Introducción al Tema 9
|
|
- Felipe Montoya Herrera
- hace 7 años
- Vistas:
Transcripción
1 Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables y datos socioeconómicos 1 Tema 5. Probabilidad. Tema 6. Variables aleatorias unidimensionales. Tema 7. Modelos probabilísticos discretos. Tema 8. Modelos probabilísticos continuos. Tema 9. Variables aleatorias multidimensionales. Modelización de la incertidumbre en las variables socieconómicas Tema 5 Tema 6 Tema 7 Tema 8 Introducción a la Probabilidad Variables aleatorias unidimensionales: Definición y propiedades Ejemplos. Tema 9 Variables aleatorias multidimensionales : Definición y propiedades Ejemplos. Estudiar situaciones más realistas
2 2 Tema 9. Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Variables aleatorias multidimensionales. Distribuciones conjuntas, marginales y condicionales. Independencia. Media y matriz de varianzas y covarianzas. Media condicionada. Distribución normal multivariante. Lecturas recomendadas: Capítulo 6 del libro de Peña (2005) y las secciones 3.7, 4.4 y 5.4 de Newbold (2001).
3 3 Ejemplo 1. Se lanzan tres monedas distintas con probabilidades de cara de 0,5, 0,4 y 0,3 respectivamente. Sean X el número de caras (c) en las primeras dos monedas e Y el número de cruces (x) en las últimas dos lanzadas. Los posibles resultados del experimento, sus probabilidades y los valores de las variables X e Y son los siguientes. Resultado Prob. X Y {c, c, c} 0, {c, c, x} 0, {c, x, c} 0, {c, x, x} 0, {x, c, c} 0, {x, c, x} 0, {x, x, c} 0, {x, x, x} 0, Hacemos una tabla de doble entrada mostrando la distribución conjunta de las dos variables.
4 Distribución conjunta de X e Y 4 Definición 1. Para dos variables discretas X e Y, la distribución conjunta de X e Y es el conjunto de probabilidades Pr(X = x, Y = y) para todos los posibles valores de x e y. Ejemplo 1. Y ,00 0,09 0,21 X 1 0,06 0,23 0,21 2 0,06 0,14 0,00 Observamos que Pr(X = x, Y = y) = 1. x y
5 Distribuciones marginales de X e Y 5 Definición 2. Para dos variables discretas X e Y con distribución conjunta Pr(X = x, Y = y) para todos los posibles valores de x e y, la distribución marginal de X es Pr(X = x) = Pr(X = x, Y = y), y la distribución marginal de Y es y Pr(Y = y) = Pr(X = x, Y = y). x Ejemplo 1. Y ,00 0,09 0,21 0,3 X 1 0,06 0,23 0,21 0,5 2 0,06 0,14 0,00 0,2 0,12 0,46 0,42 1,0 La distribución marginal de X es Pr(X = x) = 0,3 si x = 0 0,5 si x = 1 0,2 si x = 2 0 si no Ejercicio: Distribución marginal de Y.
6 Distribución condicionada 6 Definición 3. Para dos variables discretas X e Y con distribución conjunta Pr(X = x, Y = y) para todos los posibles valores de x e y, la distribución condicionada de X dado Y = y es Pr(X = x, Y = y) Pr(X = x Y = y) =, Pr(Y = y) y la distribución condicionada de Y dado X = x es Pr(X = x, Y = y) Pr(Y = y X = x) =, Pr(X = x) Ejemplo 1. La distribución condicionada de Y dado X = 2 es 0,3 si y = 0 P (Y = y X = 2) = 0,7 si y = 1 0 si no Ejercicio: Distribución condicionada de X dado Y = 0.
7 Independencia 7 Definición 4. Se dicen que dos variables (discretas) X e Y son independientes si para todos los valores de x e y. Pr(X = x, Y = y) = Pr(X = x) Pr(Y = y) Esta definición equivale a decir que para todos los valores de x e y. Pr(X = x Y = y) = Pr(X = x) o Pr(Y = y X = x) = Pr(Y = y), Ejemplo 1. X e Y no son independientes pues, por ejemplo: Pr(X = 0, Y = 0) = 0,00 0,30 0,12 = Pr(X = 0) Pr(Y = 0).
8 Vector de esperanzas 8 Definición 5. Para dos variables discretas X e Y con distribución conjunta Pr(X = x, Y = y) para todos los posibles valores de x e y, la esperanza de (X, Y ) es [( )] X µ = E = ( x Pr(X = x, Y = y). Y y) x y E [( X Y )] ( = ( = x x x y ) y x Pr(X = x, Y = y) = y y Pr(X = x, Y = y) ) ( ) x Pr(X = x) E[X] =. y Pr(X = x) E[Y ] ( x x ) y Pr(X = x, Y = y) y y x Pr(X = x, Y = y) La esperanza de un vector, (X, Y ), es el vector de las esperanzas de sus componentes.
9 Esperanza de g(x, Y ) 9 La esperanza de una función de la variable o vector aleatorio, (X, Y ), que tiene distribución conjunta Pr(X = x, Y = y) para todos los posibles valores de x e y es: E[g(X, Y )] = g(x, y) Pr(X = x, Y = y). x y Ejemplo 2. Con los datos del Ejemplo 1, calcule E[XY ]. Y ,00 0,09 0,21 0,3 X 1 0,06 0,23 0,21 0,5 2 0,06 0,14 0,00 0,2 0,12 0,46 0,42 1,0 Entonces, E[XY ] = (0 0) 0,00 + (0 1) 0, (2 2) 0,00 = 0,93.
10 Covarianza 10 Definición 6. Para dos variables X e Y, la covarianza entre X e Y es Cov(X, Y ) = E[(X E[X])(Y E[Y ])] A menudo, se escribe σ XY para representar la covarianza. En la práctica, normalmente, se evalúa la covarianza a través de otra fórmula equivalente: Teorema 1. Cov[X, Y ] = E[XY ] E[X]E[Y ] Cov(X, Y ) = E[(Y E[Y ])(X E[X])] = Cov(Y, X).
11 Matriz de varianzas y covarianzas 11 Definición 7. Para dos variables X e Y, la matriz de varianzas y covarianzas entre X e Y es [ ] V (X) Cov(X, Y ) S =. Cov(Y, X) V (Y ) Ejemplo 3. Volvemos al Ejemplo 1. Tenemos: E[X] = 0 0, , ,2 = 0,9 E[Y ] = 0 0, , ,52 = 1,5 E [ X 2] = 0 2 0, , ,2 = 1,3 V [X] = 1,3 0,9 2 = 0,49 E [ Y 2] = 0 2 0, , ,52 = 2,54 V [Y ] = 2,54 0,93 2 = 1,6751 E[XY ] = 0 0 0, , = 0,93 Cov[X, Y ] = 0,93 0,9 1,5 = 0,42 µ y S?
12 Suma y diferencia de variables aleatorias 12 Proposición 1. Sean X e Y dos variables con distribución conjunta Pr(X = x, Y = y), y sea Z = X + Y, entonces: i) E[Z] = E[X + Y ] = E[X] + E[Y ]. ii) V (Z) = V (X) + V (Y ) + 2Cov(X, Y ). Demostración E[Z] = x = x (x + y) Pr(X = x, Y = y) y x Pr(X = x, Y = y) + y x y Pr(X = x, Y = y) y = x x y Pr(X = x, Y = y) + y y x Pr(X = x, Y = y) = x x Pr(X = x) + y y Pr(Y = y) = E[X] + E[Y ].
13 Suma y diferencia de variables aleatorias 13 V (Z) = E[Z 2 ] E[Z] 2 = x (x + y) 2 Pr(X = x, Y = y) (E[X] + E[Y ]) 2 y = x y (x2 + 2xy + y 2 ) Pr(X = x, Y = y) (E[X] + E[Y ]) 2 = E[X 2 ] + 2E[XY ] + E[Y 2 ] (E[X] 2 + 2E[X]E[Y ] + E[Y ] 2 ) = V (X) + 2Cov(X, Y ) + V (Y ). Análogamente se prueba que Proposición 2. Sean X e Y dos variables con distribución conjunta Pr(X = x, Y = y), y sea Z = X Y, entonces: i) E[Z] = E[X + Y ] = E[X] E[Y ]. ii) V (Z) = V (X) + V (Y ) 2Cov(X, Y ).
14 Correlación 14 Definición 8. Definición 9. X e Y es La correlación entre X e Y es ρ XY = Corr[X, Y ] = Cov[X, Y ] DT [X]DT [Y ] Para dos variables X e Y, la matriz de correlaciones entre [ ] 1 Corr(X, Y ) R =. Corr(Y, X) 1 Ejemplo 4. Tenemos (ver Ejemplo 3) DT [X] = 0,7 DT [Y ] = 1,294 Cov[X, Y ] = 0,42 Corr[X, Y ] = 0,42 0,7 1,294 0,464. Hay una relación negativa entre las dos variables.
15 Propiedades de la correlación ρ XY 1 2. La correlación es igual a 1 si y sólo si existe una relación lineal positiva entre X e Y, es decir Y = α + βx, donde β > La correlación es 1 si y sólo si existe una relación lineal negativa Y = α βx donde β < Si X e Y son independientes, ρ XY = 0. El recíproco del último resultado no es cierto: existen variables incorreladas pero dependientes.
16 Esperanza condicionada 16 Definición 10. Para dos variables discretas X e Y con distribución conjunta Pr(X = x, Y = y) para todos los posibles valores de x e y, la esperanza condicionada de X dado Y = y es E[X Y = y] = x x Pr(X = x Y = y), y la esperanza condicionada de Y dado X = x es: E[Y X = x] = y y Pr(Y = y X = x). Ejemplo 5. Volvemos al Ejemplo 1. La media condicionada de Y dado X = 2 es E[Y X = 2] = 0, ,7 1 = 0,7.
17 Ley de las esperanzas iteradas 17 Proposición 3. E[E[X Y ]] = E[X]. Demostración Primero, debemos notar que E[X Y ] es una v.a. que depende de Y, por tanto se aplica el resultado E[g(Y )] = y g(y) Pr(Y = y): E[E[X Y = y]] = y = y ( ) x Pr(X = x Y = y) Pr(Y = y) x x Pr(X = x, Y = y) x = x x y Pr(X = x, Y = y) = x x Pr(X = x) = E[X]. Análogamente, E[Y ] = E[E[Y X]].
18 18 Tema 9. Variables aleatorias multidimensionales Variables aleatorias multidimensionales. Distribuciones conjuntas, marginales y condicionales. V.A. Discretas Independencia. Media y matriz de varianzas y covarianzas. Media condicionada. V.A. Continuas Distribución normal multivariante.
19 Generalización para variables continuas 19 Definición 11. Para dos variables aleatorias cualesquiera, se define la función de distribución conjunta por F (x, y) = P (X x, Y y) y en el caso de v.a. continuas se define la función de densidad conjunta por f(x, y) = 2 F (x, y). x y Se tiene que x y f(x, y) dx dy = F (x, y). Se calculan la distribuciones marginales, condicionadas, media, covarianza, etc. de manera similar al cálculo para variables discretas sustituyendo integrales por las sumas donde sea necesario.
20 20 Ejemplo 6. Verificar que la siguiente función bivariante es una densidad f (x, y) = 6xy 2, 0 < x < 1, 0 < y < 1, En primer lugar observamos que f(x, y) 0 y en segundo lugar, debemos comprobar que la densidad integra a xy 2 dxdy = = [ y 3 6x 3 ] 1 0 dx 6x 1 3 dx = 2 [ x 2 2 ] 1 0 = 1.
21 Densidades marginales 21 La densidad marginal de X es f(x) = f(x, y) dy La densidad marginal de X es f(x) = f(x, y) dy Ejemplo 6. Tenemos f(x) = 1 0 6xy 2 dy = [6x y3 = 2x para 0 < x < 1 3 ] 1 0 Igualmente, la densidad marginal de Y es f(y) = 1 0 6xy 2 dx = ] 1 [6 x2 2 y2 0 = 3y 2 para 0 < y < 1
22 Independencia 22 Definición 12. Se dicen que dos variables X e Y son independientes si F (x, y) = F (x)f (y), para todos los valores de x e y. Para v.a. continuas independientes tenemos, equivalentemente, que f(x, y) = f(x)f(y) para todos los valores de x e y. Ejemplo 6. Observamos que f(x, y) = 6xy 2 = 2x 3y 2 = f(x)f(y) Entonces, X e Y son independientes.
23 Independencia y correlación 23 Proposición 4. Si X y Y son v.a. independientes, entonces Cov(X, Y ) = Corr(X, Y ) = 0. El resultado recíproco no es cierto Ejemplo 7. Sea X una v.a. distribuida N (0, 1), e Y = X 2, entonces: E[X] = 0 E[Y ] = E[X 2 ] = 1 E[XY ] = E[X 3 ] = 0 por ser una distribución simétrica Cov(X, Y ) = E[XY ] E[X]E[Y ] = 0. Y, sin embargo, X e Y son claramente dependientes.
24 24 Tema 9. Variables aleatorias multidimensionales Variables aleatorias multidimensionales. Distribuciones conjuntas, marginales y condicionales. Independencia. Media y matriz de varianzas y covarianzas. Media condicionada. Distribución normal multivariante.
25 Distribución normal multivariante 25 Definición 13. Una variable aleatoria multivariante X = (X 1, X 2,..., X p ) sigue una distribución normal multivariante si tiene como función de densidad a { 1 f(x) = exp 1 } (2π) p/2 Σ 1/2 2 (x µ) Σ 1 (x µ), donde µ = (µ 1, µ 2,..., µ p ), y Σ = σ 2 1 σ 12 σ 1p σ 21 σ 2 2 σ 2p σ p1 σ p2 σ 2 p. Si X tiene una distribución normal multivariante, se escribe X N (µ, Σ).
26 Propiedades de la distribución normal multivariante La función de densidad es simétrica alrededor de µ. 2. La media del vector aleatorio X es µ, i.e., E [X] = µ. 3. La matriz de varianzas y covarianzas del vector aleatorio X es Σ, i.e., E [(X µ)(x µ) ] = Σ. 4. Cualquier subconjunto de h variables univariantes del vector x, con h < p, sigue una distribución normal h-dimensional. En particular, las distribuciones marginales son normales univariantes. 5. Si definimos un vector Y = AY, donde A es una matriz de constantes reales de dimensión k p, entonces Y sigue una distribución normal k-dimensional.
27 Propiedades de la distribución normal multivariante 27 Podemos completar la propiedad anterior con los siguientes resultados validos para vectores aleatorios cualesquiera: Sea X un vector aleatorio p-dimensional tal que E [X] = µ y E [(X µ)(x µ) ] = Σ. Sea Y = AX, donde A es una matriz de constantes reales de dimensión k p entonces: E [Y ] = Aµ. E [(Y Aµ)(Y Aµ) ] = AΣA. Re-escribimos la propiedad 5 como: 5. Si definimos un vector Y = AX, donde A es una matriz de constantes reales de dimensión k p, entonces Y sigue una distribución normal k-dimensional, N k (Aµ, AΣA ).
28 28 El siguiente gráfico muestra la función de densidad conjunta de una distribución normal bivariante estándar, con media µ = (0, 0) T y matriz de varianzas y covarianzas Σ = I
29 Independencia y correlación bajo normalidad 29 Proposición 5. Si (X, Y ) es un vector aleatorio normal, y X e Y son incorrelados (Cov(X,Y) = 0) entonces X e Y son independientes. Recordar que Independientes Correlación = 0 Independientes Correlación = 0 Independientes Correlación = 0 + Normalidad Ejemplo 8. Sea (X, Y ) un vector normal [ bivariante ] de media µ = (4, 6) y 2 1 matriz de varianza y covarianzas Σ =. Sean Z = 1 5 X+Y 3 y T = 2X Y 3. Compruebe que Z y T son independientes.
30 30 Ejemplo 9. (Junio/2002 modificado) Las calificaciones obtenidas en dos pruebas distintas A y B por los alumnos presentados a la Selectividad, son ( in?)dependientes y siguen las distribuciones normales: N A (µ = 62; σ = 20), N B (µ = 52; σ = 10). La covarianza entre ellas es 100. La prueba se considera superada con 50 puntos. Calcular: (a) La probabilidad de que un alumno en la prueba A haya obtenido una puntuación menor que 40. (b) La probabilidad que haya superado la prueba B. (c) Si para el acceso a una Universidad se necesita que la media aritmética de las dos notas anteriores sea mayor que 70, cuál es la probabilidad de que un alumno escogido al azar pueda acceder a dicha Universidad? Sea X la nota en la prueba A e Y la nota en la prueba B. Sea T = X+Y 2.
31 31 Qué sabemos? y [ ] X Y [ ] X T = [0,5 0,5] N Y N ( 57; ) 175. N ([ ] 62 ; 52 ( [0,5 0,5] [ ]) [ ] 62 ; [0,5 0,5] 52 [ ] [ ]) 0,5 0,5 Por tanto, Pr(M > 70) = Pr ( M > ) Pr(Z > 0,98) = Pr(Z < 0,98) = 0,1635.
32 Recapitulación 32 Tema 9. Variables aleatorias multidimensionales Variables aleatorias multidimensionales. Distribuciones conjuntas, marginales y condicionales. Independencia. Media y matriz de varianzas y covarianzas. Media condicionada. Extensión del concepto de variable aleatoria y su caracterización. Distribución normal multivariante. Extensión multivariante de la distribución normal
Tema 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 detallesLa distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si
La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1
Más detalles9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES
9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal
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 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 detallesEjercicios de Vectores Aleatorios
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesSi quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por:
Capítulo 3 Variables aleatorias 3. Definición, tipos En ocasiones de un experimento aleatorio sólo nos interesará medir ciertas características del mismo. En estos casos nos bastará con conocer la distribución
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
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 detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
Más detallesLos objetivos del aprendizaje de esta unidad temática son los siguientes:
Probabilidad - Introducción Introducción. Tema 1. Análisis de datos univariantes. Tema 2. Análisis de datos bivariantes. Tema 3. Correlación y regresión. Tema 4. Series temporales y números índice. Descripción
Más detallesRelación de Problemas. Tema 6
Relación de Problemas. Tema 6 1. En una urna hay 5 bolas blancas y 2 negras y se sacan tres bolas sin reemplazamiento. a) Calcular la distribución conjunta del número de bolas blancas y negras de entre
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 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 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 detallesMODELO DE RESPUESTAS Objetivos del 1 al 9
PRUEBA INTEGRAL LAPSO 05-764 - /9 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 6 Fecha: 0-04-06 MODELO DE RESPUESTAS Objetivos del al 9 OBJ
Más detallesVectores 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 detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
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 Tema 4: Variable Aleatoria Bidimensional y n-dimensional
1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional 4.1. Variable aleatoria bidimensional Las Variables Aleatorias Bidimensionales o N-Dimensionales surgen cuando es necesario trabajar en espacios
Más detallesVECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Más detallesDr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez
Profesores: Mg. Cecilia Rosas Meneses Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Definición. La función de distribución acumulada F X de una v.a. X es definida para cada número real x como
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 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 detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesTema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................
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 detalles1 Variables aleatorias independientes
1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesTrimestre Septiembre-Diciembre 2007 Departamento de Cómputo Científico y Estadística Probabilidades para Ingenieros CO3121 Guía de ejercicios # 6
Trimestre Septiembre-Diciembre 2007 Departamento de Cómputo Científico y Estadística Probabilidades para Ingenieros CO3121 Guía de ejercicios # 6 Contenido Valor Esperado, Caso Discreto. Valor Esperado,
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 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 detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
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 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 detallesUniversidad Central de Venezuela Facultad de Ciencias Escuela de Computación Probabilidad y Estadística Práctica Nº 4
Distribuciones de Variables Aleatorias Distribuidas en forma Conjunta Objetivos de la práctica: Objetivo general: Al finalizar la práctica, el estudiante deberá conocer los conceptos fundamentales de las
Más detallesANÁLISIS DE DATOS MULTIDIMENSIONALES
ANÁLISIS DE DATOS MULTIDIMENSIONALES INTRODUCCIÓN DISTRIBUCIÓN DE FRECUENCIAS MULTIDIMENSIONAL DISTRIBUCIONES MARGINALES DISTRIBUCIONES CONDICIONADAS INDEPENDENCIA ESTADÍSTICA ESTUDIO ANALÍTICO DE DISTRIBUCIONES
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UCM Función de distribución y función de densidad Ejercicio. Sea X una variable aleatoria con función de distribución dada
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 detallesUnidad III Variables Aleatorias Unidimensionales
Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos
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 detallesV.a. continuas: integrar. Varianza. Propiedades:
V.a. continuas: integrar Varianza 98 Propiedades: σ 2 =E(X 2 )-E(X) 2 V(aX+b)=a 2 σ 2 (X) Distribuciones Truncadas 99 Ej: "La longitud de las varillas fabricadas por una máquina es una variable aleatoria
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
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 detallesProbabilidad y Estadística
Vectores aleatorios Probabilidad y Estadística Vectores aleatorios Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística
Más detallesTema 6: Distribuciones Multivariantes
Tema : Distribuciones Multivariantes. Distribución conjunta de un vector aleatorio. Distribución conjunta de un vector aleatorio. Distribuciones marginales condicionadas.3 Independencia entre variables
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
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 detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesTema 4: Variable aleatoria. Métodos Estadísticos
Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función
Más detallesVectores aleatorios. Estadística I curso 2008 2009
Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a
Más detallesFormulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría
Formulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría Ernesto Barrios Zamudio 1 José Ángel García Pérez2 Departamento Académico de Estadística Instituto
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 detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesRegresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
Más detalles5. VARIABLES ALEATORIAS Y SUS MOMENTOS
5. VARIABLES ALEATORIAS Y SUS MOMENTOS Una variable aleatoria Objetivos Introducir la idea de una variable aleatoria y su distribución y sus características como la media, la varianza, los cuartíles etc.
Más detallesVariables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas
Más detallesTema 5: Vectores aleatorios bidimensionales.
Estadística 52 Tema 5: Vectores aleatorios bidimensionales. Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos,
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
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 detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
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 detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más 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 detallesEstadística Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2011 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1 1. Las Definiciones de Probabilidad 2. Variables Aleatorias 3. Función de Densidad
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 detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detalles2.5. Vectores aleatorios
2.5. Vectores aleatorios Hasta ahora, dado un espacio de probabilidad (Ω, F, P), sólo hemos considerado una variable aleatoria X sobre Ω a la vez. Sin embargo, nos puede interesar estudiar simultáneamente
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 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 detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesEspacios Normados (Normas en R n )
Espacios Normados (Normas en R n ) Uno de los conceptos más importantes del cálculo y del analisis matemático es el de métrica o distancia. En R n la noción de metrico depende a su vez del concepto de
Más detalles2. Ortogonalidad. En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U.
2 Ortogonalidad En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U 1 Vectores ortogonales Definición 11 Dos vectores x, ȳ U se dicen ortogonales si: x ȳ = 0 Veamos algunas propiedades
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesVariable Estadística Bidimensional
Capítulo 2 Variable Estadística Bidimensional 21 Distribución de Frecuencias Bidimensional Sea una población de n individuos donde estudiamos, simultáneamente, dos variables X e Y Seanx 1,x 2,,x k las
Más detallesElementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas
Elementos de Probabilidad y Estadística Segundo de Economía Examen del 6 de junio de 6 DURACIÓN: horas. a) Se realizan lanzamientos de un dado regular. i) Calcular la probabilidad de obtener exactamente
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesTEMA 2: LA FUNCION DE ESPERANZA CONDICIONAL
TEMA 2: LA FUNCION DE ESPERANZA CONDICIONAL F. MARMOL Departamento de Estadística y Econometría Universidad Carlos III de Madrid Curso 2003/2004 REFERENCIAS Goldberger: Cap 1, 3, 4. Wooldridge: Apéndice
Más detallesProbabilidad. Distribuciones binomial y normal
Tema 7 Probabilidad. Distribuciones binomial y normal 7.1. Introducción En este tema trataremos algunas cuestiones básicas sobre Probabilidad. Tanto la Probabilidad como la Estadística son dos campos de
Más detallesPráctica 3 Esperanza Condicional
1. Generalidades Práctica 3 Esperanza Condicional 1. Sea (X i ) i I una familia de variables aleatorias definidas sobre un mismo espacio medible (Ω, F) y sea Y otra variable aleatoria en este espacio.
Más detallesCuestiones propuestas de la primera prueba de la primera preparación
Cuestiones propuestas de la primera prueba de la primera preparación Temas a 9 de Teórica Básica Estas cuestiones van pensadas en la línea del primer examen Su dificultad conjunta tiene un nivel similar
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 detallesExamen de Estadística
Examen de Estadística Grado en Ingeniería de Telecomunicación 6 de Mayo de 6 Cuestiones solución h 45m C (.5 puntos). Considera tres eventos A, B, C S tales que P (A) = P (B) =.5, P (A B) =.5, y P (C)
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 detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
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 detalles