Cepi M3 L3 V1

?

Facultad de Ingenierías Físico-Mecánicas

Escuela de Ingenierías Eléctrica, Electrónica y de Telecomunicaciones
Centro de Innovación y Desarrollo para la Investigación en Ingeniería del Software
CONSTRUIMOS FUTURO
0
V

Líneas de Investigación:
Calidad, Ingeniería, Sistemas y

Modelado Organizacional de
Conocimiento
Escuela de Ingeniería
¦

Eléctrica, Electrónica y de

Telecomunicaciones
Tecnología y Estándares en Ingeniería

de Sistemas Software
¦


CONSTRUIMOS FUTURO
Telecomunicaciones
?

MÓDULO 3. Probabilidad y Evento aleatorios ó estocásticos
LECCIÓN 3.3. Variables Aleatorias Continuas

? ?: Variables Aleatorias Continuas

a aaa
a

Programa: Ingeniería Eléctrica e Ingeniería Electrónica
Curso: Estadística para Ingenieros CEPI-V1
MÓDULO 3. Prueba de Hipótesis CEPI_M3_V1
LECCIÓN 3.3. Variables aleatorias Continuas CEPI_M3_L3_V1
Domingo, 09 de Enero de 2011

Material aprobado para uso público. Distribución limitada.
CONSTRUIMOS FUTURO
Copyright © CIDLIS±UIS 2005
4
V

9. Agenda Detallada- Módulo 3. Lección 3.
Lección Fecha Exacta Horas

Id Módulo Id. Variables aleatorias Actividades Tareas Trabajo Responsable Duración
Día Mes Año Docencia
Continuas
Preparar: Lección Personal Profesor 2 ,0 4,00
Preparar: Caso Personal Equipo Docencia 1,0 Alumnos
Preparar: Problema Personal Equipo Docencia 1,0 8,00
Inicio Plantear y resolver : Caso Individual Alumnos 1,00 10 Soporte
Plantear y resolver : Problema Individual Alumnos 2,00 8,00
Establecer: Control de Tiempo Personal Equipo Docencia Preparación
G
0,50
Establecer: Relatoría Personal Equipo Docencia 4,00

Test Entrada: Caso y Problema Docencia Alumnos / ED 0,25 Otros

Presentación Docencia Instructor / ED / Al 1,00 24,50
Prueba de 11
Conferencia Ajustes de Caso Docencia Alumnos / ED 0,25
3 Hipótesis 3.1. 0
12 2010
Ajustes de Problema Docencia Alumnos / ED 0,75
estadística
Planificación de Proyecto Docencia Alumnos / ED 0,25
Asistencia Ejecución de Proyecto Docencia Alumnos / ED 1,00 12 /
Seguimiento de Proyecto Docencia Alumnos / ED 0,25 13 (*)
Test Salida: Caso, Problema y Proyecto Docencia Alumnos / ED 0,25
Cierre de proyecto, caso, problema Individual Alumnos 4,00 12/13
Entrega Evidencias de Relatoría. Personal Equipo de Docencia 0,50
14
Cierre Entrega Evidencias: Caso, Problema, Proyecto Individual Alumnos 1,00
Asistencia de Alumnos Personal Alumnos / ED 20,0 10/14
Auditoría Aleatoria Personal Equipo de Docencia 0,50 14
Copyright © CIDLIS± UIS 2010

5
V

Propósito de la Lección
Comprender, entender, definir, conceptualizar y aplicar
el concepto de Variables aleatorias continuas para:
G


6
V

Guión de la Lección
1. Registro de Preguntas de Caso y Problema.
2. Revisión de requisitos de ³Entrada de la Conferencia´.
3. Test de Entrada. Caso y Problemas.
4. Contenido de la Presentación de la Conferencia
G

5. Ajustes de Caso y Problema
6. Guías de planeación y seguimiento del Proyecto de clase.
7. Test de Salida: Caso, Problema y proyecto.
8. Cierre.

7
V

4. Conferencia No. 3.1.: PRUEBA DE HIPÓTESIS.
Hipótesis
Muestra
SELECCIÓN DE UN MODELO
Población
COMPROBAR
Tesis

8
V

LA DIFERENCIA ENTRE VARIABLES CONTINUAS Y DISCRETAS
Variables Continuas y Discretas del Grano de Quinua

Banco de Germoplasma, Estación Experimental Patacamaya, Bolivia.
ü El Programa Quinua del Instituto Boliviano de Tecnología Agropecuaria conserva un banco
de germoplasma que cuenta con 2511 accesiones procedentes de diversos países andinos.
ü Para que esta colección sea de valor para botánicos y fitomejoradores, es necesario
caracterizar los rasgos morfológicos y agronómicos de cada accesión.
ü Conocer la variabilidad de la semilla de quinua y determinar los estándares del
comportamiento de la saponina hidrolizada del grano de quinua se caracteriza en base a
descriptores de variables continuas y discretas.
ü Al aplicar métodos estadísticos de análisis de componentes y conglomerados en 2 grupos:
grano amargo (74.44% de colección) y grano dulce (25.51%)
Accesión es una unidad de conservación (muestra de semillas o plantas o cualquier órgano

reproductivo identificado con un número o código distinguido en un germoplasma. El
término se usa porque el material genético se ³accesa´ a un banco de germoplasma.

9
V

LA DIFERENCIA ENTRE VARIABLES CONTINUAS Y DISCRETAS
ü

=
ü V

6

6

6

6

ü V

6

6
6


10
V

LA DIFERENCIA ENTRE VARIABLES CONTINUAS Y
DISCRETAS
ü


11
V

DIFERENCIA ENTRE VARIABLES CONTINUAS Y DISCRETAS

Aspecto Color
ü V

!"

ü V

"#

$%&'#%()'

Color
ü%
$!'"#()

.

* +

$#%'-.()
ü,,#%
$-'#,() '

/ Borde
ü.!

ü,,""

ü%!0
ü"1-
'
ü"-- üV
$
)
ü ,%
'

'

12
V

Los objetivos de esta conferencia permiten:
6 Intuir la definición genérica de variable aleatoria y establecer un

modelo de estudio de variables aleatorias continuas.
6 Conceptualizar y entender como definir y usar la función de
probabilidad de una o varias variables aleatorias continuas
asociadas con eventos aleatorios.
6 Entender el concepto de Función de distribución de una variable o
varias aleatorias continuas.
6 Apreciar las propiedades de la función de distribución de
probabilidad de una variable aleatoria discreta.
6 Analizar la estadística descriptiva (medidas de centro y de
dispersión) de las funciones de probabilidad y de distribución
variables aleatoria discreta.
6 Entender y utilizar las leyes de distribución (funciones especiales)
de variables aleatorias continuas.

13
V

Recordar:
VARIABLES ALEATORIAS
ü La variable X no recibe el calificativo de aleatoria por el hecho de atribuir,
imprevisiblemente, un valor cualquiera a un elemento sino porque no se
sabe qué evento (elemento) de E ocurrirá.
ü El hecho de codificar los eventos en números reales ó enteros plantea el

uso del concepto de composición de funciones.
ü
ü Estas lecciones deben consolidar conceptos de temas anteriores del

curso, junto con su nueva designación y aunque los nombres son nuevos,
los conceptos no lo son.

14
V

Recordar
Nombre Representación
Función típica X ~ acrónimo (X; parámetros)
Uniforme X ~ UC (X; [a,b]) el parámetro el intervalo [a, b] el número de
Continua infinitas observaciones
Significado
Esta VA continua, conocida como Distribución Uniforme Continua, es la más simple

de las distribuciones en los mecanismos aleatorios asociados a experimentos de
calibración y muchos fenómenos de barrido (lectura a disco, CD, ...) con velocidad
uniforme y tiempos de búsqueda.
Esta ley de probabilidad plantea que al hacer un experimento aleatorio, el valor de X
este comprendido en cierto sub-intervalo de [a,b] depende únicamente de la
longitud del mismo, no de su posición, es decir, en la distribución uniforme
continua, la probabilidad de todos los puntos del intervalo, es la misma .

15
V

Recordar
Función típica X ~ acrónimo (X; parámetros)
Uniforme X ~ UC (X; [a,b]) el parámetro el intervalo [a, b] el número de
Continua infinitas observaciones
Gráfico
Función de
Masa de
Probabilidad Función de
distribución

16
V

Recordar
Uniforme Continua X ~ UC (X; [a,b]) el parámetro el intervalo [a, b] el número de infinitas

observaciones
Estadística Descriptiva
Centro Dispersión Forma Posición

A å å á índices Cuantíles

v u

Aplicación
*
" -./1 $ !"
± ! "
!G#
$
% &
'! ! (G)& *
$

! $ )+&
,

17
V

Variable Aleatoria Continua: Momentos
ü Momento de orden r ( r ) a ü La esperanza matemática es el momento
de primer orden

6

O
áO
6

6A O

6 A

á O
ü Momento central de orden r, m (r), a: ü

6

O

6

6A
O
6
ü La varianza es el momento central de segundo orden
áO
6

6

6A á O
6

18
V

Variable Aleatoria Continua: Función Característica
ü Para una VA se define función característica a Kàþ à

6 Ou
6
6
?

6
6 O u
6A
O Oá O

ü Esta función también conocida como transformada de Fourier
de f, plantea con la función característica se puede determinar
la función de distribución de la v.a. y recíprocamente.
ü Teorema de Chevichev:
ü Función generatriz de Momentos

19
V

Variable Aleatoria Continua
ü Variables aleatorias continuas:
ü Uniforme o rectangular
ü Exponencial.
ü Normal
ü Gamma:
ü Chi-cuadrado (funciones de distribución muestral, módulo 5)
ü Exponencial negativa
ü t-Student (funciones de distribución muestral, módulo 5)
ü Beta (funciones de distribución muestral, módulo 5)
ü F de snedecor (funciones de distribución muestral, módulo 5)

20
V

Leyes de Distribución: Exponencial
Exponencial _
Significado
La distribución exponencial es el equivalente continuo de la distribución
geométrica discreta. Esta ley de distribución describe procesos en los que:
ü Interesa saber el tiempo hasta que ocurre determinado evento, sabiendo
que, el tiempo que pueda ocurrir desde cualquier instante t, hasta que
ello ocurra en un instante tf, no depende del tiempo transcurrido anterior.
Ejemplos tipo:
ü El tiempo que tarda una partícula radiactiva en desintegrarse.
ü El tiempo que puede transcurrir en un servicio de urgencias hasta la llegada
de un paciente;
ü Proceso de Poisson donde se repite sucesivamente un experimento a
intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de
dos sucesos consecutivos sigue un modelo probabilístico exponencial.

21
V

Exponencial _
Gráfico
Función de
distribución
Función de
Masa de
Probabilidad

22
V


Exponencial
_
Índices Cuantíles
_
_
Aplicación
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos
sigue una distribución exponencial con media de 16 años. ¿Cuál es la
probabilidad de que a una persona a quién se le ha implantado este
marcapasos, se le deba reimplantar otro antes de 20 años? Si el
marcapasos lleva funcionando correctamente 5 años en un paciente.
(_=1/16)

23
V

Leyes de Distribución: Normal
Normal ( o Gaussiana) m !
Significado
üUna gran mayoría de las v.a continuas (las v.a discretas pueden
aproximarse por la ley gaussiana) de la naturaleza siguen esta distribución.
üSe dice que una v.a. X sigue una distribución normal de parámetros y 2.
ü³Origen, en errores de medición´, propuesta por matemático Gauss,
expresa que los errores de medición se aproximan a la curva normal de
errores. Tres razones de uso: (1) Interés en mediciones de diversas
magnitudes, sometidas a errores que, típicamente, se modelan como una
distribución normal. (2) Propiedades estadísticas y probabilísticas, su
cálculo de interés estadístico, es relativamente sencillo. (3) El Teorema
Central del Limite asegura que, para muestras grandes y bajo condiciones
apropiadas, muchas observaciones se aproximan, en distribución, a la
normal.

24
V

Normal m !
Gráfico
Función de
Masa de
Probabilidad Función de
distribución

25
V

Normal
E [X] = µ índices Cuantíles
(0 estándar) (1estándar)
Aplicación
Supongamos que cierto fenómeno pueda ser representado mediante una v.a. X con N(45, 81), y
queremos calcular la probabilidad de que X tome un valor entre 39 y 48, es decir,

26
V

Estimación de tamaño de muestra
El tamaño de la muestra refiere al número de unidades que se incluirán en el
estudio,, tamaño conveniente para comprobar seguridad y precisión
estudio precisión.. Para
calcular el tamaño hay que tener en cuenta:
cuenta:
(1) Porcentaje de confianza,
confianza, con el cual se quiere generalizar los datos
desde la muestra hacia la población total.
total.
(2) Porcentaje de error para aceptar al momento de hacer la
generalización..
generalización
(3) Variabilidad del parámetro a estimar
estimar.. Variabilidad positiva (p) y
negativa (q), porque p y q son complementarias.
complementarias. Si se habla de la
máxima variabilidad los valores de variabilidad pueden ser p = q = 0.5 ó
el porcentaje que se considere adecuado para el caso
caso..
Tamaño de Muestra.
Muestra. Si el tamaño de la muestra o población es infinito o no
se conoce con precisión su tamaño, la formula que se utiliza es:
es:

r å

Si se conozca el tamaño de

la población, entonces se aplica la

siguiente fórmula:
fórmula:
r å å

å
r å å


27
V


28
V


29
V

Leyes de Distribución: Gamma
Gamma:
_ !
Significado
La distribución gamma (Laplace, 1836), esta denotada por dos

parámetros denominados parámetros de escala (_) y de forma (k).
Es decir, al variar k varía la forma de la distribución, mientras que
al variar (_) sólo varía la escala de la distribución.
Esta distribución se ha aplicado a los tiempos de vida de sistemas
eléctricos y mecánicos, a la abundancia de especies animales, a
períodos de incubación de enfermedades infecciosas, etc.

30
V

Gamma _ !
Gráfico
Función de Función de
Masa de distribución
Probabilidad

31
V

Gamma _ !
E(X)=k/ _ Var(X)=k/ _2 índices Cuantíles
Aplicación:
Como ejemplo, calcular la probabilidad acumulada en el punto
X=1 con parámetros de escala y de forma igual a 30, de forma
que P (X 1)=0.524283.

32
V

Leyes de Distribución: Exponencial negativa
Exponencial negativa
Significado
Es un caso especial de la distribución gamma. se aplica tanto en teoría de colas
como en problemas de confiabilidad. Se usa en problemas de tiempo entre las
llegadas en instalaciones de servicio y el tiempo de falla de componentes y sistemas
eléctricos. Las aplicaciones más importantes de la distribución exponencial son
aquellas situaciones en donde se aplica el proceso de Poisson (utilizada para
calcular la probabilidad de números específicos de ³eventos´ durante un período o
espacio particular). En muchas aplicaciones, el período o la cantidad de espacio es
la variable aleatoria; ejemplo,

!. La relación entre
la distribución exponencial y el proceso Poisson es bastante simple; la distribución
de Poisson se desarrolló como una distribución de un solo parámetro _, donde _
puede interpretarse como el número promedio de eventos por unidad de ³tiempo´. Si
se considera la variable aleatoria descrita por el tiempo que se requiere para que
ocurra el primer evento, se utiliza la distribución de Poisson.

33
V

Exponencial negativa X ~ EN ()
Gráfico

Función de

densidad Función de

distribución


34
V

Exponencial negativa X ~ EN ()
E(X)= Var (X)=2 índices Cuantíles
Aplicación:
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
falla en años está dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla . Sí 5 de estos componentes
se instalan en diferentes sistemas, ¿cuál es la probabilidad de que al menos 2
continúen funcionando después de 8 años?
Solución: La probabilidad de que un determinado componente esté
funcionando aún después de 8 años es:

35
V

Modelo De Trabajo

36
V

5. Ajustes de Caso y Problema

ü Resolución de Preguntas de Caso y Problema
ü Plan para ajuste de Caso y Problema

37
V

7. Guía para la planeación y seguimiento de Proyecto de clase.
1. Planteamiento de equipo de docencia.

Segunda parte del proyecto
Estado de avance:
2. Selección de procesos por analizar.
Presentación de estado de avance:
¿Hay variables aleatoria en su estudio?
¿Cuáles son variables estocásticas discretas?
¿Que modelo reporesentan?
reporesentan?

38
V

7. Guía para la planeación y seguimiento de Proyecto de clase.
1. Planteamiento de equipo de docencia.

Segunda parte del proyecto
Estado de avance:
2. Selección de procesos por analizar.
Presentación de estado de avance:
¿Hay variables aleatoria en su estudio?
¿Cuáles son variables estocásticas discretas?
¿Que modelo reporesentan?
reporesentan?

39
V

8. Test de Salida: Caso, Problema y proyecto.
ü Se hace después de la actividad de Proyecto de Clase.

40
V

9. Cierre.
ü Entrega de Actividades por parte de todos los equipo.

ü Balances de las acciones.
ü Acciones de Mejora.
ü Auditoría
ü Cierre de Relatoría.

&G
V

Líneas de Investigación:
Calidad, Ingeniería, Sistemas y

Modelado Organizacional de
Conocimiento
¦


Telecomunicaciones
Tecnología y Estándares en Ingeniería

de Sistemas Software
¦


CONSTRUIMOS FUTURO

Cepi M3 L3 V1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cepi M3 L3 V1

Hochgeladen von

Copyright:

Verfügbare Formate

?

Facultad de Ingenierías Físico-Mecánicas

Calidad, Ingeniería, Sistemas y

Tecnología y Estándares en Ingeniería

¦    

Facultad de Ingenierías Físico-Mecánicas

MÓDULO 3. Probabilidad y Evento aleatorios ó estocásticos

LECCIÓN 3.3. Variables Aleatorias Continuas

Domingo, 09 de Enero de 2011

9. Agenda Detallada- Módulo 3. Lección 3.

Lección Fecha Exacta Horas

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Variables Continuas y Discretas del Grano de Quinua

Accesión es una unidad de conservación (muestra de semillas o plantas o cualquier órgano

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Los objetivos de esta conferencia permiten:

6 Intuir la definición genérica de variable aleatoria y establecer un

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

ü El hecho de codificar los eventos en números reales ó enteros plantea el

ü Estas lecciones deben consolidar conceptos de temas anteriores del

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Esta VA continua, conocida como Distribución Uniforme Continua, es la más simple

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Uniforme Continua X ~ UC (X; [a,b]) el parámetro el intervalo [a, b] el número de infinitas

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

ü Momento central de orden r, m (r), a: ü

Copyright © CIDLIS± UIS 2010

O Oá   O 

ü Función generatriz de Momentos

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

Domingo, 09 de Enero de 2011

Copyright © CIDLIS± UIS 2010

¦

O Oá O

¦