio muestral (S).
Cada uno de los elementos del espacio muestral

es llamado punto muestral.
Ejemplos:
1. Se tira un dado a la vez. El experimento consiste en lanzar
un dado. El espacio muestral es:
S={1, 2, 3, 4, 5, 6}
Tema: Modelos probabilsticos
2. Se selecciona al azar una persona entre el estudiantado de

una universidad. El experimento consiste en seleccionar un
estudiante de entre el estudiantado completo. El espacio
muestral para el experimento sera:
S={Todos los estudiantes que se pudieran elegir}
=La lista de todos los estudiantes de dicha
universidad al momento de hacer la seleccin
={x| x es un estudiante de dicha universidad}
3. Se lanzan dos monedas. El experimento es
justamente lanzar dos monedas. El espacio muestral
sera:
S={AA, SS, AS, SA}
Un subconjunto del espacio muestral (una parte de S) es

llamado evento o suceso. As por ejemplo
1. A={1,3,5}= nmeros impares al lanzar un
dado.
2. B=El estudiante debe ser de primer semestre
de licenciatura.
3. Resulta al menos un A (aguila), al lanzar dos
monedas.
son ejemplos de eventos de los ejemplos anteriores, respectivamente.
Cuando el evento tiene slo un punto muestral se dice que es un
evento simple.
Variable aleatoria
Note que los puntos muestrales pueden ser objetos muy concretos,
tales como los resultados de lanzar un dado, los estudiantes, los
resultados AA, SS, AS, SA del lanzamiento de dos monedas. Y
como tales poseen diversas cualidades, algunas de las cuales son
medibles.
Por ejemplo, un estudiante tiene peso,
estatura, edad; su aprovechamiento en
alguna materia puede medirse por el
promedio que obtuvo; lo hacen nico
algunas cualidades fisicas como sexo, color
de ojos, si es gordo o flaco, etc.
Ejemplo: Sea S una poblacin humana que consiste en n

individuos, que podemos denotar por
S={s1, s2, ..., sn},
Si nos interesa su distribucin de edad, podemos denotar por A(s)
la edad de s. As pues, a cada s est asociado un nmero A(s) de
ciertas unidades, por ejemplo aos. Por consiguiente, la
aplicacin
A(s)
es una funcin cuyo dominio (los valores s) es el espacio muestral

S, y los resultados de la aplicacin son nmeros enteros o reales.
De forma parecida podemos denotar la estatura, el peso o los

ingresos anuales mediante las funciones:
s
s
s
H(s)
W(s)
I(s)
En este ltimo caso, puede que I tome valores negativos!!. Por otra
parte, puede que una combinacin lineal de peso y estatura d
medida adecuada en ciertas cuestiones de inters medico:
H(s)+W(s)
Siendo y dos nmeros. Se tiene tambien as una funcin de s.

Analogamente, si s es una cabeza de familia, alias el ganador
del pan, puede que a la oficina del censo le interese calcular la
funcin
I(s)/N(s)
siendo N(s) el nmero de personas de su familia, a saber, de bocas

a alimentar. El cociente anterior representa la renta per capita de
la familia.
Definicin [Variable aleatoria]: Una funcin X de s,

de valores nmericos, cuyo dominio es S:
sS: s
X(s)
se llama variable aleatoria.
Ejercicios:
1. Un fabricante tiene cinco terminales de computadoras
aparentemente idnticas listas para ser enviadas a su destino. l
no sabe que dos de las cinco son defectuosas. Recibe un pedido
especial de dos terminales y lo surte seleccionando al azar dos
de las cinco disponibles.
i). Obtenga el espacio muestral para este experimento.
ii). Sea A el evento en que el pedido se surte con dos terminales no
defectuosas. Liste los puntos muestrales de A.
iii). Asigne las probabilidades a los eventos simples de tal manera
que la informacin en el problema se utilice.
iv). Encuentre la probabilidad del evento evento A.
v). Si X(e) es la variable aleatoria que cuenta el nmero nmero de
terminales defectuosas, liste los valores de X(e) para cada punto
muestral.
2. Considere el problema de seleccionar dos aspirantes de un

grupo de cinco para un empleo, e imagine que los aspirantes
difieren en su grado de preparacin, 1 es el mejor, 2 es el
segundo mejor, y as sucesivamente para 3, 4 y 5. El jefe de
personal naturalmente no sabe nada de esta clasificacin.
Defina dos eventos A y B como
A: El jefe de personal selecciona el mejor y uno de los dos peores
aspirantes (aspirantes 1 y 4 o bien 1 y 5).
B: El jefe de personal selecciona al menos uno de los dos mejores.
i). Listar los elementos del espacio muestral.
ii). Determinar las probabilidades de los eventos A y B.
iii). Si X((e1,e2)) es la variable aleatoria que cuenta el nmero de
empleados que se consideran mejores (los empleados 1 y 2).
Liste el valor de X((e1,e2)) para cada punto muestral.
3. Se hacen tres lanzamientos de una moneda. Sea X((l 1,l2,l3)) la

variable aleatoria que cuenta el nmero de caras.
i). Obtenga el espacio muestral para este experimento.
ii). Asigne las probabilidades a los eventos simples .
iii). Liste los valores que puede tomar X((l1,l2,l3)).
iv). Determine la probabilidad de que cuando mucho caigan dos
caras.
Distribuciones de probabilidad
Funcin de probabilidad (V. Discretas)
Asigna a cada posible valor

de una variable discreta su
probabilidad. Es decir:
f(xi)=P(X= xi)
40%
35%
30%
25%
20%
Ejemplo
Nmero
de caras al lanzar 3
monedas.
15%
10%
5%
0%
0
Funcin de densidad (V. Continuas)
Definicin
Es una funcin no negativa de integral 1.

Pinsalo como la generalizacin del
histograma con frecuencias relativas
para variables continuas.
Para qu lo voy a usar?

Nunca lo vas a usar directamente.
Sus valores no representan probabilidades.
Para qu sirve la f. densidad?
Muchos procesos aleatorios vienen descritos por variables de forma

que son conocidas las probabilidades en intervalos.
La integral definida de la funcin de densidad en dichos intervalos

coincide con la probabilidad de los mismos.
Es decir, identificamos la probabilidad de un intervalo con el rea bajo

la funcin de densidad.
Funcin de distribucin
Es la funcin que asocia a cada valor de una

variable, la probabilidad acumulada
de los valores inferiores o iguales.
Se representa por F(x). As,
F(xi)=P(X xi)
Pinsalo como la generalizacin de las

frecuencias acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden

valores de la funcin de distribucin cercanos a cero.
A los valores extremadamente altos les corresponden

valores de la funcin de distribucin cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en forma

de p-valor, significacin,
Valor esperado y varianza de una v.a. X
Valor esperado
Se
representa mediante E[X]

Es el equivalente a la media
Varianza
Se
representa mediante VAR[X] o 2

Es el equivalente a la varianza
Se llama desviacin tpica a
Algunos modelos de variables aleatorias
Hay variables aleatorias que aparecen con frecuencia en

las Ciencias de la Salud.
Experimentos dicotmicos.
Bernoulli
Contar xitos en experimentos dicotmicos repetidos:

Binomial
Poisson (sucesos raros)
Y en otras muchas ocasiones

Distribucin normal (gaussiana, campana,)
El resto del tema est dedicado a estudiar estas

distribuciones especiales.
Distribucin de Bernoulli
Tenemos un experimento de Bernoulli si al realizar un

experimentos slo son posibles dos resultados:
X=1 (xito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)
Lanzar una moneda y que salga cara.
Elegir una persona de la poblacin y que est enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que ste se cure.
p=1/2
p=95%, probabilidad de que el individuo se cure
Como se aprecia, en experimentos donde el resultado

es dicotmico, la variable queda perfectamente
determinada conociendo el parmetro p.
Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de trfico

con impacto frontal, y cuyos conductores no tenan
cinturn de seguridad,, que 300 individuos quedaron
con secuelas. Describa el experimento usando
conceptos de variable aleatoria.
Solucin.
S={Los 2000 accidentes de trfico con impacto frontal}.

A={Los 300 individuos que quedaron con secuelas}.
La probabilidad de tener secuelas es 300/2000=0.15=15%
X=tener secuelas tras accidente sin cinturn es variable de Bernoulli
X=1 tiene probabilidad p = 0.15
X=0 tiene probabilidad q=1-p= 0.85
Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de trfico

con impacto frontal, y cuyos conductores s tenan
cinturn de seguridad, que 10 individuos quedaron con
secuelas. Describa el experimento usando conceptos de
variable aleatoria.
Solucin.
S={Los 2000 accidentes de trfico con impacto frontal}.

B={Los 10 individuos que quedaron con secuelas}.
La probabilidad de tener secuelas es 10/2000=0.005
X=tener secuelas tras accidente usando cinturn es variable de
Bernoulli
X=1 tiene probabilidad p = 0.005
X=0 tiene probabilidad q = 1-p = 0.995
Observacin
En los dos ejemplos anteriores hemos visto cmo enunciar los

resultados de un experimento en forma de estimacin de
parmetros en distribuciones de Bernoulli.
Sin cinturn: p = 15%

Con cinturn: p = 0.5%
En realidad no sabemos en este punto si ambas cantidades son

muy diferentes o aproximadamente iguales, pues en otros estudios
sobre accidentes, las cantidades de individuos con secuelas
hubieran sido con seguridad diferentes.
Para decidir si entre ambas cantidades existen diferencias

estadsticamente significativas necesitamos introducir conceptos
de estadstica inferencial (extrapolar resultados de una muestra a
toda la poblacin).
Ejercicios
Se ha observado que un jugador de baloncesto al
realizar 20 tiros libres, 15 son anotaciones. Describa el
experimento usando conceptos de variable aleatoria.
2. Un estudiante presenta un examen de seleccin mltiple
que contiene 8 preguntas cada una con 3 respuestas
opcionales. Suponga que el estudiante esta adivinando
al responder a cada pregunta. Cal es la probabilidad
de que el estudiante responda correctamente a cada
pregunta?.
3. De una poblacin de 15 000 votantes registrados, 800
estan a favor del candidato Gmez. Cal es la
probabilidad de que Gmez gane las elecciones (en este
momento)?.
1.
Distribucin Binomial
Si se repite un nmero fijo de veces, n, un experimento de

Bernoulli con parmetro p, el nmero de xitos sigue una
distribucin binomial de parmetros (n,p). Se denotar B(n,p).
Lanzar una moneda 10 veces y contar las caras.
Lanzar una moneda 100 veces y contar las caras.
Bin(n=10,p=1/2)
Bin(n=100,p=1/2)
Difcil hacer clculos con esas cantidades. El modelo normal ser ms adecuado.
El nmero de personas que enfermar (en una poblacin de 500.000

personas) de una enfermedad que desarrolla una de cada 2000
personas.
Bin(n=500.000, p=1/2000)
Difcil hacer clculos con esas cantidades. El modelo de Poisson ser ms
adecuado.
Distribucin binomial
Funcin de probabilidad
n k nk
B( X ; n, p ) P[ X k ] p q , 0 k n
k
Problemas de clculo si n es grande y/o p cercano a 0 o 1.
Media: =n p
Varianza: 2 = n p q
Ejemplo
La experiencia a demostrado que el 50% de todas las personas afectadas
por cierta enfermedad, se recupera. Una compaa farmacutica desarrollo
una nueva vacuna. Se seleccionaron al azar 10 personas con la
enfermedad en cuestin y se les administro la vacuna; poco despus
nueve se recuperaron. Cul es la probabilidad de que al menos nueve de
10 personas infectadas se recupere?
Solucin:
Sea X el nmero de personas que se recuperan. Si la vacuna no funciona la
probabilidad de que la persona se recupere es p=0.5. Si el nmero de
pruebas es n=10, entonces la probabilidad que se pide es
10
P[ X 9] P X k P X 9 P X 10
k 9
0.0098 0.0010 0.0108

Probability Density Function

Binomial with
n = 10 and p = 0.500000
x
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
8.00
9.00
10.00
P( X = x)
0.0010
0.0098
0.0439
0.1172
0.2051
0.2461
0.2051
0.1172
0.0439
0.0098
0.0010
Cumulative Distribution Function

Binomial with
n = 10 and p = 0.500000
x
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
8.00
9.00
10.00
P( X <= x)
0.0010
0.0107
0.0547
0.1719
0.3770
0.6230
0.8281
0.9453
0.9893
0.9990
1.0000
Funcin de distribucin
P(X)
P(X<=k)
0.25
1.0
0.20
0.15
0.5
0.10
0.05
0.0
0.00
0
Nmero de enfermos
10
10
Nmero de enfermos
Ejercicios
1. La probabilidad de que un jugador de baloncesto anote
un tiro libre es de , y sus tiros son independientes.
Suponiendo que puede hacer 5 tiros libres en un juego,
Cul es la probabilidad
a) De que acierte todos los tiros?
b) De que acierte por lo menos 3 tiros?
2. Un estudiante presenta un examen de seleccin mltiple
que contiene 8 preguntas cada una con 3 respuestas
opcionales. Suponer que esta adivinando al responder a
cada pregunta. Cul es la probabilidad
a) De que responda incorrectamente a todas las
preguntas?
b) De que responda correctamente al menos 6 preguntas?
Ejercicios
3. Un inversionista compra cinco viviendas como parte de un plan de
inversion. Suponer que la probabilidad de obtener utilidad en cada
una de ellas es de 0.9. Suponiendo que hay independencia,
a) Cul es la probabilidad de que obtenga utilidad en todas las
viviendas?.
b) Cul es la probabilidad de que no obtenga utilidad en ninguna de
las viviendas?.
4. Una nueva tcnica quirrgica tiene una probabilidad p de xito.
Supngase que la opercin se efectua cinco veces y que los
resultados son independientes uno de otro.
a) Cul es la probabilidad de que las cinco operaciones sean
exitosas, si p=0.8?
b)
Cul es la probabilidad de que al menos cuatro operaciones
sean exitosas, si p=0.6?
c) Cul es la probabilidad de que menos de dos operaciones sean
exitosas, si p=0.8?
Distribucin Poisson
La segunda distribucin de probabilidad que consideraremos es la

distribucin poisson, la cual esta relacionada con la variable
nmero de eventos aleatorios por unidad de tiempo.
El nmero de partculas radiactivas que pasan a travs de un

contador durante un milisegundo en un experimento de laboratorio.
Nmero de llamadas que recibe una telefonista en 10 minutos.
Nmero de accidentes automovilsticos en un cruce en particular

durante un periodo de una semana.
Distribucin poisson
e t ( t )k
p( X ; t ) P [ X k ]
, k 0,1,2,...
k!
Media: = t
0.3
Varianza: 2 = t
P(X=k)
0.2
0.1
0.0
0
10
15
Nm. llamadas
Ejemplo
Los clientes en un supermercado se forman en la caja 3 a razn de 4 por
minuto. Cul es la probabilidad de que por lo menos un cliente se forme
en dicha cola en cualquier periodo de 30 segundos (1/2 minuto)?.
Solucin:
Sea X el nmero de clientes que llegan a la caja 3. Se tiene que el promedio
de llegadas por minuto es de =4 y, por lo tanto, el promedio de llegadas
cada medio minuto es t=/2=2. Entonces
P[ X 1] 1 P[ X 1] 1 P[ X 0]
t 0e t
2 0 e 2
1
1
0.865
0!
0!
P(X=k)
0.3
0.2707 0.2707
0.25
0.1804
0.2
0.15
0.1353
0.0902
0.1
0.05
0.0361
0.012
0.0034 0.0009 0.0002
Ejercicios
1. Supongase que el nmero de muertes por suicidio en
Manhattan es un proceso de Poisson con parmetro =2
por da. En una semana, Cul es la probabilidad
a) de que al menos haya 10 muertes en este periodo?
b) de que haya menos de 5 muertes en este periodo?
2. Suponga que el nmero de llamadas que llegan a un
comutador telefnico de una industria es un proceso de
Poisson con parmetro =120 llamadas por hora.
a) Cul es la probabilidad de que no se reciban llamadas
en un minuto?
b) Cul es la probabilidad de que lleguen entre 1 y 5
llamadas en un minuto?
Ejercicios
3. Suponer que las ventas que hace un vendedor de autos
usados se realiza en la misma forma como ocurren los
eventos de un proceso de Poisson con parmetro =1
por semana. Cul es la probabilidad de que haga
(exactamente) 3 ventas en un periodo de dos semanas?
cundo menos 3?3 a lo ms?.
4. El nmero de errores tipogrficos cometidos por una
mecangrafa en particular tiene una distribucin de
Poisson con una media de cuatro errores por pgina. Si
una pgina dada tiene ms de cuatro errores, la
mecangrafa tendr que repetir la pgina entera. Cul
es la probabilidad de que no se tenga que repetir cierta
pagina?.
Distribucin normal o de Gauss
Aparece de manera natural:

Errores
de medida.
Distancia de frenado.
Altura, peso, propensin al crimen
Distribuciones binomiales con n grande (n>30) y p ni
pequeo (np>5) ni grande (nq>5).
Est caracterizada por dos parmetros: La media, ,

y la desviacin tpica, .
2
Su funcin de densidad es:
1
f ( x)
e
2
1 x

N(, ): Interpretacin
geomtrica
Se puede interpretar
la media como un
factor de traslacin.
Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
N(, ): Interpretacin probabilista
Entre la media y una

desviacin tpica
tenemos siempre la
misma probabilidad:
aprox. 68%
Entre la media y dos

desviaciones tpicas
aprox. 95%
Algunas caractersticas
La funcin de densidad es simtrica, mesocrtica y unimodal.

Media, mediana y moda coinciden.
Los puntos de inflexin de la fun. de densidad estn a distancia de .
Si tomamos intervalos centrados en , y cuyos extremos estn

a distancia ,
tenemos probabilidad 68%
a distancia 2 ,
tenemos probabilidad 95%
a distancia 2.5 tenemos probabilidad 99%
Todas las distribuciones normales N(, ), pueden ponerse mediante una

traslacin , y un cambio de escala , como N(0,1). Esta distribucin
especial se llama normal tipificada o normal estandar..
Justifica la tcnica de tipificacin, cuando intentamos comparar
individuos diferentes obtenidos de sendas poblaciones normales.
Tipificacin o Estandarizacin.
Dada una variable de media y desviacin tpica , se denomina

valor tipificado,z, de una observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones tpicas, es decir
x
z
En el caso de variable X normal, la interpretacin es clara: Asigna a

todo valor de N(, ), un valor de N(0,1) que deja exctamente la
misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos distribuciones

normales diferentes, para saber cul de los dos es ms extremo.
Ejemplo
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos

diferentes. Se asignar al que tenga mejor aprovechamiento acadmico.
El estudiante A tiene una calificacin de 8 en un sistema donde la calificacin de los

alumnos se comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde la calificacin de los
alumnos se comporta como N(70,10).
Solucin
No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como

ambas poblaciones se comportan de modo normal, podemos tipificar y observar las
puntuaciones sobre una distribucin de referencia N(0,1)
xA A 8 6
zA
2
A
1
xB B 80 70
zB
1
B
10
Como ZA>ZB, podemos decir que el porcentaje de compaeros del mismo sistema de
estudios que ha superado en calificacin el estudiante A es mayor que el que ha
superado B. Podramos pensar en principio que A es mejor candidato para la beca.
Por qu es importante la distribucin normal?
Las propiedades que tiene la distribucin normal son

interesantes, pero todava no hemos hablado de por qu
es una distribucin especialmente importante.
La razn es que aunque una v.a. no posea distribucin

normal, ciertos estadsticos/estimadores calculados
sobre muestras elegidas al azar s que poseen una
distribucin normal.
Es decir, tengan las distribucin que tengan nuestros

datos, los objetos que resumen la informacin de una
muestra, posiblemente tengan distribucin normal (o
asociada).
Veamos aparecer la distribucin normal
Como ilustracin
mostramos una variable
que presenta valores
distribuidos ms o menos
uniformemente sobre el
intervalo 150-190.
Como es de esperar la
media es cercana a 170.
El histograma no se
parece en nada a una
distribucin normal con la
misma media y
desviacin tpica.
A continuacin elegimos
aleatoriamente grupos de 10
observaciones de las anteriores y
calculamos el promedio.
Para cada grupo de 10 obtenemos
entonces una nueva medicin, que
vamos a llamar promedio muestral.
Observa que las nuevas cantidades
estn ms o menos cerca de la
media de la variable original.
Repitamos el proceso un nmero
elevado de veces. En la siguiente
transparencia estudiamos la
distribucin de la nueva variable.
Muestra
1 2 3
185
190
179
174
169
163
167
170
167
160
159
152
172
179
178
183
175
183
188
159
155
178
152
165
152
185
185
175
152
152
173
169
168
La distribucin de los promedios

muestrales s que tiene distribucin
aproximadamente normal.
La media de esta nueva variable

(promedio muestral) es muy parecida a la
de la variable original.
Las observaciones de la nueva variable

estn menos dispersas. Observa el
rango. Pero no slo eso. La desviacin
tpica es aproximadamente raiz de 10
veces ms pequea. Llamamos error
estndar a la desviacin tpica de esta
nueva variable.
Nada de lo anterior es casualidad.
Teorema central del lmite
Dada una v.a. cualquiera, si extraemos muestras de

tamao n, y calculamos los promedios muestrales, entonces:
dichos promedios tienen distribucin aproximadamente normal;
La media de los promedios muestrales es la misma que la de la variable

original.
La desviacin tpica de los promedios disminuye en un factor raz de n

(error estndar).
Las aproximaciones anteriores se hacen exactas cuando n tiende a infinito.
Este teorema justifica la importancia de la distribucin normal.
Sea lo que sea lo que midamos, cuando se promedie sobre una muestra
grande (n>30) nos va a aparecer de manera natural la distribucin normal.
Distribuciones asociadas a la normal
Cuando queramos hacer inferencia estadstica hemos visto que la

distribucin normal aparece de forma casi inevitable.
Dependiendo del problema, podemos encontrar otras (asociadas):
X2 (chi cuadrado)
t- student
F-Snedecor
Estas distribuciones resultan directamente de operar con

distribuciones normales. Tpicamente aparecen como distribuciones
de ciertos estadsticos.
Veamos algunas propiedades que tienen (superficialmente). Para

ms detalles consultad el manual.
Sobre todo nos interesa saber qu valores de dichas distribuciones

son atpicos.
Significacin, p-valores,
Chi cuadrado
Tiene un slo parmetro

denominado grados de libertad.
La funcin de densidad es
asimtrica positiva. Slo tienen
densidad los valores positivos.
La funcin de densidad se hace

ms simtrica incluso casi
gausiana cuando aumenta el
nmero de grados de libertad.
Normalmente consideraremos
anmalos aquellos valores de la
variable de la cola de la
derecha.
T de student
Tiene un parmetro denominado

grados de libertad.
Cuando aumentan los grados de

libertad, ms se acerca a N(0,1).
Es simtrica con respecto al cero.
Se consideran valores anmalos

los que se alejan de cero
(positivos o negativos).
F de Snedecor
Tiene dos parmetros

denominados grados de
libertad.
Slo toma valores

positivos. Es asimtrica.
Normalmente se
consideran valores
anmalos los de la cola de
la derecha.

Modelos Probabilisticos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelos Probabilisticos

Încărcat de

Drepturi de autor:

Formate disponibile

Mtodos Estadsticos

Tema : Modelos probabilsticos

Tema: Modelos probabilisticos

Un experimento aleatorio es cualquier

Cuando se realiza un experimento aleatorio

Cada uno de los elementos del espacio muestral

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

2. Se selecciona al azar una persona entre el estudiantado de

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Un subconjunto del espacio muestral (una parte de S) es

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Ejemplo: Sea S una poblacin humana que consiste en n

es una funcin cuyo dominio (los valores s) es el espacio muestral

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

De forma parecida podemos denotar la estatura, el peso o los

Siendo y dos nmeros. Se tiene tambien as una funcin de s.

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

siendo N(s) el nmero de personas de su familia, a saber, de bocas

Definicin [Variable aleatoria]: Una funcin X de s,

se llama variable aleatoria.

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Tema: Modelos probabilsticos

2. Considere el problema de seleccionar dos aspirantes de un

Tema: Modelos probabilsticos

3. Se hacen tres lanzamientos de una moneda. Sea X((l 1,l2,l3)) la

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Funcin de probabilidad (V. Discretas)

Asigna a cada posible valor

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Funcin de densidad (V. Continuas)

Es una funcin no negativa de integral 1.

Para qu lo voy a usar?

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Para qu sirve la f. densidad?

Muchos procesos aleatorios vienen descritos por variables de forma

La integral definida de la funcin de densidad en dichos intervalos

Es decir, identificamos la probabilidad de un intervalo con el rea bajo

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Es la funcin que asocia a cada valor de una

Pinsalo como la generalizacin de las

A los valores extremadamente bajos les corresponden

A los valores extremadamente altos les corresponden

Lo encontraremos en los artculos y aplicaciones en forma

Estadstica. Facultad de Matemticas

Tema: Modelos probabilsticos

Valor esperado y varianza de una v.a. X

representa mediante E[X]

representa mediante VAR[X] o 2

Estadstica. Facultad de Matemticas