Capítulo 6: Variable Aleatoria Bidimensional
|
|
- Catalina Gallego Fuentes
- hace 7 años
- Vistas:
Transcripción
1 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 conjunto de los números reales. Sin embargo, en muchas ocasiones, los resultados de un experimento aleatorio no pueden expresarse mediante una única cantidad, se requiere una variable aleatoria multidimensional. Nos centramos en este capítulo en el estudio de una variable aleatoria bidimensional. 6.1 Concepto de variable aleatoria bidimensional Una variable aleatoria bidimensional (X, Y ) es una aplicación del espacio muestral Ω en R = RxR Ω XxY RxR ω (X(ω),Y(ω)) Por lo tanto, cada componente de la variable aleatoria bidimensional es una variable aleatoria unidimensional. Ejemplo 6.1: Consideremos el experimento aleatorio de lanzar una moneda tres veces, al que tenemos asociado el siguiente espacio muestral: Ω = {(c, c, c), (c, c, +), (c, +,c), (+,c,c), (c, +, +), (+,c,+), (+, +,c), (+, +, +)} Se define la v.a. bidimensional Z = (X,Y ), donde X(ω) ="Número de caras en ω, e Y (ω) ="Diferencia en valor absoluto entre el número de caras el número de cruces en ω. Entonces: Z(+, +, +) = (, 3) Z(c, +, +) = Z(+,c,+) = Z(+, +,c)=(1, 1) Z(c, c, +) = Z(c, +,c)=z(+,c,c)=(, 1) Z(c, c, c) = (3, 3) 1
2 6. Distribución de probabilidad inducida. Función de distribución conjunta Vamos a asociar a cada v.a. bidimensional un espacio probabilístico definido en R. 6..1Casodiscreto Sean X e Y variables aleatorias unidimensionales de tipo discreto, que toman un número finitooinfinitonumerabledevalores{x 1, x,...}, { 1,,...}, respectivamente. Se define la función masa de probabilidad conjunta de (X, Y ) como: verificando: i) p ij 1, i, j ii) X X p ij =1 i j p ij = P (X = x i,y = j ), i, j La función de distribución conjunta de (X, Y ) viene dada por: F (x, ) =P (X x, Y ) = X X P (X = x i,y = j ), (x, ) R x i x j Ejemplo 6.: La v.a. Z =(X, Y ) del ejemplo 5.1 tiene función masa de probabilidad dada por: X\Y 1 3 1/8 1 3/8 3/8 3 1/8 su función de distribución es: F (x, ) =P (X x, Y ) = si x<, <1 si x<1, 1 <3 1/8 si x<1, 3 4/8 si 1 x<, 1 7/8 si x<3, 1 6/8 si x 3, 1 <3 1 si x 3, 3,
3 6..Casocontinuo Sean X e Y dos v.a. continuas definidas en R. Se define la función de densidad conjunta de (X, Y ) como una función f : R R que verifica: i) f(x, ) (x, ) ii) R + R + f(x, )dxd =1 En este caso, la función de distribución conjunta de (X, Y ) vendrádadapor: F (x, ) =P (X x, Y ) = Z x Z f(u, v)dvdu, (x, ) R La función de densidad conjunta se obtiene a partir de la de distribución según la siguiente expresión: f(x, ) = F (x, ) x Ejemplo 6.3: Sea (X, Y ) una v.a. bidimensional continua con función de densidad: ½ x x, 1 f(x, ) = en otro caso Obtenemos su función de distribucion: + Z x Z F (x, ) = Z x Z f(u, v)dvdu = Z uvdvdu = (x), x, 1 4 Z dvdu + Z x Z Ejemplo 6.4: Sea (X, Y ) una v.a. bidimensional con la siguiente función de distribución: F (x, ) =1 e x e + e (x+),x>, > donde X ="Duración de llamadas comerciales" e Y = Duración de llamadas personales". a. Calcular P (X 1,Y ). P (X 1,Y ) = F (1, ) = 1 e e + e 3 b. Determinar la función de densidad conjunta. f(x, ) = F (x, ) x = e x,x>, > dvdu + 3
4 6.3 Distribuciones marginales condicionadas Distribuciones marginales En general, se definen las distribuciones marginales como las distribuciones por separado de cada una de las componentes de la v.a. bidimensional. Dada la función de distribución conjunta de (X, Y ), F(x, ), se define la función de distribución marginal de X como: F X (x) =P (X x) =F (x, + ) =P (X x, Y + ), x R Análogamente, la función de distribución marginal de Y viene dada por: F Y () =P (Y ) =F (+,)=P (X +,Y ), R Caso discreto: Dada una v.a. bidimensional (X, Y ) con función masa de probabilidad conjunta p ij = P (X = x i,y = j ), se define la función masa de probabilidad marginal de X como: P X (x i )=P (X = x i )= X j P (X = x i,y = j )= X j p ij = p i. Análogamente, la función masa de probabilidad marginal de Y es: P Y ( j )=P (Y = j )= X i P (X = x i,y = j )= X i p ij = p.j Entonces, las funciones de distribución marginales resultan: F X (x) =P (X x) = X x i x P (X = x i,y = j )= X x i x p i.,x R F Y () =P (Y ) = X j P (X = x i,y = j )= X j p.j, R Caso continuo: Sea una v.a. bidimensional (X, Y ) con función de densidad conjunta f(x, ), con x, R. Las funciones de densidad marginales están dadas por: f X (x) = f () = Z + Z + f(x, )d, x R f(x, )dx, R 4
5 Las correspondientes funciones de distribución marginales resultan: F X (x) =P (X x) =P (X x, Y R) = F Y () =P (Y ) =P (X R,Y ) = Z x Z + Z + Z f(u, v)dudv, x R f(u, v)dudv, R Ejemplo 6.5: Sea (X, Y ) una v.a. bidimensional discreta con función masa de probabilidad dada por: X\Y 1 3 p i. 1 1/14 /14 1/14 4/14 1/14 3/14 1/14 5/14 3 /14 1/14 /14 5/14 p.j 3/14 /14 5/14 4/14 La función masa de probabilidad de X es: La de Y : P X (1) = P (X =1)= P X () = P (X =)= P X (3) = P (X =3)= 3X P (X =1,Y = j) =p 1. =4/14 j= 3X P (X =,Y = j) =p. =5/14 j= 3X P (X =3,Y = j) =p 3. =5/14 j= P Y () = P (Y =)=p.1 =3/14 P Y (1) = P (Y =1)=p. =/14 P Y () = P (Y =)=p.3 =5/14 P Y (3) = P (Y =3)=p.4 =4/14 La función de distribución marginal de X es: si x<1 4/14 si 1 x< F X (x) =P (X x) = 9/14 si x<3 1 si x 3 F Y () =P (Y ) = si < 3/14 si <1 5/14 si 1 < 1/14 si <3 1 si 3 5
6 Ejemplo 6.6: Sea (X, Y ) una v.a. bidimensional con función de densidad conjunta: ½ 3x(1 x) si x 1, 1 f(x, ) = Entonces, las funciones de densidad marginales vienen dadas por: f X (x) = 3x(1 x)d =3 µx x 1 ³ =3x 1 x, x 1 µ x 1 f Y () = 3x(1 x)dx =3 x3 = 3, 1 3 La función de distribución conjunta resulta: Z x Z Z x F (x, ) = 3u(1 uv)dvdu =3 µuv u v du = = x (3 x), x 1, 1 Y las funciones de distribución marginales son: F X (x) = F (x, 1) = x (3 x), x 1 (3 ) F Y () = F (1,)=, Distribuciones condicionadas Como a sabemos, la probabilidad de un suceso condicionada a la ocurrencia de otro suceso viene dada por: P (A B) P (A/B) =,P(B) 6= P (B) Ahora, el condicionamiento tendrá lugar entre variables. Caso discreto: Sea (X, Y ) una v.a. bidimensional discreta. Se define la función masa de probabilidad de X condicionada al valor j de Y como: P X/Y (x i / j ) = p i/j = P (X = x i /Y = j )= = P (X = x i Y = j ) P (Y = j ) = p ij p.j Análogamente, la función masa de probabilidad de Y condicionada al valor x i de X viene dada por: P Y/X ( j /x i ) = p j/i = P (Y = j /X = x i )= = P (X = x i Y = j ) P (X = x i ) = p ij p i. 6
7 Caso continuo: Sea (X, Y ) una v.a. bidimensional continua. Se define la función de densidad de X dado que Y vale como: f(x/) = f(x, ) f Y (),x R Análogamente, la función de densidad de Y dado que X vale x se define como: f(x, ) f(/x) = f X (x), R Las funciones de distribución asociadas son: F (x/) = P (X x/y = ) = F (/x) = P (Y /X = x) = Z x Z f(x, ) f Y () dx, x R f(x, ) f X (x) d, R Ejemplo 6.7: Sea (X, Y ) una v.a. bidimensional con función de densidad ½ x si x 1, f(x, ) = Las funciones de densidad marginales son: ½ x si x 1 f X (x) = ½ / si f Y () = Las densidades condicionadas vienen dadas por: f(x/) = ½ x si x 1 ½ / si f(/x) = Observamos que en este caso las densidades marginales condicionadas coinciden. 7
8 6.4 Independencia de variables aleatorias Sabemos que dos sucesos A B son independientes si se cumple que: P (A/B) = P (A) P (B/A) = P (B) en consecuencia: P (A B) =P (A)P (B) Análogamente, diremos que dos variables aleatorias X e Y son independientes si se verifica: P (X = x i,y = j )=p ij = p i. p.j en el caso discreto. f(x, ) =f X (x)f Y () en el caso continuo. Equivalentemente, F (x, ) =F X (x)f Y (). Por lo tanto, si las variables X e Y son independientes, se cumple que: P (a X b, c Y d) =P (a X b)p (c Y d) Ejemplo 6.8: Las variables dadas en el ejemplo 5.7 son independientes, a que las densidades condicionadas coinciden con las marginales. 6.5 Esperanza matemática Sea (X, Y ) una v.a. bidimensional. Se define el valor esperado o esperanza matemática de una función g(x, Y ) como: En caso discreto: E [g(x, Y )] = X i X g(x i, j )p ij j En caso continuo: E [g(x, Y )] = Z + Z + Algunas propiedades de la esperanza son: i) E [ax + by + c] =ae[x]+be[y ]+c g(x, )f(x, )ddx ii) Si X e Y son independientes, entonces E [g(x)g(y )] = E [g(x)]e[g(y )]. En particular, E [XY ]=E [X]E[Y ]. 8
9 Ejemplo 6.8: Sea (X, Y ) una v.a. bidimensional discreta con f.m.p. conjunta: X\Y 1 1/4 1/4 4 3/8 1/8 La esperanza matemática de g(x, Y )=X + Y es: E X + Y = (+ )1/4+(1+ )1/4+(+4 )3/8+(1+4 )1/8 =73/8 = E X]+E[Y 6.6 Momentos bidimensionales Dada una v.a. bidimensional (X,Y ), definimos los siguientes momentos: Momento no centrado de orden (r, s) : m rs = E[X r Y s ] Momentocentradodeorden(r, s) : µ rs = E[(X E[X]) r (Y E[Y ]) s ] Al momento centrado de orden (1,1) se le llama covarianza, se suele notar por Cov(X, Y ) o σ X,Y. Su expresión es: Cov(X, Y )=E[(X E[X]) (Y E[Y ])] = E[XY ] E[X]E[Y ] Diremos que dos variables son incorreladas si su covarianza es. Claramente, si dos variables son independientes, también son incorreladas. Ejemplo 6.9: Sea (X, Y ) una v.a. bidimensional con función de densidad: f(x, ) = 1 4 (1 + x(x )), 1 x 1, 1 a. Son X e Y independientes?. Comprobamos para ello si f(x, ) =f X (x)f Y (). Las funciones de densidad marginales resultan: f X (x) = f () = 1 4 (1 + x(x ))d =1/, 1 x (1 + x(x ))dx =1/, 1 1 Como f(x, ) 6= 1, las variables no son independientes. 4 9
10 b. Son X e Y incorreladas?. Comprobamos si la covarianza es. Cov(X, Y )=E[XY ] E[X]E[Y ] E[XY ] = E[X] = E[Y ] = x 1 4 (1 + x(x ))ddx =, x 1 dx =, 1 d =. Por lo que Cov(X, Y )=enconsecuencia las variables son incorreladas. Con este ejemplo observamos que el que las variables sean incorreladas no implica que sean independientes. Sin embargo, si las variables son independientes sí son incorreladas. 6.7 Ejercicios 1. Se lanzan dos dados simultáneamente. Sea X="número de puntos obtenidos por el primer dado" e Y = el número maor de los puntos obtenidos con los dos dados". Se pide: a. La función masa de probabilidad conjunta. b. Las funciones masa de probabilidad marginales c. La función masa probabilidad de la variable X condicionada a Y =4. d. P (X =,Y =4) P (X =3). e. Son independientes las variables X e Y?. Sea (X, Y ) una v.a. bidimensional con función de densidad conjunta: f(x, ) = ( 1 (x + ) si x, 8 a. Obtener la función de distribución conjunta. b. Obtener las funciones de distribución marginales. c. Obtener las funciones de densidad marginales. d. Calcular P (X <1,Y 1.5), P(X 1), P(X 1.7/Y 1.5). e. Son incorreladas las variables?. 1
11 3. Sea (X, Y ) una v.a. bidimensional con función masa de probabilidad: X\Y /8 3/8 3 1/8 1/8 a. Calcular las funciones de probabilidad marginales. b. Calcular P (Y ), P(X =1 (1 Y )) P (Y =3/X =1). c. Calcular la esperanza matemática de X + Y. d. Son independientes las variables?. 4. Sea (X, Y ) una v.a. bidimensional con función de densidad conjunta: f(x, ) = ( 1 (3x ) si 1 x, 1 3 k a. Calcular el valor de k para que sea función de densidad. b. Obtener las funciones de densidad marginales. c. Obtener la función de densidad de X dado que Y toma el valor. d. Calcular la función de distribución conjunta. e. Calcular P (X < 1.3,Y.5). 5. Sea (X, Y ) una v.a. bidimensional con función de densidad conjunta: ½ e (x+) si x>, > f(x, ) = a. Obtener las funciones de densidad marginales. b. Son independientes las variables? c. Obtener la función de distribución conjunta. d. Calcular P (( <X<1) (1 X<)) e. Obtener la función de densidad de Y condicionada a X =3. f. Calcular la esperanza de X Y g. Calcular Cov(X, Y ). Son incorreladas las variables?. 11
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 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 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 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 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 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 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 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 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 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 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 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 detallesIntroducción al Tema 9
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
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 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 detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
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 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 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 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 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 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 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 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 4: VARIABLES ALEATORIAS BIDIMENSIONALES
Tema 4: VAIABLES ALEATOIAS BIDIMENSIONALES 1 Concepto de variable aleatoria bidimensional Sea Ω el espacio muestral de un experimento aleatorio. Definimos variable aleatoria bidimensional, como una aplicación
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 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 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 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 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 detalles4 VARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS Una ruleta está dividida en cuatro sectores de 90º de los que dos opuestos por el vértice son Azules, y los otros dos son uno Blanco y el otro Rojo. Conderemos el experimento
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 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 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 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 detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
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 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 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 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 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 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 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 detallesPrueba Integral Lapso /7
Prueba Integral Lapso 17-737 1/7 Universidad Nacional Abierta Introducción a la Probabilidad (Cód. 737) Vicerrectorado Académico Cód. Carrera: 3-8 - 81 Fecha: 1-4-18 MODELO DE RESPUESTAS Objetivos del
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 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 detallesEstadís4ca y Métodos Numéricos Tema 2. Variable Aleatoria
Estadís4ca y Métodos Numéricos Tema. Variable Aleatoria Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo García
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 detalles4.1. Definición de variable aleatoria. Clasificación.
Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
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 detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
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 detallesf = 0 = n A n + n B = n A + n B n
1. Para todo suceso A, f A es el cociente de dos números positivos tal que el numerador es menor o igual que el denominador, luego se tiene que 0 f A 1 2. Debido a que el suceso seguro, Ω, se verifica
Más detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
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 unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
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 detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
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 detallesMODELO DE RESPUESTAS Objetivos del 1 al 9
PRUEBA INTEGRAL LAPSO 2017-2 764-1/7 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 126 Fecha: 21/04/2 018 MODELO DE RESPUESTAS Objetivos del
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 detallesEJERCICIOS RESUELTOS VARIABLE ALEATORIA BIDIMENSIONAL
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández EJERCICIOS RESUELTOS VARIABLE ALEATORIA BIDIMENSIONAL
Más detallesRepaso de conceptos estadís-cos. Apéndice A
Repaso de conceptos estadís-cos Apéndice A Revisión de conceptos estadís2cos El conjunto de todos los resultados posibles de un experimento aleatorio se denomina población o espacio muestral, E Un suceso
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 3. Probabilidad y variable aleatoria
Estadís5ca Tema 3. Probabilidad y variable aleatoria María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema
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 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 detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
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 detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesDescriptiva 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 detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesVariables aleatorias
Estadística Variables aleatorias Supongamos que realizamos el experimento: tirar dos veces un dado. Hasta ahora, hemos tratado sucesos, por ejemplo: A2 = la suma de dos tiradas de un dado es 2. Podemos
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 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 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 detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
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 detallesIntroducción a las variables aleatorias
Capítulo 3 Introducción a las variables aleatorias 1. Introducción. La variable aleatoria como modelo de variabilidad. Variables aleatorias univariantes discretas 3. Variables aleatorias univariantes continuas
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 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 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 detallesMaestría 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 detallesCOMPETENCIAS Y OBJETIVOS
COMPETENCIAS Y OBJETIVOS UNIDAD V :DISTRIBUCIONES DE VARIABLES ALEATORIAS BIDIMENSIONALES Competencia: -El estudiante debe extender correctamente las definiciones,características de una variable aleatoria
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 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 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 2: DISTRIBUCIONES DE PROBABILIDAD
ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,
Más detallesTEMA 4 P (X = 1) = 0,4 P (X = 2) = 0,6 P (Y = 3) = 0,7 P (Y = 9) = 0,3
TEMA 4. Dada una v.a. bivariante cua distribución de probabilidad es: P (, ) 4, P (, ), P (, ) 4 a) Obtener la distribución de probabilidad marginal de la v.a. X. b) Obtener la distribución de probabilidad
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detallesC7) Dada la distribución bidimensional de las variables "Numero de desplazamientos diarios" y "Medio de transporte utilizado" es cierto que: a) De los
IS12-Estadística en ITIS Exámen Final Curso 2008-09 Fecha: 28/Enero/09 Nombre alumno: NOTA: MARCAR: (a) Sobre 5 ptos, (b) Sobre 9 ptos C1) Una variable X toma únicamente 4 valores distintos: x1, x2, x3,
Más detallesMétodos 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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detalles