Introducción al Tema 9

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Introducción al Tema 9"

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

9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES

9. 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 detalles

La 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 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 detalles

Ejercicios de Vectores Aleatorios

Ejercicios 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 detalles

Capítulo 6: Variable Aleatoria Bidimensional

Capítulo 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 detalles

Si 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:

Si 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 detalles

Relación de Problemas. Tema 6

Relación 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 detalles

MODELO DE RESPUESTAS Objetivos del 1 al 9

MODELO 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 detalles

Distribuciones de probabilidad bidimensionales o conjuntas

Distribuciones 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 detalles

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias

Tema 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 detalles

Los objetivos del aprendizaje de esta unidad temática son los siguientes:

Los 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 detalles

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez

Dr. 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 detalles

Variable Aleatoria. Relación de problemas 6

Variable 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 detalles

Propiedades en una muestra aleatoria

Propiedades 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 detalles

Vectores aleatorios. Estadística I curso 2008 2009

Vectores 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 detalles

1 Variables aleatorias independientes

1 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 detalles

ANÁLISIS DE DATOS MULTIDIMENSIONALES

ANÁLISIS DE DATOS MULTIDIMENSIONALES ANÁLISIS DE DATOS MULTIDIMENSIONALES INTRODUCCIÓN DISTRIBUCIÓN DE FRECUENCIAS MULTIDIMENSIONAL DISTRIBUCIONES MARGINALES DISTRIBUCIONES CONDICIONADAS INDEPENDENCIA ESTADÍSTICA ESTUDIO ANALÍTICO DE DISTRIBUCIONES

Más detalles

Elementos 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 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 detalles

Tema 5: Vectores aleatorios bidimensionales.

Tema 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 detalles

Formulario 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 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 detalles

2. 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. 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 detalles

Ejercicios de Variables Aleatorias

Ejercicios 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 detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 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 detalles

Tema 5: Principales Distribuciones de Probabilidad

Tema 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 detalles

Tema 4: Variable aleatoria. Métodos Estadísticos

Tema 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 detalles

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág.

ÍNDICE 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 detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos 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

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN 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 detalles

5. VARIABLES ALEATORIAS Y SUS MOMENTOS

5. 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 detalles

PROBABILIDAD 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) 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 detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES 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 detalles

Variables aleatorias múltiples

Variables 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 detalles

Estadística Avanzada y Análisis de Datos

Estadística 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 detalles

EJERCICIOS RESUELTOS TEMA 7

EJERCICIOS 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 detalles

Variable Estadística Bidimensional

Variable 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 detalles

Unidad 1: Espacio de Probabilidad

Unidad 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 detalles

Unidad III Variables Aleatorias Unidimensionales

Unidad 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 detalles

Espacios Normados (Normas en R n )

Espacios 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 detalles

2. 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. 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 detalles

Variables aleatorias. Función de distribución y características asociadas

Variables aleatorias. Función de distribución y características asociadas Índice 3 Variables aleatorias. Función de distribución y características asociadas 3.1 3.1 Introducción.......................................... 3.1 3.2 Concepto de variable aleatoria................................

Más detalles

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL

TEMA 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 detalles

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%. Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,

Más detalles

Prueba Integral Lapso /6

Prueba 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 detalles

Regresión lineal múltiple

Regresión 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 detalles

ESTADISTICA APLICADA: PROGRAMA

ESTADISTICA 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 detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 3

Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias

Más detalles

Distribución Normal Curva Normal distribución gaussiana

Distribución Normal Curva Normal distribución gaussiana Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en

Más detalles

x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.

x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua. PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.

Más detalles

Capítulo 6. Análisis bivariante de variables

Capítulo 6. Análisis bivariante de variables Contenidos: Capítulo 6 Análisis bivariante de variables Distribución bidimensional de frecuencias ( tabla de correlación o contingencia ) Distribuciones marginales Coeficientes de Asociación Análisis de

Más detalles

Probabilidad. Distribuciones binomial y normal

Probabilidad. 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 detalles

Funciones Exponenciales y Logarítmicas

Funciones Exponenciales y Logarítmicas Funciones Exponenciales y Logarítmicas 0.1 Funciones exponenciales Comencemos por analizar la función f definida por f(x) = x. Enumerando coordenadas de varios puntos racionales, esto es de la forma m,

Más detalles

Matemáticas Febrero 2013 Modelo A

Matemáticas Febrero 2013 Modelo A Matemáticas Febrero 0 Modelo A. Calcular el rango de 0 0 0. 0 a) b) c). Cuál es el cociente de dividir P(x) = x x + 9 entre Q(x) = x +? a) x x + x 6. b) x + x + x + 6. c) x x + 5x 0.. Diga cuál de las

Más detalles

1. DIFERENCIABILIDAD EN VARIAS VARIABLES

1. DIFERENCIABILIDAD EN VARIAS VARIABLES 1 1. DIFERENCIABILIDAD EN VARIAS VARIABLES 1.1. DERIVADAS DIRECCIONALES Y PARCIALES Definición 1.1. Sea f : R n R, ā R n y v R n. Se define la derivada direccional de f en ā y en la dirección de v como:

Más detalles

Funciones de varias variables

Funciones de varias variables Funciones de varias variables F. Alvarez y H. Lugo Universidad Complutense de Madrid 23 Noviembre, 2011 Campo escalar Denominamos campo escalar a una función f : R n R, es decir, una función cuyo dominio

Más detalles

Selectividad Junio 2007 JUNIO 2007

Selectividad Junio 2007 JUNIO 2007 Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea

Más detalles

CI2612: Algoritmos y Estructuras de Datos II. Espacio de probabilidad. Objetivos. Blai Bonet

CI2612: Algoritmos y Estructuras de Datos II. Espacio de probabilidad. Objetivos. Blai Bonet CI2612: Algoritmos y Estructuras de Datos II Blai Bonet Análisis probabiĺıstico Universidad Simón Boĺıvar, Caracas, Venezuela Objetivos Espacio de probabilidad Las probabilidades se definen sobre un espacio

Más detalles

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................

Más detalles

Probabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez

Probabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades

Más detalles

Tema 2. Grupos. 3. El conjunto de matrices de orden 2 con coeficientes enteros (o reales) con la suma es un grupo conmutativo.

Tema 2. Grupos. 3. El conjunto de matrices de orden 2 con coeficientes enteros (o reales) con la suma es un grupo conmutativo. Tema 2. Grupos. 1 Grupos Definición 1 Un grupo es una estructura algebraica (G, ) tal que la operación binaria verifica: 1. * es asociativa 2. * tiene elemento neutro 3. todo elemento de G tiene simétrico.

Más detalles

3. VARIABLES ALEATORIAS

3. VARIABLES ALEATORIAS . VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad

Más detalles

C. Distribución Binomial

C. Distribución Binomial Objetivos de aprendizaje 1. Definir los resultados binomiales 2. Calcular la probabilidad de obtener X éxitos en N pruebas 3. Calcular probabilidades binomiales acumulativas 4. Encontrar la media y la

Más detalles

DIPLOMATURA EN CIENCIAS EMPRESARIALES

DIPLOMATURA EN CIENCIAS EMPRESARIALES DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA DIPLOMATURA EN CIENCIAS EMPRESARIALES PROGRAMA DE ESTADÍSTICA Módulo - 12280 CURSO 2006 2007 GRUPOS: P,Q,RR Profesores: Eugenia Fabra: grupo RR Rosario

Más detalles

1. PRODUCTO ESCALAR. ESPACIO EUCLÍDEO

1. PRODUCTO ESCALAR. ESPACIO EUCLÍDEO 1 1. PRODUCTO ESCALAR. ESPACIO EUCLÍDEO Muchos de los fenómenos que se investigan en la geometría utilizan nociones como las de longitud de un vector y ángulo entre vectores. Para introducir estos dos

Más detalles

Distribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:

Distribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema: Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2010/11

Estadística 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 detalles

Tema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos

Tema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos Tema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos 1. Probabilidad condicionada. Espacio de probabilidad condicionado La probabilidad condicionada es uno de los conceptos clave

Más detalles

Distribuciones de Probabilidad Para Variables Aleatorias Continuas

Distribuciones de Probabilidad Para Variables Aleatorias Continuas Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable

Más detalles

1. Conceptos de teoría de la probabilidad

1. Conceptos de teoría de la probabilidad Master de Investigación en Economía Aplicada. Métodos Cuantitativos II. 9-. G.García.. Conceptos de teoría de la probabilidad Espacios de probabilidad. Establece el espacio de probabilidad asociado al

Más detalles

Valor absoluto de un número real. Potencias de exponente racional. Logaritmos. Logaritmos decimales y neperianos. Propiedades y operaciones.

Valor absoluto de un número real. Potencias de exponente racional. Logaritmos. Logaritmos decimales y neperianos. Propiedades y operaciones. Otras páginas Matemásicas ccss 5º MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I ARITMÉTICA Y ÁLGEBRA Los números reales Números racionales. Números irracionales. Los números y e. Los números reales.

Más detalles

Soluciones Examen de Estadística

Soluciones Examen de Estadística Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 15 de Febrero, 5 Cuestiones horas C1. Un programa se ejecuta desde uno cualquiera de cuatro periféricos A, B, C y D con arreglo

Más detalles

Descriptiva y Probabilidad

Descriptiva y Probabilidad Estadística Descriptiva y Probabilidad (Teoría y problemas) 3 a Edición Autores I. Espejo Miranda F. Fernández Palacín M. A. López Sánchez M. Muñoz Márquez A. M. Rodríguez Chía A. Sánchez Navas C. Valero

Más detalles

Variables aleatorias

Variables 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 detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos

Más detalles

Matrices triangulares y matrices ortogonales

Matrices triangulares y matrices ortogonales Matrices triangulares y matrices ortogonales Problemas para examen Matrices diagonales 1. Sea a R n. Se denota por diag(a) la matriz diagonal con entradas a 1,..., a n : diag(a) = [ a j δ j,k ] n j,k=1.

Más detalles

Espacio de Funciones Medibles

Espacio de Funciones Medibles Capítulo 22 Espacio de Funciones Medibles Igual que la σ-álgebra de los conjuntos medibles, la familia de funciones medibles, además de contener a todas las funciones razonables (por supuesto son medibles

Más detalles

Teoría de la decisión Estadística

Teoría de la decisión Estadística Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y

Más detalles

1. Si están situados en rectas paralelas: la recta que une los orígenes, deja sus extremos en un mismo semiplano.

1. Si están situados en rectas paralelas: la recta que une los orígenes, deja sus extremos en un mismo semiplano. CAPÍTULO El plano vectorial Consideremos P como el plano intuitivo de puntos: A,,C..... El espacio vectorial de los vectores Definición. Vectores fijos Dado dos puntos cualesquiera A e del espacio nos

Más detalles

Modelado de la aleatoriedad: Distribuciones

Modelado de la aleatoriedad: Distribuciones Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:

Más detalles

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos

Más detalles

7. Distribución normal

7. Distribución normal 7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o

Más detalles

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN)

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores

Más detalles

4,2 + 0,67 Y c) R 2 = 0,49. 3.- En la estimación de un modelo de regresión lineal se ha obtenido:

4,2 + 0,67 Y c) R 2 = 0,49. 3.- En la estimación de un modelo de regresión lineal se ha obtenido: INTRODUCCIÓN A LA ESTADÍSTICA. Relación 4: REGRESIÓN Y CORRELACIÓN 1.- En una población se ha procedido a realizar observaciones sobre un par de variables X e Y. Xi 4 5 4 5 6 5 6 6 Yi 1 1 3 3 3 4 4 ni

Más detalles

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones

Más detalles

Conjuntos relaciones y grupos

Conjuntos relaciones y grupos Matemáticas NS Conjuntos relaciones y grupos Tema opcional 2 Índice 1. Conjuntos y relaciones 5 1.1. Introducción.......................................... 5 1.2. Operaciones con conjuntos..................................

Más detalles

Topología de R n. Beatriz Porras

Topología de R n. Beatriz Porras Producto escalar, métrica y norma asociada. Topología de R n Beatriz Porras 1 Producto escalar, métrica y norma asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores

Más detalles

Distribuciones bidimensionales. Regresión.

Distribuciones bidimensionales. Regresión. Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos

Más detalles

5. INTEGRALES MULTIPLES

5. INTEGRALES MULTIPLES 5. INTEGRALES MULTIPLES INDICE 5 5.. Integrales iteradas. 5.. Definición de integral doble: áreas y volúmenes..3 5.3. Integral doble en coordenadas polares 5 5.4. Aplicaciones de la integral doble (geométricas

Más detalles

Problemas de 4 o ESO. Isaac Musat Hervás

Problemas de 4 o ESO. Isaac Musat Hervás Problemas de 4 o ESO Isaac Musat Hervás 5 de febrero de 01 Índice general 1. Problemas de Álgebra 7 1.1. Números Reales.......................... 7 1.1.1. Los números....................... 7 1.1.. Intervalos.........................

Más detalles

El cuerpo de los números reales

El cuerpo de los números reales Capítulo 1 El cuerpo de los números reales 1.1. Introducción Existen diversos enfoques para introducir los números reales: uno de ellos parte de los números naturales 1, 2, 3,... utilizándolos para construir

Más detalles

Distribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta

Distribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta Distribución Normal La distribución normal (O Gaussiana) se define como sigue: En donde y >0 son constantes arbitrarias. Esta función es en realidad uno de las más importantes distribuciones de probabilidad

Más detalles

Estadística Aplicada. Ricardo Cao. Ciencias da la Salud Curso 2007-08. Departamento de Matemáticas Universidad de A Coruña

Estadística Aplicada. Ricardo Cao. Ciencias da la Salud Curso 2007-08. Departamento de Matemáticas Universidad de A Coruña Departamento de Matemáticas Universidad de A Coruña Ciencias da la Salud Curso 2007-08 Índices Tema 1: Descripción estadística de una variable Tema 2: Descripción estadística de dos variables Tema 3: Probabilidad

Más detalles

6. VARIABLES ALEATORIAS

6. VARIABLES ALEATORIAS 6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta

Más detalles

Tema 1. Cálculo diferencial

Tema 1. Cálculo diferencial Tema 1. Cálculo diferencial 1 / 57 Una función es una herramienta mediante la que expresamos la relación entre una causa (variable independiente) y un efecto (variable dependiente). Las funciones nos permiten

Más detalles

UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES

UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES Carrera: LICENCIATURA EN COMERCIO EXTERIOR Asignatura: ESTADÍSTICA APLICADA A LOS NEGOCIOS ESTADÍSTICA DE LOS NEGOCIOS Curso: 1º AÑO Año lectivo: 2016 Carga

Más detalles

Práctica 1: Introducción a SPSS 1

Práctica 1: Introducción a SPSS 1 Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 1: Introducción a SPSS 1 Este programa estadístico está organizado en dos bloques: el editor de datos y el visor

Más detalles

Anexo C. Introducción a las series de potencias. Series de potencias

Anexo C. Introducción a las series de potencias. Series de potencias Anexo C Introducción a las series de potencias Este apéndice tiene como objetivo repasar los conceptos relativos a las series de potencias y al desarrollo de una función ne serie de potencias en torno

Más detalles

5 Relaciones entre variables.

5 Relaciones entre variables. ANÁLISIS EPLORATORIO DE DATOS 39 ANÁLISIS EPLORATORIO DE DATOS 40 Relaciones entre variables..1 Ejercicios. Ejercicio.1 En una muestra de 0 individuos se recogen datos sobre dos medidas antropométricas

Más detalles

Estadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11

Estadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11 Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis

Más detalles

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los

Más detalles

TEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.

TEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas. TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A

Más detalles

Ecuaciones diferenciales lineales con coeficientes constantes

Ecuaciones diferenciales lineales con coeficientes constantes Tema 4 Ecuaciones diferenciales lineales con coeficientes constantes Una ecuación diferencial lineal de orden n tiene la forma a 0 (x)y (n) + a 1 (x)y (n 1) + + a n 1 (x)y + a n (x)y = b(x) (41) Vamos

Más detalles