Distribucion conjunta de variables continuas
|
|
- Asunción Redondo Blanco
- hace 5 años
- Vistas:
Transcripción
1 Distribucion conjunta de variables continuas Matías Carrasco 22 de mayo de Introducción La distribución conjunta de un par de variables aleatorias X e Y es la distribución de probabilidad definida por P (B) = P ((X, Y) B) para subconjuntos B del plano. Entonces P (B) es la probabilidad de que el par aleatorio (X, Y) caiga en el conjunto B. Las distribuciones conjuntas para variables aleatorias discretas se consideraron antes. Este capítulo muestra cómo estas ideas para variables aleatorias discretas se extienden a dos variables aleatorias continuas reemplazando sumas por integrales. 2. Densidad conjunta La noción de densidad de probabilidad ϱ(x, y) en dos variables es una extensión natural de la idea de densidad de probabilidad en dimension uno. La función ϱ(x, y) da la densidad de probabilidad por unidad de área para valores de (X, Y) cercanos a (x, y). Ver la Figura 1. Ya hemos consideramos un caso particular de densidad de probabilidad en el plano cuando vimos probabilidades geométricas. En ese caso, si Ω es una región acotada del plano, y (X, Y) es un punto elegido al azar en esa región, entonces la densidad de probabilidad conjunta del par (X, Y) es ϱ(x, y) = 1/ Ω si (x, y) Ω; si no. En general, cualquier evento determinado por dos variables aleatorias X e Y, como el evento X >,25 e Y >,5, corresponde a una región del plano. Ahora, en lugar de una distribución uniforme definida por áreas relativas, la probabilidad de la región B se describe por el volumen bajo la superficie de densidad sobre B. Este volumen es una integral P ((X, Y) B) = ϱ(x, y)dxdy. Este es el análogo de la familiar interpretación del área bajo la curva para probabilidades obtenidas a partir de densidades en la recta real. Los ejemplos que vienen 1 B
2 Figura 1: Aquí se muestra una función de densidad conjunta particular cuya fórmula es ϱ(x, y) = 5!x(y x)(1 y) para < x < y < 1, y cero en otro caso. muestran cómo tales integrales se pueden calcular mediante integración repetida, cambio de variable o argumentos de simetría. La distribución uniforme en una región es ahora solo el caso especial en el cual ϱ(x, y) es constante en la región y cero en otro lugar. Como regla general, las fórmulas que involucran densidades conjuntas son análogas a las fórmulas correspondientes para distribuciones conjuntas discretas que vimos anteriormente. Informalmente, si (X, Y) tienen densidad conjunta ϱ(x, y), entonces la probabilidad infinitesimal es P (X dx, Y dy) = ϱ(x, y)dxdy. Esto significa que la probabilidad de que el par (X, Y) caiga en un rectángulo infinitesimal de ancho dx y altura dy cerca del punto (x, y) es la densidad de probabilidad en (x, y) multiplicada por el área dxdy del rectángulo. ϱ(x, y) P (X dx, Y dy) = ϱ(x, y)dxdy = volumen de la caja Y dy y x X dx 2
3 Una densidad de probabilidad bi-variada debe cumplir las siguientes dos condiciones ϱ(x, y), y + + ϱ(x, y)dxdy = 1. Si (X, Y) tiene densidad conjunta ϱ(x, y) en el plano, cada una de las variables aleatorias X e Y tiene densidad en la recta. Estas se llaman densidades marginales. Las densidades marginales se pueden calcular a partir de la densidad conjunta mediante integrales análogas a las fórmulas discretas para probabilidades marginales como sumas de filas y columnas en una tabla de contingencia. La probabilidad de puntos discretos se reemplaza por densidades y sumas por integrales: ϱ X (x) = ϱ Y (y) = + + ϱ(x, y)dy; ϱ(x, y)dx. En general, dos variables aleatorias X e Y se dicen independientes si P (X A, Y B) = P (X A) P (X B), para cualquier elección de conjuntos A y B en la recta real. Cuando el par (X, Y) tiene densidad conjunta ϱ(x, y), las variables X e Y son independientes si, y solo si, la densidad conjunta es igual al producto de las densidades marginales ϱ(x, y) = ϱ X (x)ϱ Y (y) para todo x, y R. Intuitivamente, esta ecuación se deduce de la definición tomando A como el intervalo infinitesimal (x, x + dx) y B como el intervalo infinitesimal (y, y + dy), obteniendo así P (X dx, Y dy) = P (X dx) P (Y dy) por lo que ϱ(x, y)dxdy = ϱ X (x)dx ϱ Y (y)dy. Cancelando los infinitésimos se obtiene la formula para las densidades. Recíprocamente, se va de las densidades a las probabilidades integrando. El valor esperado de una función g(x, Y) se puede calcular de forma análoga al caso discreto como E (g(x, Y)) = + + Ejemplo: la uniforme en un triángulo g(x, y)ϱ(x, y)dxdy. Supongamos que (X, Y) se distribuye uniformemente en el triángulo T = {(x, y) : < x < y < 1}. La densidad conjunta de (X, Y) es simplemente ϱ(x, y) = 2 si (x, y) T; si no. 3
4 y 1 y = x 1 x Las densidades marginales son ϱ X (x) = = + y=1 y=x ϱ(x, y)dxdy 2dy (pues ϱ(x, y) = 2 si < x < y < 1 y si no) = 2(1 x) (si < x < 1 y cero si no) ϱ Y (y) = = + x=y x= ϱ(x, y)dxdy 2dx (pues ϱ(x, y) = 2 si < x < y < 1 y si no) = 2y (si < y < 1 y cero si no) Con esto podemos ver que X e Y no son independientes ya que ϱ(x, y) ϱ(x)ϱ(y). Podemos calcular además las esperanza de X ey: E (X) = E (Y) = + + x ϱ X (x) = yϱ Y (y) = 1 1 2x(1 x)dx = 1 3 ; 2ydy = 2 3. Por otro lado, la esperanza del producto E (XY) está dada por E (XY) = + + y=1 x=y y=1 y 3 xyϱ(x, y)dxdy = 2 dy xydx = 2 y= x= y= 2 dy = 1 4 Esto confirma lo dicho anteriormente sobre la independencia de X e Y. Ejemplo: variables exponenciales independientes Sean X e Y independientes con distribución exponencial de parámetros λ y µ respectivamente. Calculemos P (X < Y). La densidad conjunta de (X, Y) es ϱ(x, y) = ( λe λx) µe µy = λ µe λx λy 4
5 para x e y positivos. Esto se deduce de la independencia de X e Y. Luego, la probabilidad P (X < Y) se calcula integrando ϱ(x, y) sobre la región {(x, y) : x < y}: P (X < Y) = λ µe λx λy dxdy = dx λ µe λx λy = x<y x= λe (λ+µ)x dx = λ λ + µ Notar que se obtiene el mismo resultado si se integra en el otro orden, esto siempre es así. 3. Densidad condicional Esta sección trata las probabilidades condicionales dado el valor de una variable aleatoria X con distribución continua. En el caso discreto, la probabilidad condicional de un evento A, dado que X tiene un valor x, se define por x= y=x P (A X = x) = P (A, X = x) P (X = x), siempre que P (X = x) >. En el caso continuo P (X = x) = para todo x, entonces la fórmula anterior da la expresión indefinida /. Esto debe ser reemplazado, como en la definición usual del cálculo de una derivada dy/dx, por lo siguiente: P (A X = x) = P (A X dx) P (X dx) Intuitivamente, P (A X = x) debe entenderse como P (A X dx), la probabilidad de A dado que X cae en un intervalo muy pequeño cerca de x. Aquí se supone que en el límite de pequeños intervalos, esta posibilidad no depende de qué intervalo se elija cerca de x. Entonces, como una derivada dy/dx, P (A X dx) es una función de x, de ahí la notación P (A X = x). En términos de límites, P (A, X x) P (A X = x) = l ım P (A X x) = l ım x x P (X x) en donde x denota un intervalo de longitud x que contiene al punto x. Aquí se supone que el límite existe, excepto quizás para un número finito de puntos excepcionales x, como los puntos finales de un intervalo que define el rango de X, o lugares donde la densidad de X tiene una discontinuidad. A menudo, el evento A de interés está determinado por alguna variable aleatoria Y, por ejemplo A = {Y > 3}. Si (X, Y) tiene densidad conjunta ϱ(x, y), entonces P (A X = x) se puede calcular mediante integración de la densidad condicional de Y dado X = x, definida de la siguiente manera: 5
6 Densidad condicional de Y dado X = x Si X e Y tienen densidad conjunta ϱ(x, y), entonces para cada x tal que la densidad marginal ϱ X (x) >, la densidad condicional de Y dada X = x se define como la función de densidad de probabilidad ϱ Y (y X = x) = ϱ(x, y) ϱ X (x). Intuitivamente, la fórmula para ϱ Y (y X = x) se justifica por el siguiente cálculo de la probabilidad de que Y dy dado que X = x: P (Y dy X = x) = P (Y dy X dx) = = ϱ(x, y)dxdy ϱ X (x)dx P (X dx, Y dy) P (X dx) = ϱ Y (y X = x)dy. La fórmula ϱ(x, y)dy = ϱ X (x), la densidad marginal de X, implica que ϱ Y (y X = x)dy = 1. Entonces, para cada x fijo con ϱ X (x) >, la fórmula para ϱ Y (y X = x) da una densidad de probabilidad en y. Esta densidad condicional dada x define una distribución de probabilidad parametrizada por x, llamada distribución condicional de Y dado X = x. Ver la Figura 2. En ejemplos, esta a menudo será una distribución familiar, por ejemplo, una distribución uniforme o normal, con parámetros que dependen de x. La densidad condicional de Y dado X = x puede entenderse geométricamente tomando una tajada vertical a través de la superficie de densidad conjunta en x, y renormalizando la función resultante de y por su integral total, que es ϱ X (x). Las probabilidades condicionales dado X = x de eventos determinados por X e Y pueden calcularse integrando con respecto a esta densidad condicional. Por ejemplo: P (Y > b X = x) = P (Y > 2X X = x) = b 2x ϱ Y (y X = x)dy; ϱ Y (y X = x)dy. Dichas expresiones se obtienen formalmente de sus análogos discretos reemplazando una suma por una integral, y reemplazando la probabilidad de un punto individual por el valor de una densidad multiplicada por una longitud infinitesimal. Ejemplo: uniforme en un triángulo Supongamos que (X, Y) es un punto al azar en el triángulo T = {(x, y) : x, y, x + y 2}. Calculemos la probabilidad de que Y > 1 dado que X = x. Para ilustrar los conceptos básicos, daremos tres soluciones ligeramente diferentes. 6
7 Figura 2: Aquí se muestra las densidades condicionales para la densidad ϱ(x, y) de la Figura 1, y para varios valores de x. La figura de la izquierda muestra las tajadas con x constante, y en la de la derecha aparecen las densidades normalizadas por la marginal. Enfoque intuitivo Intuitivamente, parece obvio que dado X = x, el punto aleatorio (X, Y) es un punto uniforme en el segmento vertical {(x, y) : y, x + y 2 que tiene longitud 2 x. Esta es la distribución condicional de (X, Y) dado que X = x. Si x está entre y 1, la proporción de este segmento que está por arriba de la linea horizontal y = 1 tiene longitud (2 x) 1 = 1 x. De otro modo, la proporción es nula. Luego, la respuesta es P (Y > 1 X = x) = (1 x)/(2 x) si x < 1; si no. A partir de la definición de probabilidad condicional Para ver que la solución anterior coincide con la definición formal P (Y > 1 X = x) = l ım P (Y > 1 X x) x observar el siguiente diagrama que muestra los eventos Y > 1 y X x. Como el triángulo tiene área 2, la probabilidad de un evento es la mitad de su área. Luego, para x < 1, x + x 1, tenemos que P (X x) = 1 ( 2 x 2 x 1 ) 2 x y por lo tanto P (Y > 1, X x) = 1 2 x ( 1 x 1 2 x ). 7
8 Entonces, para x < 1, deducimos que P (Y > 1 X x) = P (Y > 1, X x) P (X x) = 1 x 1 2 x 2 x 1 2 x 1 x 2 x cuando x. Esto confirma la solución anterior cuando x < 1. La formula para x 1 es obvia pues el evento {Y > 1, X x} es vacío en ese caso. 2 1 Y = 1 X + Y = 2 X x 2 Cálculo con densidades Calculemos ahora P (Y > 1 X = x) usando la densidad condicional ϱ Y (y X = x). La distribución uniforme en el triángulo T tiene densidad Entonces, para x 2 tenemos Luego ϱ X (x) = ϱ(x, y) = 1/2 si (x, y) T en otro caso. ϱ(x, y)dy = 2 x 1 2 dy = 1 (2 x). 2 ϱ Y (y X = x) = ϱ(x,y) ϱ X (x) = 1 2 x si y 2 x; si no. Esto es, dado X = x con x 2, Y tiene distribución uniforme en (, 2 x), como es de esperarse intuitivamente. Entonces P (Y > 1 X = x) = 2 x 1 dy 2 x = 1 x 2 x si x 1 si no. 8
9 La misma respuesta que antes. El objetivo de la primera solución es que las distribuciones condicionales a menudo son intuitivamente obvias, y una vez identificadas, pueden usarse para encontrar probabilidades condicionales muy rápidamente. La segunda solución muestra que este tipo de cálculo está justificado por la definición formal. Este método no es recomendado para cálculos de rutina. La tercera solución es esencialmente una versión más detallada de la primera. Aunque bastante pedante en el presente problema, este tipo de cálculo es esencial en problemas más difíciles en los que no se puede adivinar la respuesta mediante un razonamiento intuitivo. 4. Propiedades de las densidades condicionales Regla del producto Cuando la densidad de X es conocida, y la densidad condicional de Y dado X = x es conocida para todo x en el recorrido de X, la densidad conjunta del par (X, Y) se calcula mediante la siguiente regla del producto para densidades: Ejemplo ϱ(x, y) = ϱ X (x)ϱ Y (y X = x) Supongamos por ejemplo que la densidad de X está dada por ϱ X (x) = λ 2 xe λx si x ; si no; y que Y tiene distribución condicional uniforme en (, x) dado que X = x. Calculemos la densidad conjunta del par (X, Y). La densidad condicional de Y dado que X = x es ϱ Y (y X = x) = 1/x si < y < x; si no. Por la regla del producto tenemos ϱ(x, y) = ϱ X (x)ϱ Y (y X = x) = λ 2 e λx si < y < x; si no. Una vez que tenemos la densidad conjunta, podemos calcular la densidad marginal de Y: ϱ Y (y) = ϱ(x, y)dx = La densidad es por supuesto nula si y. y λ 2 e λx dx = λe λy si y. 9
10 Fórmulas de la probabilidad total y Bayes Para una variable aleatoria X con densidad ϱ X (x) la fórmula de la probabilidad total deviene P (A) = P (A X = x) ϱ X (x)dx La integral descompone la probabilidad de A de acuerdo a los distintos valores que puede tomar X: P (A X = x) ϱ X (x) = P (A X dx) P (X dx) = P (A, X dx). Al igual que en el caso discreto, a menudo P (A X = x) se especifica de antemano por la formulación de un problema. Luego P (A) puede calcularse mediante la fórmula integral de la probabilidad total, suponiendo también que se conoce la distribución de X. La regla de Bayes da la densidad condicional de X dado que A ha ocurrido: P (X dx A) = P (A X dx) P (X dx) P (A) = ϱ X(x)P (A X = x) dx ϱx (x)p (A X = x) dx Ejemplo Supongamos que Π tiene distribución uniforme en [, 1]. Dado que Π = p, sea S n el número de éxitos en n ensayos de Bernoulli con probabilidad de éxito p. Calculemos la distribución de S n. Como la densidad de Π es ϱ Π (p) = 1 si p [, 1] y cero en otro caso, por la fórmula de la probabilidad total tenemos que P (S n = k) = P (S n = k Π = p) ϱ Π (p)dp = 1 ( ) n p k (1 p) n k dp = 1 k n + 1. Es decir, S n tiene distribución uniforme en {,..., n}. Calculemos ahora la densidad condicional de Π dado que S n = k. Usando la regla de Bayes, para < p < 1 tenemos P (Π dp S n = k) = P (Π dp) P (S n = k Π = p) P (S n = k) = (n + 1) ( ) n p k (1 p) n k dp. k Calculemos ahora la probabilidad de que el próximo ensayo sea un éxito dado que S n = k. P (un éxito más S N = k) = = 1 1 P (un éxito más S N = k, Π = p) ϱ Π (p S n = k)dp pϱ Π (p S n = k)dp = k + 1 n + 2 En particular, para k = n, dados n éxitos seguidos, la probabilidad de un éxito más es (n + 1)/(n + 2). Esta fórmula, para la probabilidad de un éxito más dada una serie de n éxitos en ensayos independientes con probabilidad de éxito desconocida, supuestamente distribuida uniformemente en (, 1), se conoce como la ley de Laplace. 1
11 Laplace ilustró su fórmula calculando la probabilidad de que el sol salga mañana, dado que ha salido diariamente durante 5 años, o n = días. Pero este tipo de aplicación es dudosa. Tanto la suposición de ensayos independientes con p desconocida, como la distribución a priori uniforme de p, tienen poco sentido en este contexto. 5. Esperanza condicional La esperanza condicional de Y dada X = x, denotada E (Y X = x), se define como la esperanza de Y con respecto a la distribución condicional de Y dada X = x. De manera más general, para una función g(y), suponiendo que Y tiene densidad condicional ϱ Y (y X = x) tenemos que E (g(y) X = x) = g(y)ϱ Y (y X = x)dy. Tomando g(y) = y da EY X = x. La integración de la eesperanza condicional con respecto a la distribución de X da la esperanza (incondicional) E (g(y)) = E (g(y) X = x) ϱ X (x)dx. Estas fórmulas son extensiones a funciones generales g(y) de la fórmula de probabilidad total anterior, que son el caso especial cuando g es un indicador de un conjunto. Como regla general, valen las mismas propiedades para la esperanza condicional que valen para la esperanza (incondicional). Ejemplo: punto al azar en un triángulo Supongamos que (X, Y) es un punto al azar en el triángulo T = {(x, y) : x, y, x + y 2}. Calculemos E (Y X = x). Dado X = x, con < x < 2, Y tiene distribución uniforme en (, 2 x). Como la esperanza de esta distribución condicional es (2 x)/2, concluimos que E (Y X = x) = 2 x 2. Una notación muy usada es la siguiente: E (Y X) = (2 X)/2. Cuando sabemos que X = x, basta reemplazar x por X en la expresión anterior. 6. Covarianza y correlación La covarianza y la correlación se definen de la misma forma que en el caso discreto. La única diferencia es que en la práctica, para calcularlas debemos reemplazar las sumas por integrales, y las probabilidades puntuales por densidades. A continuación enumeramos las propiedades más importantes: La covarianza de X e Y es cov (X, Y) = E (XY) E (X) E (Y). 11
12 De esta forma, la varianza de la suma X + Y es var (X + Y) = var (X) + var (Y) + 2cov (X, Y). En general, vale que la suma de n variables X 1,..., X n es var n i=1 X i = n var (X i ) + 2 cov X i, X j. i=1 El coeficiente de correlación de X e Y es r XY = i< j cov (X, Y) var (X) var (Y). El coeficiente de correlación está siempre entre 1 y 1, y vale cero si X e Y son independientes. El coeficiente r XY = ±1 si, y solo si Y = ax + b. Lecturas recomendadas? 12
Vectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
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 detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Más detallesCurso Propedéutico de Cálculo Sesión 7:
Curso Propedéutico de Cálculo Sesión 7: Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema 1 2 3 4 Esquema 1 2 3 4 Hasta ahora nos hemos enfocado en funciones
Más detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
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 detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesESTADÍSTICA Y ANÁLISIS DE DATOS. Práctica del Tema 5. Variable aleatoria (en R y R 2 )
ESTADÍSTICA Y ANÁLISIS DE DATOS Práctica del Tema 5. Variable aleatoria (en R y R ). Se considera un dado regular y se define la v.a. X: puntuación obtenida en un lanzamiento cualquiera de dicho dado.
Más detallesUniversidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Matemática MA Probabilidades y Estadística
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Matemática MA3403 - Probabilidades y Estadística Vectores Aleatorios Alberto Vera Azócar, albvera@ing.uchile.cl.
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detalles2. Ejercicio: 003_VACD_081
FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS ACADEMIA DE PROBABILIDAD Semestre: 7- SERIE TEMA VARIABLES ALEATORIAS CONJUNTAS. Ejercicio: _VACD_8 Sean las distribuciones
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detalles1. Ecuaciones Exactas. M(x, y)x + N(x, y) = 0 (1.4)
1. Ecuaciones Exactas Consideremos la ecuación diferencial M(x, y) + N(x, y)y = 0 (1.1) en donde la variable independiente es x y la variable dependiente es y. Vamos a asociar a esta ecuación diferencial
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesVariables aleatorias múltiples
Chapter 4 Variables aleatorias múltiples 4.. Distribución conjunta y marginal Definición 4.. Un vector aleatorio n-dimensional es una función que va de un espacio muestral S a un espacio euclediano n-dimensional
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 detallesRuido en los sistemas de comunicaciones
Capítulo 2 Ruido en los sistemas de comunicaciones Cuando una señal se transmite a través de un canal de comunicaciones hay dos tipos de imperfecciones que hacen que la señal recibida sea diferente de
Más detallesTema 5. Variables Aleatorias Conjuntas.
Tema 5. Variables Aleatorias Conjuntas. Objetivo: El alumno conocerá el concepto de variables aleatorias conjuntas podrá analizar el comportamiento probabilista, conjunta e individualmente, de las variables
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detalles6-1. Dos preguntas sobre 100 tiradas de dado
Semana 6 Esperanza y Varianza 6-1. Dos preguntas sobre 100 tiradas de dado 6-2. Esperanza 6-3. Propiedades básicas de la esperanza 6-4. Distancia esperada a la media 6-5. Varianza 6-6. Demostraciones 6-1.
Más detallesContenido 1. Integrales Dobles 2. Integrales Triples
Integración Contenido 1. Integrales Dobles 2 1.1. Integrales iteradas............................. 2 1.2. Regiones en R 2.............................. 3 1.3. Volumen..................................
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
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 detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES Recordemos que el concepto de variable aleatoria surge de la necesidad de transformar el espacio muestral asociado a un experimento aleatorio en un espacio
Más detallesTeoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
Más detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
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 detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesAnálisis Matemático I (Ing. de Telecomunicación), Examen final, 26 de enero de 2010 RESPUESTAS A AMBOS MODELOS
Análisis Matemático I (Ing. de Telecomunicación), 29-1 Examen final, 26 de enero de 21 RESPUESTAS A AMBOS MODELOS Primera Parte Las preguntas 1 14 son de tipo test. Se pide elegir una única respuesta en
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
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 detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
Más detallesUNIDAD 3 Características de variables aleatorias uni y bidimensionales
Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA Ingenierías: Recursos Hídricos-Ambiental-Agrimensura TEORÍA Mg. Ing. Susana Vanlesberg Profesor Titular UNIDAD Características
Más detallesMatemáticas III Tema 5 Integrales de ĺınea
Matemáticas III Tema 5 Integrales de ĺınea Rodríguez Sánchez, F.J. Muñoz Ruiz, M.L. Merino órdoba, S. 2014. OW-Universidad de Málaga, http://ocw.uma.es. Bajo licencia reative ommons Attribution- Nonomercial-ShareAlike
Más detallesCapítulo 5. Integrales sobre curvas y superficies
Capítulo 5. Integrales sobre curvas y superficies 5.1. Integrales de funciones escalares sobre curvas 5.2. Integrales de campos vectoriales sobre curvas 5.3. Teorema de Green 5.4. Integrales sobre superficies
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesTema 5: Funciones homogéneas
Tema 5: Funciones homogéneas f se dice homogénea de grado α si se verifica: f(λ x) = λ α f( x), x, λ > 0 Propiedades: 1. Si f y g son homogéneas de grado α, entonces f ± g es también homogénea de grado
Más detallesSEÑALES Y SISTEMAS Clase 5
SEÑALES Y SISTEMAS Clase 5 Carlos H. Muravchik 15 de Marzo de 2018 1 / 43 Habíamos visto: Repaso Probabilidades (sobrevuelo) Veremos: 1. Repaso Probabilidades 2. Repaso Variables aleatorias. Distribuciones.
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 detallesY \ X
18 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 4 1. En la siguiente tabla se presenta la función de probabilidad conjunta del vector aleatorio discreto (X, Y ): Y \ X 1 2 3 4 1 0.10 0.05 0.02 0.02 2 0.05
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 detallesRequisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Universidad Austral de Chile Escuela de Ingeniería Comercial ICPM050, Econometría Clase 01 Requisitos Matemáticos Profesor: Carlos R. Pitta Econometría, Prof. Carlos R. Pitta, Universidad Austral de Chile.
Más detalles1. Teorema de Fubini. Teorema de Fubini.
1. El teorema de Fubini nos va a dar una técnica para el cálculo de integrales de funciones de varias variables mediante el cálculo de varias integrales de funciones de una variable. partir de ahí se podrán
Más detallesFundamentos matemáticos. Tema 8 Ecuaciones diferenciales
Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.
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 detallesEl momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,
1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- Sea f : R R definida por f(x) = x 3 +ax 2 +bx+c. a) [1 75 puntos] Halla a,b y c para que la gráfica de f tenga un punto de inflexión de abscisa x = 1 2 y que la recta tangente en
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
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 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 detallesIntegral Múltiple. María Muñoz Guillermo Matemáticas I(1 o Grado Ingeniería Electrónica Industrial y Automática) U.P.C.T.
Integral Múltiple María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I(1 o Grado Ingeniería Electrónica Industrial y Automática) M. Muñoz (U.P.C.T.) Integral Múltiple Matemáticas I 1 / 19 Introducción
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesCORPORACION UNIFICADA NACIONA DE EDUCACION SUPERIOR DEPARTAMENTO DE CIENCIAS BASICAS FUNCIÓN Y RELACIÓN
CORPORACION UNIFICADA NACIONA DE EDUCACION SUPERIOR DEPARTAMENTO DE CIENCIAS BASICAS AREA / COMPONENTE: FORMACIÓN BÁSICA CICLO DE FORMACIÓN: TECNICA FUNCIÓN Y RELACIÓN RELACION Dados los conjuntos A =
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesIntegral de Fourier y espectros continuos
9 2 2 2 Esta expresión se denomina forma de Angulo fase (o forma armónica) de la serie de Fourier. Integral de Fourier y espectros continuos Las series de Fourier son una herramienta útil para representar
Más detallesEcuaciones Diferenciales
Ecuaciones Diferenciales María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I(1 o Grado en Ingeniería Electrónica Industrial y Automática) M. Muñoz (U.P.C.T.) Ecuaciones Diferenciales Matemáticas
Más detallesSEGUNDO PARCIAL (3/6/2015)
NOMBE Y nº de MATÍCULA: SEGUNDO PACIAL (3/6/15) 1.. (.5 ptos.) Calcular la integral doble: y sin(x ) dxdy, siendo el recinto acotado del primer cuadrante limitado por las curvas de ecuaciones respectivas
Más detallesCO3121: Problemario Marzo 2005.
CO3121: Problemario Marzo 2005. 1. Sea f(u) = ce u, u R. Si f es una función de densidad de probabilidad, cuál es el valor de c?. 2. Sea X una v.a. con función de densidad f(x) = 2x, 0 < x < 1. Encuentre
Más detallesUNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 25 AÑOS Curso INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 5 AÑOS Curso 17-18 Ex. Modelo MATERIA: MATEMÁTICAS II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN Después de leer atentamente
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 detallesIntegración doble Integrales dobles sobre regiones no rectangulares
Nuestra intención es extender la definición de integral doble, de funciones continuas, sobre regiones más generales que el rectángulo. Para ello definiremos dos tipos de regiones en el plano, que llamaremos
Más detallesContinuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
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 detallesDistribución conjunta de variables aleatorias. Estadísca Tamara Burdisso
Distribución conjunta de variables aleatorias Distribución conjunta de probabilidad Hasta ahora estudiamos las posibles distribuciones de una única v.a. Pero muchos de las aplicaciones que enfrentamos
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- Sea f : R R definida por f(x) = x 3 +ax 2 +bx+c. a) [1 75 puntos] Halla a,b y c para que la gráfica de f tenga un punto de inflexión de abscisa x = 1 2 y que la recta tangente en
Más detallesEstadística I Tema 4: Probabilidad y modelos probabiĺısticos
Estadística I Tema 4: Probabilidad y modelos probabiĺısticos Tema 4. Probabilidad y modelos probabiĺısticos Contenidos Probabilidad: Experimentos aleatorios, espacio muestral, sucesos elementales y compuestos.
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. En una circunferencia de radio 1 se toman tres puntos, al azar e independientemente. Hallar la probabilidad de que el triángulo
Más detallesEjercicios para auto evaluación Variables continuas y Teorema de Límite Central
Ejercicios para auto evaluación Variables continuas y Teorema de Límite Central Enero 2008. Sea f(u) = ce u, u R. Determine el valor de c para que f sea una función de densidad de probabilidad y calcule
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 detallesConceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones
Más detallesCÁLCULO Primer curso de Ingeniero de Telecomunicación Examen, 7 de Septiembre de 2005 Primera parte
CÁLCULO Primer curso de Ingeniero de Telecomunicación Examen, 7 de Septiembre de 005 Primera parte Ejercicio 1. Un espejo plano de dimensiones 80 cm y 90 cm, se rompe por una esquina según una recta. De
Más detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
Más detallesSoluciones Examen de Estadística Ingeniería Superior de Telecomunicación
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 7 de Septiembre, 25 Cuestiones 2 horas C. A partir de los procesos estocásticos X(t e Y (t incorrelados y de media cero, con funciones
Más detallesCurso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detalles